Documente Academic
Documente Profesional
Documente Cultură
1
Numele scrise cu italice îi desemnează pe laureaţii Premiului Nobel în economie.
modernă; unificarea lor este aceea care asigură eficienţa. Econometria este
tocmai această unificare”.
Conform acestei definiţii, susţinătorii ei consideră că prin
econometrie se înţelege studierea fenomenelor economice pe baza datelor
statistice cu ajutorul modelelor matematicii.
b) Definiţia restrictivă propusă de Cowles Commission for
Research in Economics (Chicago, 1940-1950), consideră că nu există
econometrie dacă investigarea fenomenelor economice nu se face cu
ajutorul modelelor aleatoare (stochastice).
Susţinătorii acestei definiţii, L. R. Klein, E. Malinvaud, G. Rottier,
includ în domeniul econometriei numai cercetările economice care
utilizează metodele inducţiei statistice – teoria estimaţiei, verificarea
ipotezelor statistice – la verificarea relaţiilor cantitative formulate în teoria
economică cu privire la fenomenele sau procesele economice cercetate.
Conform acestor definiţii, un studiu econometric presupune:
- existenţa prealabilă a unei teorii economice privind fenomenul,
procesul sau sistemul economic cercetat, pe baza căreia se construieşte
modelul economic, care reprezintă formalizarea ipotezelor teoriei
economice cu privire la fenomenul, procesul sau sistemul investigat;
- posibilitatea aplicării metodelor inducţiei statistice la verificarea
ipotezelor teoriei economice; construirea modelului econometric şi
rezolvarea acestuia.
Această definiţie restrictivă exclude din domeniul econometriei
cercetările economice care nu se fundamentează pe:
- o teorie economică – implicită sau explicită privind modelul
econometric al fenomenului, procesului sau sistemului studiat;
- o interpretare aleatoare a modelului respectiv.
Astfel, analiza seriilor cronologice, modelul lui Leontief (B.L.R.) ca
şi statistica economică (care se fundamentează pe metoda balanţelor) nu
intră în sfera de cuprindere a econometriei: prima, deoarece existenţa unei
teorii economice nu este necesară, iar ultimele două, fiindcă nu permit
aplicarea metodelor inducţiei statistice.
c) Definiţia extinsă a econometriei, promovată de economiştii din
ţările anglo-saxone, ţine seama de puternica dezvoltare, apărută după 1950,
a metodelor cercetării operaţionale: teoria optimului, teoria stocurilor, teoria
grafelor, teoria deciziilor, teoria jocurilor, etc.
Prin econometrie, în sensul larg al termenului, se înţelege
econometria, definită în mod restrictiv, adică, include domeniile menţionate
atunci când ea este înţeleasă în sens restrictiv, la care se adaugă metodele
cercetării operaţionale. În prezent, în domeniul econometriei se includ şi
tehnicile moderne de analiză a datelor sau analiza marilor tabele.
Deoarece încă nu s-a cristalizat o concepţie unitară privind
„frontierele” econometriei, în manualele sau tratatele de econometrie,
autorii, de regulă, îşi menţionează concepţia pe baza căreia şi-au structurat
lucrările.
În ţara noastră, atât în literatura de specialitate, deşi rareori se fac
precizări exprese, cât şi prin structura planurilor de învăţământ de la
facultăţile economice, econometria este concepută şi aplicată ca metodă
generală de investigare cantitativă a fenomenelor şi proceselor economice –
adică, în accepţiunea largă a termenului.
Un domeniu mai puţin abordat, atât teoretic, cât şi practic, îl
constituie metodele econometriei, în sensul restrictiv al termenului,
respectiv modelele aleatoare (stochastice).
Modelele deterministe, utilizate în mod curent şi de multă vreme în
teoria şi practica economică din ţara noastră, sunt de multe ori inadecvate
pentru a explica şi, mai ales, pentru a prognoza pertinent evoluţia
fenomenelor, proceselor sau sistemelor economice, elemente dinamice prin
natura lor.
De asemenea, în studiile mult mai recente, se insistă asupra faptului
că studiul seriilor de timp privind evoluţia fenomenelor economice nu poate
fi independent de teoria economică. Se au în vedere, în acest sens, nu atât
determinarea şi extragerea econometrică a tendinţei, cât şi aspectele legate
de efectul întârziat în timp, propagarea impulsului unor variabile exogene
asupra variabilei prognozate, natura oscilaţiilor de diferite frecvenţe etc.
Acestea sunt motivele care au determinat ca modelele dinamice – bazate pe
analiza evoluţiei în timp a fenomenelor economice – să-şi găsească locul în
arsenalul modelelor econometrice prezentate în acest curs.
Q = A Kα Lβ ect ·u (1.3.1)
unde:
Q = volumul fizic al producţiei;
K = capitalul;
L = forţa de muncă;
e = numărul natural;
t = timpul;
u = variabilă aleatoare;
A, α, β şi = parametrii funcţiei, c reprezentând măsura econometrică a
c
influenţei progresului tehnic asupra volumului producţiei.
t 1 2 ... T
xt x1 x2 ... xT
yt y1 y2 ... yT
xi x1 x2 ... xn
yi y1 y2 ... yn
Într-un model econometric, un fenomen economic X={xi}, i 1, n
poate fi introdus cu următoarele valori:
1) Valori reale sau empirice, xi = (x1, x2,.., xn), valori exprimate în
unităţi de măsură specifice naturii fenomenului X, ele fiind mărimi concrete
şi pozitive, deci aparţin sistemului numerelor raţionale. Vectorul valorilor
lui X, xi = (x1, x2,.., xn), poate fi definit prin doi parametri:
2) Valorile centrate : x* x x
i i
Aceste valori sunt tot mărimi concrete, dar ele aparţin sistemului
numerelor reale având atât valori pozitive cât şi negative.
Se poate demonstra uşor că aceste valori centrate au media egală cu
zero, iar dispersia lor este egală cu dispersia valorilor reale:
1
M (x *) (x
n i x)0 (1.3.4)
1
M[(x*)2] (x*)2
1 x )2 M (x
2 (1.3.5)
(x )
i
n n
3) Valori centrate şi normate sau abateri standard: x** xi x .
i
x
Media şi dispersia acestor valori este:
1 x x
M (x ** ) i 0 (1.3.6)
M 1 ⎛⎜ x
n ** ) 2 ] x
[(
x
(1.3.7)
x⎞ x2 1
2
⎟ i
n ⎝ x ⎠2 x
În plus faţă de aceste două proprietăţi L( x** ) = N(0;1)2, abaterile
standard sunt mărimi abstracte (adimensionale). Aceste calităţi conduc, atât
la diminuarea calculelor statistice cu aceste valori, cât şi la efectuarea de
comparaţii între distribuţiile mai multor fenomene economice de naturi
diferite.
Un model econometric poate fi format dintr-o singură relaţie sau
dintr-un sistem de relaţii statistice. Aceste relaţii pot fi: relaţii de identitate
sau deterministe, relaţii de comportament, relaţii tehnologice şi relaţii
instituţionale.
Relaţiile de identitate sunt de tipul ecuaţiilor de balanţă folosite în
„Sistemul de balanţe ale economiei naţionale”
Relaţiile de comportament sunt acele ecuaţii stochastice care
reflectă şi modelează un proces de luare a deciziei, care încearcă să descrie
răspunsul variabilei endogene Y, sub forma deciziei, la un set de valori ale
variabilelor exogene. De exemplu, într-un model macroeconomic, relaţiile
de comportament se referă la dependenţe privind consumul, investiţiile,
importul şi exportul, sistemul de preţuri, cererea monetară, etc.
Relaţiile tehnologice descriu atât imperativele de ordin tehnologic
privind producţia cât şi relaţiile tehnico-economice existente în producţie,
forţa de muncă şi fondurile de producţie ale unei unităţi, ale unei ramuri sau
1
2
Relaţia L(x**) = N(0;1) se citeşte: variabila x** (xi x) urmează legea de
x
probabilitate normală având media egală cu zero iar abaterea medie pătratică este egală
cu unu (legea normală, centrată şi redusă).
ale economiei naţionale. Aceste relaţii tehnologice sunt reprezentate de
cunoscutele funcţii de producţie de diferite tipuri.
Relaţiile instituţionale sunt folosite pentru a explica în mod
determinist sau stochastic fenomenele care sunt determinate fie de lege, fie
de tradiţie sau fie de obiceiuri. Din rândul acestora fac parte, de exemplu,
ecuaţiile care explică stabilirea impozitelor sau a cotizaţiilor în funcţie de
venit.
