Studiu de caz

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 0,39 6,07
2 0,27 10,53
3 0,37 11,74
4 1,28 19,28
5 1,86 21,34
6 1,07 22,56
7 1,32 24,23
8 1,12 25,07
9 0,72 27,96
10 1,3 27,97
11 0,8 40,55
12 2,85 52,02
13 4,95 58,11
14 3,55 63,43
15 4,5 66,72
16 1,65 67,37
17 4,31 77,28
18 5,36 102,05
19 6,45 116,37
20 7,2 119,89
21 11,27 124,55
22 8,71 141,38
 23 5,61 154,25
24 13,46 169,78
25 5,51 186,73
26 4,84 212,18
27 8,97 250,12
28 18,95 261,81
29 16 395,92
30 29,95 535,37
31 33,64 655,69
32 38,67 815,4
33 61,66 1040,85
34 181,35 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

160

120
Y

80

40

0
0 400 800 1,200 1,600 2,000 2,400 2,800

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.

(y i  yˆ i )2  min

Condiția de minimum a acestei funcții rezultă din:

n  a +  X  b =  Y

  X  a +  X  b =  X  Y
2

Estimația parametrului b:
n   Xi Yi   Xi   Yi 34  628112,76  8491,37  489,91
b̂    0,066891
n   Xi2  (  Xi )2 34  9681639,52  72103364,48

Estimația parametrului a:
naˆ  bˆ  xi   y i / 1 / n  aˆ  bˆ  xi / n   y i / n  aˆ  y  bx
ˆ
y  14,41
x  249,75
â  14,41  0,066891  249,75  2,2966

Având estimatorii parametrilor putem determina valorile teoretice ale variabilelor

endogene cu ajutorul relației:
ŷ i = 2,2966 + 0,06689  x i
Valorile variabilei reziduale vor rezulta din următoarea relație:
uˆ  y i  yˆ i
 Estimarea modelului de regresie – datele din EViews:

Dependent Variable: Y
Method: Least Squares
Date: 12/15/19 Time: 21:26
Sample: 1 34
Included observations: 34

Variable Coefficient Std. Error t-Statistic Prob.

X 0.066812 0.001720 38.83762 0.0000

C -2.206077 0.917905 -2.403383 0.0222

R-squared 0.979226 Mean dependent var 14.40912

Adjusted R-squared 0.978576 S.D. dependent var 32.35265
S.E. of regression 4.735389 Akaike info criterion 6.005027
Sum squared resid 717.5649 Schwarz criterion 6.094813
Log likelihood -100.0855 Hannan-Quinn criter. 6.035647
F-statistic 1508.360 Durbin-Watson stat 1.163591
Prob(F-statistic) 0.000000

Nr yi xi xi2 xi y i ŷ ui u i2
1 0,39 6,07 36,84 2,37 -1,89 2,28 5,20
2 0,27 10,53 110,88 2,84 -1,59 1,86 3,47
3 0,37 11,74 137,83 4,34 -1,51 1,88 3,54
4 1,28 19,28 371,72 24,68 -1,01 2,29 5,23
5 1,86 21,34 455,40 39,69 -0,87 2,73 7,45
6 1,07 22,56 508,95 24,14 -0,79 1,86 3,45
7 1,32 24,23 587,09 31,98 -0,68 2,00 3,98
8 1,12 25,07 628,50 28,08 -0,62 1,74 3,03
9 0,72 27,96 781,76 20,13 -0,43 1,15 1,31
10 1,3 27,97 782,32 36,36 -0,43 1,73 2,98
11 0,8 40,55 1644,30 32,44 0,42 0,38 0,15
12 2,85 52,02 2706,08 148,26 1,18 1,67 2,78
13 4,95 58,11 3376,77 287,64 1,59 3,36 11,29
14 3,55 63,43 4023,36 225,18 1,95 1,60 2,57
15 4,5 66,72 4451,56 300,24 2,17 2,33 5,45
16 1,65 67,37 4538,72 111,16 2,21 -0,56 0,31
17 4,31 77,28 5972,20 333,08 2,87 1,44 2,07
18 5,36 102,05 10414,20 546,99 4,53 0,83 0,69
19 6,45 116,37 13541,98 750,59 5,49 0,96 0,93
20 7,2 119,89 14373,61 863,21 5,72 1,48 2,18
21 11,27 124,55 15512,70 1403,68 6,03 5,24 27,41
22 8,71 141,38 19988,30 1231,42 7,16 1,55 2,40
 23 5,61 154,25 23793,06 865,34 8,02 -2,41 5,81
24 13,46 169,78 28825,25 2285,24 9,06 4,40 19,36
25 5,51 186,73 34868,09 1028,88 10,19 -4,68 21,94
26 4,84 212,18 45020,35 1026,95 11,90 -7,06 49,79
27 8,97 250,12 62560,01 2243,58 14,43 -5,46 29,86
28 18,95 261,81 68544,48 4961,30 15,22 3,73 13,94
29 16 395,92 156752,65 6334,72 24,19 -8,19 67,02
30 29,95 535,37 286621,04 16034,33 33,51 -3,56 12,71
31 33,64 655,69 429929,38 22057,41 41,56 -7,92 62,78
32 38,67 815,4 664877,16 31531,52 52,25 -13,58 184,31
33 61,66 1040,85 1083368,72 64178,81 67,33 -5,67 32,11
34 181,35 2586,8 6691534,24 469116,18 170,74 10,61 112,64
Total 489,91 8491,37 9681639,52 628112,76 489,91 0,00 710,13

