Econometrie

Lucrul individual:
Modelul Multifactorial
A realizat :Cret Cristian
Grupa: MKL 182
 6

Series 1
3 Series 2
Series 3
2

0
Category 1 Category 2 Category 3 Category 4

Modelul liniar multifactorial

Începând de la faptul că avem o situație ce descrie dependența indicelui dezvoltării umane a
produselor alimentare consumate zilnic de către o persoană, în care se întâlnesc mai mulți factori
de influență , vom fi nevoiți să apelăm la un model econometric multifactorial.
În raport cu valoarea calorică specificăm urmatoarele variabile:
y- dependența indecilui dezvoltării umane
x1- longevitatea medie sperată a vieții
x2- valorea calorică a produselor alimentare consumate zilnic de către o persoană

Datele cu care vom opera sunt prezentate în următorul tabel:

Rezolvare:

Se cunosc următoarele date pentru persoanele născute în anul 1997;

 Analizând datele problemei putem specifica și identifica legatura dintre variabile a
modelului econometric:
y- reprezintă variabila endogenă
x1- reprezintă variabila exogenă
x2- reprezintă variabila exogenă
n=20
1.)În corelogramele de mai jos se observă o legătură liniară direct.
 Observăm din grafic că distribuția punctelor x1 ,x2 și y poate fi aproximată cu o dreaptă
din ceea ce rezultă legătura dintre cele doua variabile este un model liniar din model
econometric.
Yi = a + bx1 + cx2 +ui
a,b,c- parametrii modelului
b, c >0 , deoarece legătura dintre variabile este direct.
 2.) Estimarea parametrilor modelului cu ajutorul metodei Celor mai mici Pătrate

t- student
H0 : a , b ,c = 0 (variabilele dependente nu sunt semnificative )
H1 : a , b ,c ≠ 0 (variabilele sunt semnificative )
P-valoare < α – acceptăm ipoteza H0

P-valoare < α – acceptăm ipoteza H1

Din rezultatele prezente în tabel rezultă că a, b – sunt semnificative ,iar c este nesimnificativ.
Deci valorile lui trebuie reestimate sau excluse din calcul.

Yest=-1,44774632+0,01655302*X1+0,000163113*X2

La creşterea variabilei independente X1 , cu o unitate, are drept efect creşterea valorii

variabilei dependente Y cu 0.01655302

La creşterea variabilei independente X2 , cu o unitate, are drept efect scăderea valorii

variabilei dependente Y cu 0,000163113, deoarece are valoare negativă.
 3.) Coeficientul de determinație a funcției de regresie

- Coeficientul de determinție are valoarea R^2= 92%, ceea ce exprimă faptul că 92% din
variaţia lui Y, se datorează variaţiei variabilelor independente X1, X2.
Coeficientul de corelație

R=
√n
∑ (YestI−Yest )2
i =1
¿ = 0,948436575
2
∑ (YestI −Yest ) ¿
i=1

R^2=0,920760988

-Între longevitatea medie și valoarea calorică există o legătură de intensitate strânsă și direct
între variabile.
Testarea raportului de corelație se face cu testul F:
Fcalc=61,586
F (0,05;3;17)=3,2
Fcalc>F(0,05;1;18)
Se respinge ipoteza H0 și se acceptă H1, Reste semnificativ diferit de zero. Există o legătură
liniară puternică și directă între variabile.
 4.) ANOVA (99%)

Ipoteza 1 – Variabilele X și Y nu sunt afectate de erori de măsură.

Conform Ipotezei 1, variabilele observate nu sunt afectate de erori de măsură.
Acestă ipoteză se poate verifica cu ajutorul următoarelor relații:

X1-3 s x< x j < x1 + 3 s x

X2-3 s x< x j < x2 + 3 s x
y-3 s y < y j < y +3 s y

unde:
s x1= √ ∑ ¿ ¿ ¿x)^2 = 12,07
n
s x2= √ ∑ ¿ ¿ ¿x)^2 = 75,2
n
s y = √ ∑ ¿ ¿ ¿x)^2 = 0,25
n
∑ x1
x 1= =177,77
n
∑x
x 2= 2 =3169,85
n
∑y
y= =2,01
n

Verificăm ipoteza 1, prin relațiile de mai sus:

177,77 – 3 * 12,07 < x1 < 177,77 + 3 * 12,07 (fals)

3169,85 – 3 * 75,2 < x2 < 3169,85 + 3 * 75,2 (fals)
2,01 – 3 * 0,25 < y < 2,01 + 0, 25 (fals)

Variabilele observate sunt afectate de erori de măsură, deci ipoteza H0 este acceptată.