Tipologia modelelor econometrice este extrem de vastă. Totuşi, un
model econometric poate fi construit prin intermediul unei singure ecuaţii
de comportament, tehnologice sau instituţionale, sau cu ajutorul unui sistem
de ecuaţii de genul celor patru relaţii, menţionate mai sus, denumite modele
cu ecuaţii multiple.
Testele statistice3 sunt instrumente de lucru indispensabile
investigaţiei econometrice. Necesitatea utilizării acestora este determinată
de faptul că demersul econometric constă într-o înşiruire logică de ipoteze
privind semnificaţia variabilelor exogene, a calităţii estimaţiilor obţinute, a
gradului de performanţă a modelelor construite. Acceptarea sau
respiungerea ipotezelor formulate în econometrie se poate face cu ajutorul
mai multor teste, cele mai uzuale fiind: testul χ2, testul t, testul F etc.
Pe lângă aceste teste statistice, în practica curentă, în diverse
domenii, se foloseşte frecvent un test denumit „testul erorii”. În general,
aplicarea acestui test presupune compararea a două valori:
3
Vezi – ipoteză statistică, test, eroare de gradul 1 şi gradul 2, prag de semnificaţie, nivel de
semnificaţie – Dicţionar statistic-economic, D.C.S., Bucureşti, 1969.
Se construiesc cele două ipoteze:
H0: 0 ≈ T;
H1: 0≠ T.
valori, (0) şi (T), sunt echivalente, adică diferenţele dintre ele sunt
întâmplătoare şi nu sistematice;
este acceptată ipoteza H1 dacă E a e a sau Er e r cele două
4
Un astfel de test şi criteriu de decizie se utilizează în comerţul cu produse îmbuteliate sau
ambalate pentru care, de regulă, criteriul de decizie este de 5 % din volumul sau
greutatea, T, a ambalajului.
Necesitatea elaborării unor instrumente de investigare şi de sporire
a eficienţei metodelor de organizare, dirijare şi conducere a economiei, pe
de o parte, şi succesele metodelor statistico-matematice în alte domenii ale
ştiinţei – fizică, chimie, astronomie etc. – pe de altă parte, au determinat
adoptarea de către ştiinţele economice a acestor metode.
Econometria s-a format şi se dezvoltă nu în urma unui proces de
diversificare a ştiinţei economice, ci prin integrarea dintre teoria
economică, matematică şi statistică.
În cadrul aceastei triade, teorie economică - matematică – statistică,
locul central îl ocupă teoria economică. Deşi penetrarea ştiinţei economice
de către metodele statistico-matematice reprezintă un progres calitativ, nu
trebuie uitat faptul că fenomenele economice, pe lângă componenta lor
cuantificabilă, conţin aspecte care nu pot fi reprezentate prin cantitate.
Aceste particularităţi ale fenomenelor economice constituie, în general,
limitele econometriei în sistemul ştiinţelor economice.
De remarcat că raporturile econometriei cu ştiinţele economice nu
sunt numai de dependenţă.
Într-adevăr, un model econometric nu se poate elabora dacă nu s-a
constituit o teorie economică a obiectului cercetat. Similitudinea sa formală
cu obiectul economic investigat depinde de nivelul de abstractizare a teoriei,
de definirea univocă şi operaţională a noţiunilor şi categoriilor economice,
de scopurile urmărite de teoria economică - scopuri euristice sau de dirijare
privind obiectul studiat.
Modelul astfel construit reprezintă o verigă intermediară între teorie
şi realitate. El reprezintă o cale de confruntare a teoriei cu practica,
singurul mod de experimentare pe baza căruia ştiinţa economică îşi poate
fundamenta ipotezele, din moment ce obiectul său de cercetare poate fi
numai observat, nu şi izolat şi cercetat în laborator.
Prin această experimentare, mijlocită de modelul econometric,
ştiinţele economice validează, renunţă sau elaborează metode noi, îşi
confruntă problemele de semantică şi semiotică economică, îmbogăţindu-şi
în felul acesta sistemul de informaţii privind structura şi evoluţia obiectului
economic.
În prezent, tipologia metodelor econometrice utilizate de ştiinţele
economice este extrem de vastă. Folosirea din ce în ce mai amplă a acestor
modele la investigarea fenomenelor economice se datorează progreselor
însemnate făcute în domeniul metodelor de estimare a parametrilor
modelelor şi al testelor de verificare pe care se fundamentează acestea şi, nu
în ultimul rând, al utilizării calculatoarelor electronice care permit
rezolvarea operativă a celor mai complexe modele econometrice.
Particularizând legăturile econometriei cu unele dintre disciplinele
economice, este necesar să subliniem corespondenţa dintre modelarea
econometrică şi previziune. Previziunea macro sau microeconomică
reprezintă un domeniu care utilizează în mare măsură rezultatele simulării
şi, mai ales, ale predicţiei econometrice. Activitatea de previziune a
economiei este aceea care „oferă” o serie de elemente utile elaborării
modelului privind, îndeosebi, etapa de specificare a acestuia. În această
etapă, previziunea defineşte variabilele endogene (rezultative) şi pachetul
variabilelor exogene corespunzătoare obiectivelor urmărite în funcţie de
informaţiile statistice existente. Econometria, la rândul ei, contribuie la
obţinerea variantelor economice, oferind informaţii cu privire la
comportamentul variabilelor endogene în diverse alternative de acţionare a
pârghiilor economice. În acest fel, previziunii economice i se oferă o
perspectivă în legătură cu ceea ce s-ar putea întâmpla în viitor, fie şi în linii
mari, în raport cu diferitele variante ale politicii economice care ar putea fi
aplicate.
Menţionăm, de asemenea, legătura econometriei cu sistemul
financiar-contabil, domeniu în care modelarea pătrunde tot mai mult – vezi
modelele ARCH. De asemenea, trebuie remarcat faptul că, la elaborarea
modelelor econometrice, se recomandă, cu o tot mai mare insistenţă,
introducerea relaţiilor financiar-bancare, ca fiind deosebit de semnificative
pentru descrierea mecanismelor economice.
Domeniul cooperării economice internaţionale, ca, de altfel, şi cel
privind comerţul interior, domeniu în care previziunile sunt greu de realizat,
altfel decât cu ajutorul metodelor statistice, reprezintă, de asemenea,
sectoare ale economiei ce pot beneficia de rezultatele econometriei în ceea
ce priveşte planificarea şi eficientizarea activităţilor desfăşurate. Este
totodată necesar să subliniem frecvenţa tot mai mare a aplicării metodelor
econometrice în lucrări din domeniul biologiei, medicinei, demografiei şi, în
special, în domeniul marketingului, managementului sau viitorologiei.
În concluzie, se poate reţine ideea că metoda econometriei este
metoda modelării sau metoda modelelor. Modelul econometric – expresie
formală, inductivă a unei legităţi economice – reprezintă un mijloc de
cunoaştere a unui obiect economic, iar modelarea econometrică este o
metodă care conduce la obţinerea de cunoştiinţe sau informaţii noi privind
starea, structura (conexiunile dintre elemente) şi evoluţia unui proces sau
sistem economic.
2 Principalele tipuri de modele
econometrice utilizate în economie
2.1
şi interdependenţelor dintre fenomenele economice
A
y
xa
unde:
x = venitul familiilor;
y = numărul familiilor al căror venit este mai mare sau egal cu venitul
x k ; y N x x k ;
A, a = parametrii funcţiei.
Faptul că o serie din aceste formulări au fost criticate, reformulate
sau dezvoltate de teoria economică interesează mai puţin în cazul de faţă.
Trebuie apreciată intenţia autorilor de a oferi descrieri riguroase, lipsite de
ambiguităţi, cu posibilităţi operaţionale privind explicarea, reglarea şi
dirijarea funcţionării mecanismelor economice.
Existenţa obiectivă a acestor legături (legi economice, relativ stabile
şi relativ repetabile) dintre fenomenele şi procesele ce formează un sistem
economic, reprezintă suportul teoretic pe care econometria îşi
fundamentează reflectarea formală a acestora. Aceste legături pot fi descrise
cu ajutorul metodelor statistico-matematice.
1
Legile lui Engel au fost formularizate
xc de Törnquist prin intermediul următoarelor modele:
xc
a) y a u ; b) y a u ; c) y ax u;
x
xb xb xb
unde: y = cheltuielile familiilor; x = venitul familiilor; a, b ,c = parametrii modelelor;
u = variabila aleatoare
În domeniul economic, deşi există o mare diversitate de modelele,
modelarea acestora la orice nivel – micro sau macroeconomic – se pot
interpreta cu ajutorul următoarei scheme:
X{ S
}Y
F igu r a 2.1.1
unde:
Y = (yi) - volumul ieşirilor din sistem, i 1, n ;
X = (xj) - factorii calitativi şi cantitativi care influenţează ieşirile yi,
j 1, m ;
S = structura sistemului prin intermediul căreia factorii xj determină
ieşirile yi.