c) Verificarea semnificației estimatorilor:

Estimatorii sânt semnificativ diferiți de 0, cu un prag de semnificație  , dacă se
verifică următoarele relații:

â b̂
t â  t  , ; t bˆ  t  ,
sâ sb̂

Unde:   0,05 ,   n  k  1 - grade de libertate (k – var. independente)

Calculăm ecarturile tip a variabilei reziduale s û și ecarturile tip a celor doi
estimatori, s â și sb̂ :

sû2  (y t  yˆ t )2 / (n  k  1)  710,13 / 32  22,19

suˆ  su2ˆ  22,19  4,71

saˆ = su2ˆ  1 / n + x 2 /  (x t -x)2   22,19  [1 / 34  62373,15 / 7560952,33  0,84

 0,914

sbˆ = sû2  1 /  (xi  x)2  22,19  1/7560952,33  0,0000029  0,001713

Cunoscând valorile ecarturilor tip a acestor doi estimatori, putem verifica semnificația
estimatorilor:
1) H 0 : a  0
H1 : a  0

â 2,2966
t â    2,512 t 0,05;32  2,042
sâ 0,914
 Deoarece, t calc  t tab , ipoteza H 0 se respinge, estimatorul â este semnificativ,
venitul are o influență semnificativă asupra variației consumului unei familii.
2) H 0 : b  0
H1 : b  0

b̂ 0,066891
t bˆ    39,0445 t 0,05,32  2,042
sb̂ 0,001713

Deoarece, t calc  t tab , ipoteza H 0 se respinge, estimatorul b̂ este de asemenea

semnificativ.

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

raportul de corelație:

Coeficientul linear de corelație:

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

x   (x t  x)2 / n  7560952,33 / 34  222380,95  471,57

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

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

Raportul de corelație:
34

 (y i  y)
ˆ 2
710,13
R y/x  1  t 1
34
 1  0,97944  0,9897
 (y
34540,896
i  y)2
t 1

Coeficientul de determinație:
R2  1  ( u2 / (Yi  Y)2 )  1 (710,13 / 34540,896)  0,9794
 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 de Măsura Numărul Varinațele Valoarea testului F

variație variației gradelor corectate Fc Fα;k;n-k-1
de
libertate
34
Varianța VE
explicativă VE =  (yˆ t - y) 2 = σˆ E = = 33830,8
t=1 k=1 k
= 33830,8
Fcalc  F0,05;1;32 =
Varianța VR =  (yt - yˆ t )2 σˆ uˆ =
VR
= 22,19 1521,39
reziduală n-k-1=32 n - k -1 = 4,17
= 710,13