Ipoteza 2: Ipoteza de homoscedasticitate

Variabila aleatorie ( reziduală) u este medie nulă și dispersia variabilei reziduale este constantă și
independentă de variabila factorială ( ipoteza de homoscedasticitate ).
Ipoteza de homoscedasticitate poate fi verificată cu metoda grafică (corelograma). Se prezintă
grafic pe axa OX valorile variabilelor X1 și X2, iar pe axa OY se prezintă valorile variabilei
reziduale u. Calculăm valorile variabilei reziduale conform formulei: u = Y – Yest

U și X

Deoarece graficul punctelor prezintă o evoluție oscilantă putem accepta ipoteza că variabila
factorială și cea reziduală sunt independente.
Calculul coeficientului de corelație.
Pentru a accepta ipoteza de liniaritate se calculează coeficientul de corelație liniară.

∑ ui−ui−1
ri=
( ∑ui )2 −1
Ipoteza 3: Autocorelația

Valorile variabilei reziduale nu sunt aucorelate, adică sunt independente între ele:
Verificarea acestei ipoteze se face prin:
- Metoda grafică ( corelogramă )
- Testul Durbin- Watson

∑(ui−ui−1)2
DW = = 0,85
∑ ui
ui = yi-Y
n = 13
k=3
Se acceptă H0, erorile nu sunt aucorelate.
Prin metoda grafică se construiește corelograma, trecându-se pe axa OX valorile variabilei
zezultative yi, iar pe OY valorile variabilei reiduale:
Y și u

Distribuția erorilor este oscilată, deci putem accepta că erorile sunt independente, adică nu sunt
autocorelate.

Ipoteza 4 Verificarea ipotezei de normalitate a variabilei reziduale

Verificarea ipotezei de normalitate se poate face prin:
- Metoda grafică
- Testul Jarque-Berra
Yest și u
Metoda calcului numerar presupune folosirea metodei Jarque-Berra
C2as (k −3)2
JB= n +
6 20
µ4
C 2as = 4
❑y

∑( yi−Y )m
µ=
n
Cas- coeficientul de asimetrie a lui Pearson.

Prin metoda grafică se construiește corelograma trecându-se pe axa OX valorile ajustate y, iar pe
axa OY se reprezintă valorile reziduale. Se observă că valorile reziduale ui se înscriu în banda
construită, deci putem accepta ipoteza de normalitate a erorilor pentru un prag de semnificație de
α=0,01, deci putem accepta ipoteza de normalitate.

Ipoteza 5. Multicoliniaritatea
Termenul de multicolinearitate este utilizat în cazul când la baza unui model stau
variabile care depend intre ele. Cazul opus multicolinearității, respective situația în care seriile
explicative sunt de covarianță nulă(x,x)=0, spunem ca sunt ortogonale.

Pentru detectarea multicolinearității se folosesc două teste principale.

Testul de Klein- este fondat pe cooperarea coeficientului de determinație R^2 calculat și pe baza
modelului de k variabile și fiecare coefficient de corelație simplă r^2 între variabilele explicative
0,920760988 > 0,79
În baza rezultatelor determinăm că ipoteza 5 se acceptă.

Testul Ferrar et Glauber .

Detectarea multicolinearității presupune două etape:
Prima etapă constă în calcularea determinantului corespunzător matricei coeficienților de
corelație simplă între variabilele independente, care are forma următoare:

D= 1 r(x1x2) =0,1898

r(x2x1) 1
Etapa a doua constă în efectuarea unui test, postulând următoarele ipoteze:

D<1- seriile sunt dependente , deci avem multicoliniaritate.

Valoarea empirică calculată de Ferrar și Glauber:
2
X = -26,12 Ln0,1898
X 2 tab =(α ; ϑ)

ϑ=( 12 )∗k∗( k−1 )

ϑ=6
X 2 tab =( 0.05 ; 6 ) =7,815
X 2 tab > X 2

Coeficientul de corelație multiplă demonstrează existența unei puternici legături.