Dacă ne referim la un proces de producţie, de exemplu, analiza
economică efectuată pe baza schemei de mai sus, evidenţiază faptul că
indicatorii de rezultate yi=Qi – volumul producţiei globale, marfă sau nete –
depind atât de volumul şi natura factorilor de producţie, respectiv volumul şi
calitatea obiectelor muncii (M), volumul şi nivelul tehnic al mijloacelor de
muncă (K), numărul, experienţa şi nivelul de instruire al forţei de muncă (L),
cât şi de modul lor de interacţiune în cadrul structurii tehnice, organizatorice
a procesului de producţie.
Cunoaşterea legităţii de variaţie în timp sau în spaţiu a unui indicator
de efect economic în funcţie de variaţia factorilor cuantificabili se poate face
folosind două modele de lucru:
a) Primul, cel mai frecvent utilizat şi în prezent, îl constituie modelul
determinist, care reflectă legătura funcţională dintre elementele de intrare şi
de ieşire ale sistemului – variabilele exogene şi variabilele endogene. Pe
baza definiţiilor formulate de teoria economică cu privire la elementele
obiectului respectiv, statistica economică, utilizând metode proprii, exprimă,
printr-un sistem de indicatori, elementele cuantificabile ale sistemului
economic. Pe baza parametrilor de performanţă ai sistemului (sau ai
indicatorilor de eficienţă a factorilor de producţie) se construiesc modele
econometrice deterministe între efecte şi eforturi, explicându-se variaţia
variabilelor factoriale şi a indicatorilor de performanţă sau de eficienţă ale
acestora.
Astfel, în cazul unui proces de producţie, se definesc:
Q
- consumul specific c
Q = cM (2.1.1)
M
Q
- productivitatea muncii w
Q = wL (2.1.2)
L
Q
- eficienţa fondurilor fixe e
Q = e K (2.1.3)
K
Pe baza modelelor deterministe (2.1.1), (2.1.2) şi (2.1.3), de
exemplu, prin operaţii simple, se pot obţine modele deterministe ce conţin
trei şi patru factori.
Astfel, pe baza relaţiilor (2.1.2) şi (2.1.3) se obţine:
wLeK
K
we
L
we
f
K reprezintă înzestrarea tehnică a muncii.
unde: f
L
Y = f(X) + U (2.1.8)
2.2
unde:
C = cheltuielile medii de consum pe o familie;
V = venitul mediu pe o familie.
c
dC a
: d 1
e
C V a bV
V
Acesta diferă şi el în raport cu parametrul b. Pentru un nivel al lui
"C" dat, ce depinde de mărimea venitului. Dacă a>0 şi b>0 atunci ce<1.
Deoarece, în practică, era de dorit să se dispună de o elasticitate
constantă a consumului sau a cererii în raport cu venitul familiei sau cu
preţul produsului, s-a recurs la modelul (2.2.2).
În acest caz, cei doi coeficienţi sunt egali - b = ce - şi constanţi
pentru un anumit element de consum, semnul şi mărimea lor oferind
informaţii necesare analizei economice a raportului cerere-ofertă în sensul
următor:
- dacă b<0 – cererea sau consumul produsului respectiv tinde să
dispară de pe piaţă sau din consumul populaţiei;
- dacă 0<b<1 – cererea sau consumul produsului tinde spre un
anumit prag de saturaţie;
- dacă b>1 – cererea sau consumul produsului nu sunt satisfăcute
sau nu admit un nivel de saturaţie.
2
Ne referim la grupe omogene de consumatori după mărimea veniturilor, pe categorii
socio-profesionale, pe medii de provenienţă etc.
nu respectă această condiţie reprezintă o simplă speculaţie matematică, fără
valoare teoretică sau practică pentru ştiinţa economică.
Clasificarea modelelor econometrice în cele două tipuri permite însă
discuţia problemei privind agregarea modelelor parţiale sau, invers, despre
semnificaţia modelului global în raport cu modelele parţiale.
Această problemă va fi abordată în mod concret, în cazul modelării
consumului populaţiei, deoarece se vor putea formula observaţii pertinente,
care rămân valabile pentru orice altă situaţie.
Fie modelul:
unde:
y = consumul:
x = venitul grupei i în anul t.
y
it i bi x ui
ai it i ti
i
a şi uit ut .
ai i
i
Y t a bi x ut
it
i
Modelul global al consumului populaţiei, construit în aceeaşi
perioadă de timp t, în funcţie de veniturile populaţiei este de forma:
Y t a bX t u
t
x it
Dacă termenul bi x it din relaţia (2.2.7) se înmulţeşte cu i
i x ,
it i
modelul agregat devine:
bi x it bi x it
Yt a i x
it u a i
X t u
t t
x it x
it i
ii
Comparând modelul agregat (2.2.9), rezultat prin însumarea
modelelor parţiale, cu modelul global (2.2.8) se deduce că:
bi x it
i
b
x
it i
adică parametrul b din modelul global – coeficientul de regresie al
consumului total în raport cu veniturile populaţiei – rezultă ca o medie
aritmetică a coeficienţilor parţiali de regresie, ponderaţi cu veniturile
consumatorilor din grupa i, xit.
O altă relaţie ce se poate deduce între coeficientul global al regresiei,
b, şi cei parţiali, bi, se referă la estimatorul acestuia, bˆ.
Din modelul (2.2.8), prin aplicarea M.C.M.M.P., estimatorul lui b
este egal cu:
Y t Y X t X
bˆ t
X 2
Xt
t
unde:
1
Y Y - nivelul mediu anual al consumului populaţiei în
t
n t
perioada t 1, n ;
1
X Xt
- nivelul mediu anual al venitului populaţiei.
n t
unde:
x x1 n - reprezintă media veniturilor grupei i de consumatori în
i it
n 1
tperioada t.
Yt
Y bi xit bi xi bi xit xi
i i i
⎡
bi x it x i X t X
⎢ ⎥⎦
⎤
bˆ i ⎣ t
X
2
Xt
t
x it xi X t X
Termenul t
qˆi
2
nu reprezintă altceva decât
XtX
t
bˆ
bi i
qˆi
adică coeficientul global de regresie este egal cu suma produselor dintre
coeficienţii parţiali de regresie ai consumului în funcţie de venit, pe grupe
omogene de consumatori şi coeficienţii de regresie ai acestor venituri în
funcţie de veniturile populaţiei.
Rezultatele obţinute mai sus se pot generaliza uşor, ele rămânând
valabile în orice situaţie în care se discută raportul dintre un model parţial şi
modelul global al unei variabile rezultative y în funcţie de una sau mai multe
variabile factoriale x, între care există o relaţie de dependenţă liniară. În
cazul dependenţelor neliniare, după liniarizarea acestora, formulele de mai
sus vor căpăta particularităţi specifice.
În final, discuţia raportului modele parţiale-modele globale permite
formularea următoarelor concluzii:
- agregarea modelelor parţiale nu conduce la obţinerea modelului
global al variabilei respective;
- modelul global rezultă ca o medie a modelelor parţiale;
- în plan transversal, respectiv în profil teritorial, de exemplu, sau
ca explicaţie istorică a dependenţei dintre două sau mai multe fenomene
economice, modelul global se poate estima pe baza modelelor parţiale, dacă
se acceptă ca semnificativă valoarea coeficientului global de regresie- vezi
relaţia (2.2.10)3.
- în scopuri de prognoză, modelul global nu conduce la rezultate
semnificative decât dacă coeficientul global de regresie rămâne stabil.
Din relaţia (2.2.14) se deduce că această condiţie se realizează în
următoarele situaţii:
- bi = b i 1, m - coeficienţii parţiali de regresie sunt constanţi
şi egali cu coeficientul global de regeresie;
- qˆ constant în orizontul de prognoză, ceea ce presupune o
i
creştere proporţională între nivelul variabilei factoriale pe ansamblul
unităţilor statistice şi nivelul acestei variabile, centralizate pe grupele
colectivităţii.
y = f (x1t,…,xjt,…,xkt) + ut ; t 1, n, j 1, k
3
Coeficientul global de regresie, fiind media aritmetică ponderată a coeficienţilor parţiali bi
-relaţia (2.2.10) – se pune problema reprezentativităţii acestuia.
influenţa preferinţelor sau gusturilor populaţiei asupra consumului sau
influenţa progresului tehnic în funcţiile de producţie.