Varianța VT =  (yt - y)2 = V

totală n-1=33 σ t = T = 1046,69
= 34540,896 n -1
Nr ui (x i  x) (xi  x) 2 (y  y)
t (yˆ t - y) (x i  x) (y t  y) û i 1
2
uˆ i  uˆ i 1 (uˆ i  uˆ i 1 )2
1 2,28 -243,68 59378,08 -14,02 265,682 3416,124986 - - -
2 1,86 -239,22 57224,38 -14,14 256,045 3382,305662 2,28 -0,42 0,175
3 1,88 -238,01 56646,94 -14,04 253,461 3341,396712 1,86 0,02 0,00036
4 2,29 -230,47 53114,66 -13,13 237,656 3025,817545 1,88 0,41 0,16455
5 2,73 -228,41 52169,38 -12,55 233,427 2866,29598 2,29 0,44 0,19554
6 1,86 -227,19 51613,56 -13,34 230,94 3030,463136 2,73 -0,87 0,7597
7 2,00 -225,52 50857,55 -13,09 227,557 2951,807765 1,86 0,14 0,01912
8 1,74 -224,68 50479,38 -13,29 225,865 2985,748142 2,00 -0,26 0,06563
9 1,15 -221,79 49189,11 -13,69 220,092 3036,057062 1,74 -0,59 0,35202
10 1,73 -221,78 49184,67 -13,11 220,072 2907,289989 1,15 0,58 0,33562
11 0,38 -209,20 43763,04 -13,61 195,814 2846,975377 1,73 -1,34 1,79959
12 1,67 -197,73 39095,64 -11,56 174,93 2285,540136 0,38 1,28 1,64547
13 3,36 -191,64 36724,42 -9,46 164,32 1812,709139 1,67 1,69 2,86501
14 1,60 -186,32 34713,72 -10,86 155,323 2023,22928 3,36 -1,76 3,08304
15 2,33 -183,03 33498,58 -9,91 149,886 1813,627915 1,60 0,73 0,5328
16 -0,56 -182,38 33261,07 -12,76 148,823 2326,959092 2,33 -2,89 8,37222
17 1,44 -172,47 29744,58 -10,10 133,089 1741,756206 -0,56 2,00 3,98845
18 0,83 -147,70 21814,16 -9,05 97,6054 1336,520077 1,44 -0,61 0,36832
19 0,96 -133,38 17789,20 -7,96 79,5961 1061,55668 0,83 0,13 0,01746
20 1,48 -129,86 16862,63 -7,21 75,4502 936,1484534 0,96 0,51 0,26476
21 5,24 -125,20 15674,08 -3,14 70,1322 393,0055269 1,48 3,76 14,1247
 22 1,55 -108,37 11743,23 -5,70 52,544 617,5915887 5,24 -3,69 13,5849
23 -2,41 -95,50 9119,52 -8,80 40,8044 840,2820916 1,55 -3,96 15,6886
24 4,40 -79,97 6394,59 -0,95 28,612 75,89730926 -2,41 6,81 46,3922
25 -4,68 -63,02 3971,04 -8,90 17,768 560,7883681 4,40 -9,08 82,5155
26 -7,06 -37,57 1411,22 -9,57 6,31436 359,4751622 -4,68 -2,37 5,62817
27 -5,46 0,37 0,14 -5,44 0,00063 -2,033270156 -7,06 1,59 2,53496
28 3,73 12,06 145,54 4,54 0,65119 54,78040337 -5,46 9,20 84,604
29 -8,19 146,17 21366,79 1,59 95,6037 232,5453563 3,73 -11,92 142,104
30 -3,56 285,62 81580,97 15,54 365,026 4438,846239 -8,19 4,62 21,3634
31 -7,92 405,94 164790,39 19,23 737,339 7806,657912 -3,56 -4,36 18,995
32 -13,58 565,65 319964,25 24,26 1431,65 13723,26087 -7,92 -5,65 31,9582
33 -5,67 791,10 625845,26 47,25 2800,29 37380,35369 -13,58 7,91 62,559
34 10,61 2337,05 5461820,57 166,94 24438,4 390149,8274 -5,67 16,28 265,034
Total 0,00 0,00 7560952,33 0,00 33830,8 505759,61 -10,61 8,33 832,092