- poate fi acceptată ipoteza unui efect inerţial în evoluţia
fenomenului y, ipoteză care, în domeniul fenomenelor economice, poate fi
acceptată datorită masei sociale care le generează şi de care beneficiază.
b) modele autoregresive – când în pachetul de variabile explicative
„xj” se introduce şi variabila explicată „y”, dar cu valori decalate:
yt-1, yt-2,…, yt-k, reprezentând un model autoregresiv de ordinul „k”:
y = f(xt,…,xt-1,…,xt-k) + ut ;
t 1, n, j 1, k , k
t
Exemple:
Kt = f(It,…,It-1,…,It-k) + ut (2.2.19)
unde:
Kt = fondurile fixe puse în funcţiune în perioada t;
It = investiţiile efectuate în perioada t-k,…, t.
Qt = f(It,…,It-1,…,It-k) + ut (2.2.20)
unde:
Qt = producţia medie la ha;
It = cantitatea de îngrăşăminte la ha.
unde:
Yi (i = 1,.., n) – variabile explicate sau endogene;
Xj (j = 1,.., m) – variabile explicative sau exogene.
P = f (C) + u (2.2.22)
P = f (O) + z (2.2.23)
P ln P
0 C,O 0 ln C, ln O
Figura 2.2.1. Dreaptă Figura 2.2.2. Scară logaritmică
Este cunoscut faptul că explicarea formării preţului de echilibru se
face pe baza unui grafic de forma:
P C1
O0
C0
E1
P1* O1
* E0
P0 *
P2
0 O0*=C0*O1*=C1* O2*=C2* C, O
Figura 2.2.3
P
cm b
C cmct
iar coeficientul de elasticitate este de forma:
ce P C
Pa 1 ce
bC 0,1
a
P C a bC ab abC
C
în acest caz existând o elasticitate rigidă.
În general, teoria economică utilizează cu predilecţie funcţia putere
pentru a explica formarea preţului de echilibru referitor la legea cererii:
P = a C b ln P = ln a + b ln C
Această funcţie prezintă proprietatea că, panta dreptei, respectiv
coeficientul marginal, este egal cu coeficientul de
ln P
elasticitate: cm ce b (2.2.34) rezultând coeficientul de
ln C
elasticitate a preţului în funcţie de cerere, atunci când legea cererii poate fi
descrisă cu ajutorul funcţiei putere sau a celei exponenţiale: P = e a + b ln C
(2.2.35).
Acest model raţional sau euristic poate fi utilizat ca model
operaţional, respectiv în vederea calculării preţului de echilibru, dacă pot fi
acceptate câteva ipoteze cum ar fi:
- se cunoaşte numărul cumpărătorilor şi cel al vânzătorilor;
- se cunosc opţiunile ferme ale acestora privind cantitatea cerută sau
oferită spre vânzare, precum şi preţul de cumpărare şi de vânzare, respectiv
preferinţele cumpărătorilor şi vânzătorilor au un caracter cert şi nu aleator.
Aceste ipoteze se verifică în general pe piaţa bursieră unde, de
regulă, preţul de echilibru al unei acţiuni sau produs (marfă) se calculează
cu ajutorul modelului econometric următor:
- să admitem că pentru ziua H se cunosc următoarele date referitoare
la preţul de cumpărare şi volumul cererii de acţiuni precum şi preţul de
vânzare şi volumul ofertei acestora.
Tabel 2.2.1
Oferta (buc) 1000 1500 1000 500 1200 2000 2000
Tabel 2.2.2
Cerere (buc) 2000 3000 2000 500 200 1300
Preţ (lei/buc) 1600 1700 1800 1725 1620 1750
Tabel 2.2.3
Oferta (buc) Preţul (lei/buc) Cererea (buc)
1.8
P = f(O)
1.75
P = f(C)
1.7
Linear (P = f(C))
1.65
Linear (P = f(O))
1.6
1.55
012345678910 P
Figura 2.2.4 Formarea preţului de echilibru
b
iar preţul de echilibru va fi:
P*
a b ba
a b
b
Un astfel de model operaţional se foloseşte la estimarea cursului
valutar (fixingul bancar) şi la estimarea preţurilor acţiunilor pe pieţele
de capital.
De asemenea, acesta poate fi adaptat şi la analiza cererii şi
ofertei oricărui bun sau serviciu de consum dacă ipotezele menţionate
mai sus pot fi acceptate.
3 Modelul unifactorial
y = f (x) + u (3.1.1)
unde:
y = (y 1 , y 2 , K , y n ) - variabila endogenă sau rezultativă;
x = (x 1 , x 2 , K , x n ) - variabila exogenă sau factorială sau cauzală;
y
y
a
a,b >0 b>0
a<0, b>0
b<0
a a>0, b<0
0
x 0 x
-a
y=a+bx+u y = a + b log x + u
y y
b>1
b=1
b>0
nivel de saturaţie
0 < b <1 a
b<0
b<0
0
x 0 x
y y
yM
b>0
0 x 0 b b x
2,3026c − 1 2,3026 c
b b
log y = a + x + u log y = a + x + c log x + u
y a<0
c>0
yM b>0
a, c > 0,
b<0
a, c < 0,
ym b>0
0 b x
−2 c
7. Parabola de gradul II
2
y = a + bx + cx + u
Modelul unifactorial
y a, c > 0,
b<0
yM
a, c < 0,
ym b>0
0 b x
−2 ,3026
e 2c
8. Parabola logaritmică y
= a + b log x + c(log x)2 + u
III
y
a II
Nivel de saturaţie II
aI
Nivel de I
saturaţie
0 C x
y
a > 0, b > 0
yM
a > 0, b < 0
0 b x
− 1 + 2 ,3026
e a
10. Funcţia lui Konius
y = x (a + b log x ) + u
y
(3) (1)
c Nivel de saturaţie (2) (1) y =
c
a+bx
+u
Tabelul 3.2.1
−
y −y
xt yt
ce = t −1 ⋅ t y
x y
t t−1
cmi = t −1
x −x i y x −x
t t −1 t −1 t t −1
x1 y1 -- --
x2 y2 y −y x y −y
2
2 1
= cm2 ce2 = 1
⋅
1
x2 − x1 y1 x2 − x1
M M M M
x y −y
n n yn n−1 x y −y
x −x = cmn cen = yn−1 ⋅ x n − x n−1
n n−1 n−1 n n−1
ymax
y1
S
0
L x
Figura 3.2.1
ln y
0 ln x
ln y
0 x
Y
e t = a b xt Yt = ln a + b ln xt
Modele econometrice
0 ln x
S j = ∫ f j x dx
x1
min S − S j
j Sj
1. y = a + bx
y y y
a, b≥ 0 a<0 a>0
b>0 b<0
a
a
x x x
a a
− b − b
Modele econometrice
Cm Cm
b<0
b>0
′b x
1. a) Cm = y x = b x b
În cazul în care b>0, la o creştere cu o unitate a lui x îi va corespunde
o creştere cu b unităţi a lui y. În cazul în care b>0, la o creştere cu o unitate a
lui x îi va corespunde o scădere cu b unităţi a lui y.
y
y
b
y a b
1. b) y = x = b + x
x x
a<0, b>0
a>0, b>0
y
y
lim y = b ;
x →∞
lim y = ∞ , pentru a> 0
x →0 x x
lim y = −∞ , pentru a< 0 b b
x →0
a>0, b<0
a<0, b<0
În cazul în care cauza este maximă, aceasta tinde spre infinit, efectul
mediu fiind egal cu b. Atunci când cauza tinde către zero, iar parametrul a
este pozitiv, efectul mediu (efectul pe fiecare unitate de cauză) va tinde să
fie maxim, spre infinit, iar dacă parametrul a este negativ, efectul mediu
tinde să fie minim, spre minus infinit.
Modelul unifactorial
Ce
′ x bx
1. c) ⋅
Ce = y x =
y a + bx
lim Ce = 0 ; lim Ce = 1
x →0 x →∞
b
2. y = a + x ; a, b>0
y lim y = +∞
x →0
x >0
lim y = a
a x →∞
x
b
y′=− <0 ⇒ y este
2
x
descrescător
Modele econometrice
b
2. a) Cm = −
2
x
Cm
x lim Cm = −∞ ; lim Cm = 0
x →0 x →∞
x >0
′
(-1) 2b
3
(Cm) x = (− b)⋅ (x 2 )2 ⋅ 2x =x ⇒
Cm e crescător pe (0, +∞)
Deci, la creşteri ale cauzei, efectul scade. Pentru valori mici ale
cauzei modificările efectului sunt foarte mari, tinzând spre infinit, iar pentru
valori foarte mari ale cauzei, modificările efectului, ca urmare a modificării
cauzei, tind spre zero. Cu cât valorile cauzei sunt mai mari, cu atât efectul
variază mai puţin la variaţiile cauzei.
a b
2. b) y = +
2
x x
y lim y = +∞ lim y = 0
x →0 x →∞
x >0
a b 1 ax+b
2 2
( y )x′ =− x2 − (x ) ⋅2x=− x2
x
⇒
Deoarece x>0, a, b>0 ( y )x′ < 0
x descrescător
⇒ y
În cazul în care cauza tinde spre infinit, efectul mediu, adică efectul
pe unitatea de cauză este zero. Atunci când cauza tinde către zero, efectul pe
fiecare unitate de cauză tinde spre infinit. Efectul mediu este descrescător,
deci, cu cât cauza este mai mare, efectul pe unitatea de cauză este mai mic.
Modelul unifactorial
′ x b
=−
2. c) Ce = y x ⋅ y ax + b
Ce
lim Ce = −1
x x →0
x >0
-1 lim Ce = 0
x →∞
−1 ab
(Ce)x′ = ( −b) ⋅ 2 ⋅a= 2 > 0⇒
(ax + b) (ax + b)
Ce este crescător
2
3. y = a + bx + cx , a, b şi c nu sunt toţi egali cu zero.
Graficul acestei funcţii depinde de parametrii a, b şi c. De exemplu,
pentru a>0, b<0, c>0 se obţine următorul grafic:
y b
′
y x = 2cx +b =0 ⇒x = − 2
c
′′
yx = 2c > 0 ⇒ x corespunde
x2
x1 b lui y minim
a −
2c b ∆
x min y − ;−
2c 4c
∆
−
4c
3. a) Cm = y x′ = 2cx + b
Modele econometrice
Cm
b>0
c>0
b<0
x
b
− 2c
3. b) y =
a + bx
2
+ cx
x
- pentru a, c>0:
lim y = +∞
x →∞
y
lim y = +a = +∞
x →0 0
x >0
cx 2 − a x ≥0 = a
⇒x
b + 2 ac ( y )x ′ = x 2 1,2 c
x
a (y)
a = 2 ac + b
c
c
Modelul unifactorial
a
x
0 + c +∞
------------- 0 + + + + + + +
(y)′x
y | +∞ b + 2 ac +∞
2
Ce x bx + 2cx
2
2 3.c) Ce = y ′ ⋅ y = a + bx + cx
lim Ce = 2
x →∞
0 lim Ce = 0
x x →0
b
4. y = ax , a>0 deoarece y trebuie să fie pozitiv, iar fucţia putere este
o funcţie pozitivă şi b≠1, deoarece altfel s-ar obţine o funcţie liniară.
b-1
4. a) Cm = abx ⇒ grafic similar cu cel al funcţiei iniţiale
y b −1
4. b) y = x = a ⋅ x ⇒ grafic similar cu cel al funcţiei iniţiale
x x
b −1
4. c) Ce = y ⋅ y = a ⋅b ⋅ x . a⋅xb = b
Modele econometrice
Ce
b>0
b
x
b<0
b
Dacă b este cuprins între zero şi unu, atunci cauza variază în acelaşi
sens cu efectul, dar coeficientul marginal fiind descrescător, înseamnă că
variaţiile efectului sunt din ce în ce mai mici. De asemenea, şi efectul pe
unitatea de cauză este cu atât mai mic cu cât cauza este mai mare. Totuşi,
dacă există o variaţie de un procent a cauzei, efectul va varia cu b procente,
indiferent de mărimea cauzei.
Dacă b este mai mic decât unu, atunci cauza variază în sens invers
efectului. Coeficientul marginal fiind descrescător, înseamnă că variaţiile
efectului sunt din ce în ce mai mici. De asemenea, şi efectul pe unitatea de
cauză este cu atât mai mic cu cât cauza este mai mare. Dacă există o variaţie
de un procent a cauzei, efectul va varia cu b procente, indiferent de mărimea
cauzei.
Dacă b este mai mare decât unu, atunci cauza variază în acelaşi sens
cu efectul. Coeficientul marginal fiind crescător, înseamnă că variaţiile
efectului sunt din ce în ce mai mari. De asemenea, şi efectul pe unitatea de
cauză este cu atât mai mare cu cât cauza este mai mare. Dacă există o
variaţie de un procent a cauzei, efectul va varia cu b procente, indiferent de
mărimea cauzei.
Prin compararea proprietăţilor indicatorilor teoretici ai funcţiilor de
regresie – variaţie continuă – cu indicatorii empirici – variaţie discretă – ai
celor două variabile, calculaţi pe baza seriei statistice –
ce x
−y y −y −x
cm i = y t t −1
; i =
t t −1 t
:
t −1
– se va putea alege acea
−x y x
xt t −1 t −1 t −1
y x −x
y 1 ⋅ x 2 − x 1 ≈ y 2 ⋅ x 3 − x 2 ≈ K ≈ n −1 ⋅ n n −1
ln yt = ln a +b ln xt + ln ut,
sau
* * *
y t = A + b xt + ut
unde: *
yt = ln yt;
*
xt = ln xt;
a+bx
2) Cazul modelului neliniar exponenţial – yt = e t ut
Prin logaritmare acesta devine:
* *
ln yt = a + b xt + ln ut yt = a + b xt + ut
c c a+bx c
=
yt = + a+bx t ⇒ − 1e t ⇒ ln − 1 = a + bx t ⇒
y y
1e t t
* ∗ c
y
yt = a + b xt, unde: t = ln −1
y
t
Tabelul 3.3.1
x y x 2 xy ˆ uˆ (uˆt )
2
t t t t t yˆ t = aˆ + bx t t = y t − yˆ t
x y x
2
x y
ˆ
yˆ 1 = aˆ + bx 1
ˆ =y1 − ˆ
u
1
y
1 (uˆ )
2
1 1 1 1 1 1
| | | | | | |
|| || || || || || ||
2
x y x x y ˆ ˆ =yn −ˆ 2
u
n n n n n yˆ n = aˆ + bx n | n yn (uˆn )
2
Σ xt Σ yt Σ xt2 Σ xt yt ∑ yˆ ∑uˆ = 0 ∑ (uˆ )
t t t
exemplu, în cazul modelului liniar -vezi relaţia (3.3.1) - vor trebui alese
două puncte. Fie acestea, M3(x3, y3) şi M8(x8, y8):
ˆ y3 x3 1 y3
=ˆ+
y3 a bx3 y8 x8 ˆ 1 y8
y ˆ
= aˆ + bx
⇒ aˆ = 1 x 3
; b= 1 x3
8 8 1 x8 1 x8
x x x4 x x = 1(x 2 + x 3 + x 4 + x 5 )
2 3
5 ⇒ 4 ;
1
y
5
1
y 1 = ( y 2 + y3 + y4 + y5)
y y y
2 3 4 4
Modele econometrice
1(x +x +x +x )
x 6 x 7 x8 x x2 = 6 7 8 9
9 ⇒ 4
y 2 =1 ( y6 + y7 + y8 + y9)
y
9
y y y
6 7 8 4
y 1 x1 1 y 1
ˆ ˆ
aˆ + b x1 = y 1 ⇒ aˆ = y 2 x2 ; b = 1 y 2
ˆ =y
aˆ + bx 1 x1 1 x 1
2 2 1 x
2 1 x 2
yt = a + bxt + ut
ˆ
yˆ t = aˆ + bx t
ˆ
uˆt = y t − yˆ t = y t − aˆ − bx t
unde:
yt, xt = valorile reale ale celor două fenomene economice existente în
seriile statistice ale acestora;
yˆ
t = valorile teoretice ale variabilei y, obţinute numai în funcţie de
valorile factorului esenţial xt şi de valorile estimatorilor
ˆ ˆ
parametrilor a şi b, respectiv a şi b ;
uˆt = estimaţiile valorilor variabile reziduale ut.
ˆ n
( )
F a,b
ˆ = min ∑ ( y t − ˆ yt)
2 = min ∑ n(y t −ˆ−ˆa bx t
2
)
(3.3.4)
t =1 t =1
Modelul unifactorial
adică a minimiza suma pătratelor distanţelor, faţă de axa OY, dintre valorile
reale, yt, şi valorile teoretice, yˆ t .