Verificăm semnificația raportului de corelație și a coeficientului de corelație linear

cu ajutorul testului Fisher -Snedecor:
R2 0,9794
Fcalc  (n  2)  32   1521,39 > F1,32
0,05
 4,17
1 R 2
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  RxRui

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

d) calculăm coeficientul de corelație după relația: rx/u  1  6 di2 / 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/y  1   0,9453  indică o legătură puternică între variabilele x și u i
343  34
rx,y  n  2 0,9453  32
t calc    50,25  t 0,05
32  2,042  ipoteza H 0 se respinge și se
1  rx,y
2
1  0,8935

acceptă ipoteza H1 , modelul este heteroscedastic.

Nr. Cheltuieli (y) PIB (x) Rx R ui di d i2

1 0,39 6,07 1 3 -2 4
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 -4 16
5 1,86 21,34 5 12 -7 49
6 1,07 22,56 6 4 2 4
7 1,32 24,23 7 10 -3 9
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 13 -1 1
13 4,95 58,11 13 18 -5 25
14 3,55 63,43 14 14 0 0
15 4,5 66,72 15 16 -1 1
16 1,65 67,37 16 11 5 25
17 4,31 77,28 17 15 2 4
18 5,36 102,05 18 19 -1 1
19 6,45 116,37 19 22 -3 9
20 7,2 119,89 20 23 -3 9
21 11,27 124,55 21 26 -5 25
22 8,71 141,38 22 24 -2 4
23 5,61 154,25 23 21 2 4
24 13,46 169,78 24 27 -3 9
 25 5,51 186,73 25 20 5 25
26 4,84 212,18 26 17 9 81
27 8,97 250,12 27 25 2 4
28 18,95 261,81 28 29 -1 1
29 16 395,92 29 28 1 1
30 29,95 535,37 30 30 0 0
31 33,64 655,69 31 31 0 0
32 38,67 815,4 32 32 0 0
33 61,66 1040,85 33 33 0 0
34 181,35 2586,8 34 34 0 0
Total 489,91 8491,37 595 595 358

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 x i , 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  n 2  13 ), se
calculează SCR 1 și SCR 2 și se verifică testul Fisher.
1) 2)

Nr. yi xi
1 8,71 141,38
2 5,61 154,25
3 13,46 169,78
4 5,51 186,73
5 4,84 212,18
6 8,97 250,12
7 18,95 261,81
 8 16 395,92
Nr. yi xi 9 29,95 535,37
1 0,39 6,07 10 33,64 655,69
2 0,27 10,53 11 38,67 815,4
3 0,37 11,74 12 61,66 1040,85
4 1,28 19,28 13 181,35 2586,8
5 1,86 21,34
6 1,07 22,56
7 1,32 24,23
8 1,12 25,07
9 0,72 27,96
10 1,3 27,97
11 0,8 40,55
12 2,85 52,02
13 4,95 58,11

ŷ i = -0.4147 + 0.068  xi ŷ i = -7.3312 + 0.0705  xi

R 2  0.68 R 2  0.984
SCR1   ui2 6,0933 SCR2   ui2 429,65

Ipotezele statistice care permit detectarea heteroscedasticității:

H 0 : modelul este homoscedastic (nu există dependență între variabilele explicative și
cele reziduale.
H1 : modelul este heteroscedastic.
SCR 2 / (n1  2) 429,65 / 11 39,059
Fcalc     153,84
n 6,0933 / 24 0,253
SCR1 / (n   2)
4
Ftab  F ,n1  2,nn/42  F0,05;11;24  2,61

Fcalc  Ftab  ipoteza de homoscedasticitate H 0 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 y i în funcție de x i și determinarea vectorului
reziduului u i .

Pasul 2: regresia valorii absolute u i reziduurile pe x i , în funcție de relația:

u i  a0  a1xi   i , cu heteroscedasticitatea de tipul: 

ˆ u2i  k 2xi2 . Determinăm valorile

ajustate: û i  aˆ 0  aˆ 1xi și apoi reziduul.