Condiţia de minim a funcţiei (3.3.4) rezultă din:
ˆ n
∂F (aˆ , b)
=0⇒ ∑2(yt −ˆ −
ˆ
− = 0⇒ ∑(yt − ˆ−
ˆbx ) =
0 (3.3.5)
a bxt )( 1) a
∂aˆ
t
t =1
ˆ n
∂F(aˆ,b) ˆ ˆ 2
− − =
= ⇒ − ˆ− = ⇒
ˆ 0 ∑ ( a bx t )( 0 ∑(y x
) 0 (3.3.6)
− ˆ
2 yt xt ) t t ax t bx t
∂b t=1
ˆ n n
naˆ +b⋅∑xt =∑yt
t =1 t =1 (3.3.7)
n
aˆ ⋅ ∑ x t + b ⋅ˆ∑ x t
2
=∑ y t xt
t =1
- estimaţia parametrului b
n ∑y t ∑y t xt − x* y
(3.3.9)
ˆ ∑xt ∑yt xt n ∑y t xt − ∑ y t ∑xt n
b= n ∑xt = n ∑x 2 − (∑x )2 = ∑x
2
t
2 2
∑xt ∑xt t t n −x
- dispersia variabilei x
2 ∑ (x t − x )2 (
∑ x t2 − 2x t x + x 2
) ∑ x t2 ∑xt 2
σ
= − 2x +x =
x = n = n n n
Modele econometrice
2 2
∑x ∑x
2
= n − x2
t t
= n − 2x + x 2
∑ y t x t − x* y
ˆ n
2
⇒b= σ
x
σ σ
cov(y , x ) x y
ˆ ˆ
r(y , x ) = r(x , y ) = σ x σ y ⇒ r(y , x ) = b ⋅ σ y ⇒b = r(y , x )⋅ σ x (3.3.11)
unde: σy, σx = abaterile medii pătratice ale variabilelor y şi x.
(
1) ∑ y t − ˆ − ˆ a bx t )
= ∑ut
ˆ =0⇒ M (ut )
ˆ = 0 – variabila aleatoare ut
t t
este de sumă nulă şi, evident, de medie zero;
Modelul unifactorial
ˆ
(
2) ∑ y t −ˆ − a bx t )
=∑ ( y t − ˆ yt)
= 0⇒ ∑ y t = ∑yt
ˆ – suma
t t t t
ˆ – dreapta de regresie, ˆ
3) aˆ = y − bx yˆ t = aˆ + bx t , trasată pe baza
M.C.M.M.P., trece prin punctul M (x , y ) – vezi figura 3.3.1; )
(x
t −x
∑ ( y t − y )(x t − x ) ∑ [( y t − y )(x t − x )]⋅
(x t − x )
t = =
)2 ]
ˆ
4) b = ∑ (x t − x )2 ∑ (x t − x )2
y −y
⋅ (x
[
t
∑ t −x)
2 ∑ bt (x t − x
t
x
t
−x
t ⇒ panta dreptei de regresie,
= =
∑ (x
2
∑ (x t − x ) t −x )2
t
ˆ
yˆt = aˆ + bxt , este o medie aritmetică a pantelor dreptelor ce pot fi trasate
y
prin punctele M (x , y ) şi M t (x t , y t ) , respectiv bt = t − y , ponderate
xt − x
2
cu pătratul abaterilor, (x t − x ) , variabilei factoriale x – vezi figura 3.3.1.
Modele econometrice
y − y
b = 2
y 2 x2 − x yˆ = a + bx
yn
y − y
b = 1
1 x1 − x
M
y
y
M2
2
y M
1
1
x1 x2 x xn x
0
Figura 3.3.1
b
b= 1 (x1 − x )2 + b2 ( x2 − x )2 + K + bn (xn − x )2
( x1 − x )2 + ( x2 − x )2 + K + ( xn − x )2
După estimarea parametrilor a şi b prinvalorile a ˆ se vor
ˆ
şi b
yˆ ˆ
putea calcula valorile teoretice ale fenomenului explicat y, t = aˆ + bx t , şi
apoi estimaţiile variabilei aleatoare u, prin uˆt = y t − yˆ t (vezi tabelul 3.3.1,
coloanele 5 şi 6).
1 Vezi teorema 2 şi 3.
Modele econometrice
n 2 n
ˆ 2
( )
F a,b
ˆˆ = min ∑ut
ˆ = min ∑ (y t − ˆ− a bx t )
t =1 t =1
Teorema 1
Dacă variabila reziduală ut este repartizată normal, având media
egală cu zero şi abaterea medie pătratică σu, atunci metoda verosimilităţii
maxime este echivalentă cu
metoda celor mai mici pătrate. y = a + bx + u , u este repartizată N(0, σu),
Demonstraţie
În cazul modelului liniar
ceea ce este echivalent cu y repartizată N(a+bx, σ).
Funcţia de verosimilitate a caracteristicii y este:
ˆ
ˆ = ⋅ ⋅ ⋅
..
(
L y t ; a,b ) f (y1 1 ) f (yˆ
− −ˆ −
2 ) . f (y n )
− 1
−ˆ−ˆ 2
(y (y )⇒
2
ˆ ˆ = 1 2σ 2
1 a bx1 ) ⋅ ⋅ 1 2σ 2 n a bx n
e e
(
L y t ; a,b ) 2πσ ... 2πσ
1 n −
1
2 ∑n ( y t − aˆ − bˆ x t )2
⇒ ˆ ˆ = ⋅ 2σ t=1
(
L yt;a ,b ) 2πσ e
Modele econometrice
t=1
n
1
Deoarece σ este constant, ln
= k = constant.
2πσ
n ˆ
n 2 n 2
max ln 1 − 1 − ˆ −ˆ + − 1 − ˆ− =
a,b
2 ∑(y t ) = max 2σ
2π σ 2σ a bxt
k a,b 2 ∑(y t
a bxt )
t=1 t=1
=k+ − ˆ ˆ
1 n −ˆ− 2 = + − 1 ˆ
min (y t a bxt ) k ( )
min F a,b
∑
2σ 2 a,b 2σ 2 a,b
t=1
Observaţie
Se ştie că estimatorii de verosimilitate maximă sunt estimatori
nedeplasaţi, consistenţi şi eficienţi, adică:
ˆ
- M ( aˆ ) = a, M ( b ) = b (estimatorii sunt nedeplasaţi);
p ˆ p
- aˆ→ a, b→ b (estimatorii sunt consistenţi);
- orice alt estimator pentru a şi b are dispersia mai mare decât ˆ
ˆ
Teorema 2
Dacă variabila reziduală este repartizată normal, având media egală
2
2 ˆ σ
u
cu zero şi dispersia σu = ct. , atunci b este repartizat N b , n 2
.
∑ (x t − x )
t =1
Demonstraţie
∑ y t (xt − x )− y ∑(xt − x )
n n
n n
ˆ
∑(y t − y )(x t − x )
t =1 t =1
(
∑ y t xt − x ) n
b=
= t =1 n
( − )2 =t =1n = ∑α t y
n
( − )2 t
∑xt x ∑xt x ∑ (x t − x )2 t =1
t =1 t =1 t =1
unde:
x
t −x
αt = n
∑ (x t −x )2
t =1
ut ~ N (0,σ u )⇒ y t ~ N (a + bx t ,σ u ), t = 1, … , n
ˆ
În concluzie, b fiind combinaţie liniară de variabile aleatoare
repartizate normal, este şi el repartizat normal.
ˆ n n n n
M ( b ) = ∑αt M ( y t ) = ∑αt ( a + bxt ) = ∑αt a + ∑bαt x t
t =1 t =1 t =1 t =1
2 ˆ n 2 2 (y 2 n 2
D ( b ) = ∑αt D t) =σu ∑αt
t =1 t =1
Se calculează:
n n
(xt − x) =0
∑α t = ∑ n
t =1
t =1 ∑ (xt − x ) 2
t =1
Modele econometrice
n n n n 2
− 2x
2
∑xt − x ∑xt ∑xt 2 ∑xt + nx
n
∑α x
t t
n
(
= ∑ x t − x xt =t =1
n
) n
t =1 = t =1
n
t =1 =1
t =1 t =1 ∑ x ( t − x )2 ∑(x t − x )2 ∑ (x t − x )2
t =1 t =1 t =1
n 2 n (x t −x ) 2 1
∑α t
=∑ 2 = n
t =1 t =1 n
∑
2 ∑(x t − x )2
(x t −x ) t =1
t =1
Deci:
= ˆ
M(b) b
2
2 ˆ σu
D (b)= n
∑ (x t −x )2
t =1
Teorema 3
Dacă variabila reziduală este repartizată normal, având media egală
2
cu zero şi dispersia σu = ct. , atunci aˆ este repartizat
2
N a, σ
2
⋅1 + x .
u n n
∑ x t−x) ( 2
t =1
Demonstraţie
n
∑yt
ˆ t =1 n n 1 n
aˆ = y − b x = n − x ∑α t y t = ∑n − xα t y t =∑ β t y t
t =1 t =1 t =1
unde:
1
β t = n − x αt , t =1,…., n
ut ~ N (0,σ u )⇒ y t ~ N (a + bx t ,σ u ), t = 1, … , n
Modelul unifactorial
n βt M ( y t n n βt a + n
M ( aˆ ) = ∑ ) = ∑ βt ( a + bx t ) = ∑ ∑bβt x t
t =1 t =1 t =1 t =1
2 2 2
n D (yt )=σu n 2
2
D ( aˆ ) = ∑ βt ∑ βt
t =1 t =1
Se calculează:
n
n n 1
∑ βt =∑
−xα
t t =1 n t
n n 1
∑ βtxt = ∑ −x
t
=
1 t=1 n
n 2 n 1 2
∑
β
− xα
t =∑ t =
t t =1 n
t =1
M ( aˆ ) = a
1
2
D 2
( aˆ ) = σ u +
n
n ∑
t =1
Teorema 4
Da este fixat, iar variabila reziduală este repartizată normal,
că
x0
1
repar
2
tizat Na + bx ,σ
0 u n
Modele econometrice
Demonstraţie
n
∑yt n
ˆ ˆ t =1
−
yˆ = aˆ + bx 0 = y + b (x 0 − x ) = + (x x )∑α y =
+ (x
n − x )α y
1
=∑
n 0 t =1 t t
0 tt n
t =1 n = ∑γ t y t
t =1
unde:
1
γ t = n + (x 0 − x )αt , t = 1, …, n
ut ~ N (0 ,σ u )⇒ y t ~ N (a + bx t ,σ u ), t = 1, … , n
Se calculează:
∑γ=∑1
n n
t 0
t =1 ∑γ
x t =1 n
=∑
1
+ (x − x )α x = x +
n n 0
t t
t =1 t =1 n
2
n 2 n 1
∑γ = ∑ +( x −x)α
t 0 t
t =1 t =1 n
t =1
Modelul unifactorial
Deci:
M ( yˆ ) = a + bx 0
1 (x 0
−x )2
D 2 ( yˆ ) = σ 2 +
n
u n
(x 2
∑ t −x)
t =1
Teorema 5
Dacă variabila reziduală este repartizată normal, având media egală
2
cu zero şi dispersia σu = ct. , atunci eroarea previziunii, uˆt = y t − yˆ t ,
2
2 1 (x t − x )
1 .
t = 1, .., n, este repartizată N 0,σu −n −n 2
∑ (x t −x)
t =1
Demonstraţie
ˆ
uˆt = y t − yˆ t = y t − aˆ − bx t
unde:
a ˆ
ˆ , b sunt repartizaţi normal
ut ~ N (0 ,σ u )⇒ y t ~ N (a + bx t ,σ u ), t = 1, … , n
În concluzie, uˆt fiind combinaţie liniară de variabile aleatoare
repartizate normal, este şi ea repartizată normal.
ˆ
ˆ= −ˆ= −ˆ+ =+−−= M( ut ) M( y t y t ) M( y t ) M( a bxt ) a bxt a bxt 0
D2(uˆt )= M(uˆt 2 )− M(uˆt )2 = M(uˆt 2 ) = M((yt − yˆt )2 )= M(yt2 )− 2M(yt yˆt )+ M(yˆt 2 )
M ( yt2 ) = D 2 ( yt ) + M ( yt ) 2 = σ u2 + (a + bxt ) 2
1 (xt−x)
2
+ (a +bxt )
2 2 2 2
M ( yˆ t ) = D ( yˆ t ) + M ( yˆ t ) = σu2 n+ n
− 2
∑( x t x)
t =1
Modele econometrice
ˆ ˆ ˆ
M(yt yˆt ) = M((a + bxt + ut )(aˆ + bxt )) = M ((a + bxt )((aˆ + bxt )) + M(ut (aˆ + bxt ))
2 ˆ
= (a + bxt ) + M(ut (aˆ + bxt ))
M ˆ ˆ ˆ ))
(u t
( aˆ + bx t )) = M ( u t (y−bx + bx t
ˆ n yk ⇒
b= ∑α k
k =1
ˆ + n α =
M ( ut ( a bx t
ˆ + )) = M u
t y
−x n
∑
αkyk xt ∑ k
y
k
k =1 k =1
n n
= M ( ut y ) − M ( x ∑α k y k ut ) + M ( x t ∑α k y k ut )
1
k =1 1 1
k =1
2 2
M(uy)= M(∑y u) = M(u )= σ
t n k =1 k t n t n u
n n n
n n
= ∑αk M ((a + bxk )ut ) + ∑αk M (ukut ) = ∑αk (a + bxk )M (ut ) + αt M (utut )
k =1 k =1 k =1
(x x) M ( ut ( aˆ + bx t )) = n σ u +
= t − σ2
∑(xt − x)2n
t =1
Deci:
ˆ 1 2
2
(xt −x)
n
2
∑( x t − x )
t =1
Modelul unifactorial
2
2 2 2 2
D ( uˆt ) = σ u + ( a + bx t ) + σ u (xt −x)
⋅1 +
2
+ ( a + bx t )
n n 2
∑( x t −x) −
t =1
2
−2σ
2 1 + (xt −x) − 2( a
2
2 1 (xt −x)
n
u n
∑( x t −x) + bx ) 2 =σ2 1 − −
t =1 t u n n −x) 2
∑( x t
t =1
Teorema 6
Dacă variabila reziduală este repartizată normal, având media egală
n ∧
cu zero şi dispersia σu = ct. , atunci
2 1 ∑ut 2
este un estimator
n − 2 t =1
2
nedeplasat pentru dispersia variabilei reziduale σu .
Demonstraţie
Trebuie demonstrat că:
1 n 2
M ∑uˆ 2 =σ
n − 2 t =1 t u
1 n 1 n 1 n
2
M ∑uˆ 2= ∑M ( uˆ 2) = ∑D ( uˆ ) =
n −2 t =1 t n −2 t =1 t n −2 t =1 t
n 2
2 ∑( xt − x )
1 n 1 ( xt − x ) 2 1 t =1
⋅σ
2 u = n −2 n −1− n 2
∑ 1−
= n −2 t =1 n− n −x)
∑( xt ∑( xt − x )
2 2
⋅σu =σu
Modele econometrice
Teorema 7
Dacă variabila reziduală este repartizată normal, având media egală cu
2
zero şi dispersia σu = ct. , atunci eroarea previziunii uˆ n +τ = y n +τ − yˆ n +τ ,
t =1
Demonstraţie
Se reia demonstraţia teoremei 5, unde t se înlocuieşte cu τ+n şi,
deoarece τ+n este mai mare ca n, pentru orice k = 1,.., n, M (uk un+τ ) = 0 ,
n
Deci M ( u n +τ ( a bx n +τ )) 0
x
− ) 2
2 2 2 2 1 ( n +τ x 2
D (uˆ
n +τ
)=σ
u
+ (a + bx n +τ ) +σ u 1+ n + n (x t 2
+ (a + bx n +τ ) −
∑ −x)
t =1
) 2
− 2(a + bx
2
) =σ
2
1+
1
+
(x n
+τ
−
x
n+τ u n 2
n ∑ (x t − x )
t =1
Demonstraţia pentru normalitate şi valoarea medie este identică cu
cea de la teorema 5.
Deoarece, cele patru ipoteze, I1, I2, I3 şi I4, au fost acceptate a priori
în etapa de estimare a parametrilor, în această etapă urmează ca ele să fie
testate, iar eventualele abateri de la cerinţele lor să fie corectate prin
utilizarea unor proceduri econometrice adecvate fiecărei abateri.
Modelul unifactorial
unde:
x −x
σ x = ∑( t n )2
y −y 2
σ y = ∑( t n )
uˆ uˆ
x x
u1 u2
n/2 2 n −k −1
2 ∑u1 /
su 2 (3.4.1)
F = 1 = t =1
c s 2 n n−k−1
u2 ∑ u 22 / 2
t = n +1
2
homoscedasticitate.
y t − y = y t − yˆ t + yˆ t − y
(yt −y )2 = ( y t − yˆ t + yˆ t −y )2
n n
− (3.4.3)
∑( y t y ) 2 = ∑[( yˆ t − y ) +( y t − yˆ t )]2
t =1 t =1
n n n n n
(3.4.4)
2 2 2
∑( yt − y ) = ∑[( yˆt − y )+(yt −yˆt ))] = ∑( yˆt − y ) + ∑(yt −yˆt )2 +2∑( yˆt −y )(yt −yˆt )
t =1 t =1 t =1 t =1 t =1
Dar yt = a + bxt + ut ;
⇒
ˆ y = aˆ ˆ
yˆ t = aˆ + bx t + bx
uˆt = y t − yˆ t
n
ˆ ˆ ˆ ˆ =
⇒ 2∑ (Yt − y )( yt − Yt ) = 2∑ (aˆ + bxt − aˆ − bx )uˆt
t =1
ˆ n 2n ˆ
= 2b ∑ ( xt − x ) ut n = b cov( ut , xt )
2 2
+σ
=σx uˆ + 2 b cov(u, x)
n ′ −1 n 2
′ ′ −1 (3.4.5)
VW (B) = (XX) ∑ut xt xt
n−k
(XX)
t1
unde:
n = numărul de observaţii;
k = numărul regresorilor;
ut = variabila reziduală.