Vom obține ûi  2,372623  0,004418x i

Ipoteza de homoscedasticitte se respinge dacă coeficientul a1 , cu un prag de
semnificație este semnificativ diferit de 0.
t tab  t  ,n k 1  t 0,05;32  2,042

a1 0,004418
t calc    5,5782
 a1 0,000792

t calc  t tab  a1 este semnificativ diferit de 0 cu pragul de semnificație de 5%, rezultă că

heteroscedasticitatea a fost detectată.

3) Corectarea heteroscedasticității
Sau, testul Gleisjer a pus în evidență o relație de tipul ˆ u2i  k 2xi2 , pentru a ridica
heteroscedasticitatea utilizăm regresia ponderată pe datele brute împărțite la x1 . Ca
rezultat:
y1 a x u
 0  a1 i  i
x xi xi xi
Pentru a facilita calculele putem utiliza următoarele notații:
y1 1 xi
zi  x1i  x 2i 
x xi xi
Astfel, vom obține următorul model: z i  a0 x1i  a1x 2i  u i
Vom obține următoarele rezultate:

z i  0, 260748x1i  0,058739x 2i

Nr yi xi xi x1i x 2i zi
1 0,39 6,07 2,463737 0,4058875 2,463737 0,0388831
2 0,27 10,53 3,244996 0,3081668 3,244996 0,110254
3 0,37 11,74 3,426368 0,2918542 3,426368 0,1251611
4 1,28 19,28 4,390900 0,2277438 4,3909 0,1985333
5 1,86 21,34 4,619524 0,2164725 4,619524 0,2149014
6 1,07 22,56 4,749737 0,210538 4,749737 0,2240974
7 1,32 24,23 4,922398 0,203153 4,922398 0,236165
8 1,12 25,07 5,006995 0,1997206 5,006995 0,2420291
9 0,72 27,96 5,287722 0,1891174 5,287722 0,2612835
10 1,3 27,97 5,288667 0,1890836 5,288667 0,2613479
11 0,8 40,55 6,367888 0,1570379 6,367888 0,3330961
12 2,85 52,02 7,212489 0,1386484 7,212489 0,3875021
13 4,95 58,11 7,622992 0,1311821 7,622992 0,4135614
14 3,55 63,43 7,964295 0,1255604 7,964295 0,4350751
 15 4,5 66,72 8,168231 0,1224255 8,168231 0,4478715
16 1,65 67,37 8,207923 0,1218335 8,207923 0,4503573
17 4,31 77,28 8,790904 0,1137539 8,790904 0,4867078
18 5,36 102,05 10,101980 0,0989905 10,10198 0,5675686
19 6,45 116,37 10,787493 0,0926999 10,78749 0,6094752
20 7,2 119,89 10,949429 0,091329 10,94943 0,6193447
21 11,27 124,55 11,160197 0,0896042 11,1602 0,6321747
22 8,71 141,38 11,890332 0,0841019 11,89033 0,6764968
23 5,61 154,25 12,419742 0,080517 12,41974 0,7085286
24 13,46 169,78 13,029965 0,0767462 13,02997 0,7453557
25 5,51 186,73 13,664919 0,0731801 13,66492 0,7835821
26 4,84 212,18 14,566400 0,0686511 14,5664 0,8377151
27 8,97 250,12 15,815183 0,0632304 15,81518 0,9124808
28 18,95 261,81 16,180544 0,0618026 16,18054 0,9343141
29 16 395,92 19,897739 0,050257 19,89774 1,1556689
30 29,95 535,37 23,138064 0,0432188 23,13806 1,3478375
31 33,64 655,69 25,606445 0,0390527 25,60644 1,493914
32 38,67 815,4 28,555210 0,0350199 28,55521 1,6681731
33 61,66 1040,85 32,262207 0,030996 32,26221 1,8869676
34 181,35 2586,8 50,860594 0,0196616 50,86059 2,9823737
Total 489,91 8491,37 418,622207 4,4512379 418,6222 23,428798

Observăm că coeficientul lui x1i nu este semnificativ diferit de 0 și, deci putem să-l
eliminăm din model. Vom obține modelul: z i  a 0  a1x 2i  u i .
z i  0,106370  0,062939x 2i

Rezultatele în EViews:
Acest model va fi cel obținut prin corecția heteroscedasticității.