Prin aplicarea acestei matrici, estimaţiile punctuale ale parametrilor
nu vor suferi modificări, ci doar abaterile standard corespunzătoare
parametrilor. Utilizarea acestei matrici va permite observarea mai rapidă a
prezenţei fenomenului de heteroscedasticitate a erorilor. Astfel, abaterile
standard vor putea fi mai mari sau mai mici comparativ cu cele obţinute în
cazul modelului iniţial, iar valorile mai mici înregistrate de testul Student, t,
vor semnaliza faptul că estimatorii parametrilor sunt nesemnificativi, deci
posibila prezenţă a erorilor heteroscedastice.
( n−c )/ 2 2 ( n − c)
*
su2 ∑ u
1
/
2
− (k + 1)
F = 2
1
=
t =1
n (3.4.6)
s
u2 ∑ 2 (n − c)
u2 / − (k + 1)
t=
( n−c ) +1
2
2
este acceptată.
unde:
ωt = variabila reziduală, ce verifică ipotezele
corespunzătoare M.C.M.M.P.
I. uˆt = a + bxt + ωt
2 2 2
În această situaţie heteroscedasticitatea este de tipul: σ ut = λ xt , caz
în care va fi aplicată regresia ponderată asupra datelor iniţiale, care vor fi
y a
împărţite la x , rezultând astfel un model de forma: t
= 1 + b + ut
i 1
xt xt xt
II. uˆt = a + b xt + ωt
2 2
În această situaţie heteroscedasticitatea este de tipul: σ ui = λ xt , caz
în care va fi aplicată regresia ponderată asupra datelor iniţiale, care vor fi
împărţite la xt , rezultând astfel un model de forma:
a u
yt = 1 + b x t + t .
1
xt xt xt
1
III. uˆt = a + b + ωt
xt
2 2 −2
=
În această situaţie heteroscedasticitatea este de tipul: σ ui λ xt .
1
IV. uˆt = a + b + ωt
xt
V. uˆt = a + bxt + ωt
σ
= β0 + β1 z1t + β2 z2t + K + βm zmt
ut (3.4.11)
Verificarea homoscedasticităţii dispersiei presupune verificarea
ipotezei nulităţii parametrilor corespunzători variabilelor factoriale, caz în
care σ 2 = β = ct.
ut 0
uˆ 2
construirea unei variabile de forma: θt = t şi regresarea σˆ 2
ut
unde:
ωt = variabila reziduală.
- calculul sumei pătratelor explicată de model, notată cu SSR, şi
SSR
calculul unei variabile H de forma: H = 2.
2
şi calcularea coeficientului de determinare, R , corespunzător acestei regresii
auxiliare;
- verificarea semnificaţiei parametrilor modelului nou construit, iar
dacă unul dintre aceştia este semnificativ diferit de zero, atunci ipoteza de
heteroscedasticitate a erorilor este acceptată.
Există două variante de aplicare a testului White:
- utilizarea testului Fisher-Snedecor clasic, bazat pe ipoteza
nulităţii parametrilor, respectiv: H0: α0 = α1 = α2 = 0 ;
Dacă ipoteza nulă, potrivit căreia rezultatele estimării sunt
nesemnificative ( Fc ≤ Fα ;v1 ;v2 ), este acceptată, atunci ipoteza de
homoscedasticitate se verifică, cazul contrar semnificând prezenţa
heteroscedasticităţii erorilor.
LM = n ⋅ R2 ~ χ α2 ;v (3.4.14)
ˆ
yˆ t = aˆ + bx t (3.4.16)
y = a + bx + u (3.4.17)
________________
(3.4.15) – (3.4.17) ⇒ y t − y = b (x t − x ) + ut (3.4.18)
=b +
y* = y t − y y* x * u t
Notând cu: t
x =x −x
⇒
t
yˆ =bx
t
* * ˆ *
t t t t
n n
ˆ = *
− ˆ * )2 = min ∑(y *
− bˆ x*t )2
F (b ) min ∑( y t yt t
t =1 t =1
ˆ * ˆ * *
σ 2 =λσ2
u2 2 u
……………. (3.4.19)
σ 2 =λσ2
unn u
unde:
λt este un coeficient de ponderare.
t =1 σu
Modele econometrice
ˆ n 1 ˆ 2
Conform relaţiei (3.4.19): min F (aˆ,b) = min ∑ ( yt − aˆ − bxt ) (3.4.20)
t =1 λt
În relaţia (3.4.20) cantităţileσ u2 şi λt sunt, în general, necunoscute.
S-a constatat însă că, în practică, abaterile standard, σ ut , sunt aproximativ
proporţionale cu valorile variabilei exogene x, adică:
σu = σu x1
1
σ
= σ u x2 u2
…………… (3.4.21)
=σ x
σ un u n
ˆ 1 n 1 ˆ 2
∑
minF(aˆ,b) = σu2 min t xt
2
(yt − aˆ −bxt ) (3.4.22)
2
n ˆ n 2
1 yt − aˆ −bxt 1 yt 1 ˆ
∑ 2
= min = min − aˆ −b
σ2 σ ∑x x
u t=1 xt u t=1 t t
yt 1 ut
yt = a + bxt + ut |: xt ⇒ = a xt + b + xt
xt
2 2
minF( aˆ,b) =min∑
ˆ
n u t =min∑
n y t
−aˆ 1 −b
ˆ
(3.4.23)
t=1xt t=1 xt xt
Modelul unifactorial
ˆ ˆ
1 ˆ 1 yt
x
F '(aˆ) = 0 aˆ∑ 2 + b∑ t =
∑ 2 (3.4.24)
⇒ xt xt
ˆ
F '(b) = 0 ⇒ 1 ˆ
y
a
ˆ
∑ + nb = ∑ xt t
xt
∑ 1 ∑ yt − ∑ 1 ∑ yt
2 2
ˆ xt xt xt xt
b = 2
1 1 (3.4.25)
n −
∑2 ∑
x x
⇒ t t
∑ yt 2 ∑ x1
xt ˆ t
aˆ = −b
1 1
∑x 2 ∑x 2
t t
uˆt
yˆ t
Figura 3.4.3
n n
∑uˆt uˆt −1 ∑uˆt uˆt −1
t =2
r= =t =2n (3.4.26)
n 1
1 −
2
∑ uˆt2 ∑uˆt −1
t =1 t =2
− 1, autocorelaţie strict
negativă r( 1) = 0, independenţă
+ 1, autocorelaţie strict pozitivă
n
∑ (uˆ t − uˆt −1 )2
t =2
d= n (3.4.27)
∑uˆt 2
t =1
0 < d < d1 d1 ≤ d ≤ d2 d2 < d< 4-d2 4-d2 ≤ d ≤ 4-d1 4-d1 < d <4
Autocorelare Indecizie Erorile sunt Indecizie Autocorelare
pozitivă ← independente → negativă
între două distribuţii limită, d1 şi d2, ale căror mărimi depind de pragul de
semnificaţie (α), de numărul de variabile exogene (k) şi de numărul de
valori observate (n, n ≥ 15).
Dezvoltând relaţia lui d, aceasta devine:
n n n
+ uˆ
∑uˆt 2 ∑ t −1 2 − 2∑uˆt uˆt −1
t =2 t =2 t =2
d= n
∑uˆt 2
t =1
n n n
d = 2 − 2 t =2 −
n1
∑uˆt2
t =1
∑uˆt 2
t =1
1 a reziduurilor ut.
(
⇒ d = 2 1 − r (1) ⇒ r (1) = 1 −
d ) (3.4.28)
2
⇒ d ∈[0,4]
Modelul unifactorial
cu semnificaţia:
u =r u +r u +K+r u +z
t 1 t −1 2 t −2 p t−p t (3.4.29)
unde:
zt = variabilă reziduală de medie zero şi dispersie constantă.
Ipoteza nulă care stă la baza testului este aceea potrivit căreia toţi
coeficienţii corespunzători valorilor decalate ale variabilei reziduale sunt
simultan egali cu zero, fapt ce implică non-existenţa fenomenului de
autocorelaţie a erorilor.
În vederea utilizării testului sunt estimate valorile variabilei
reziduale ut, obţinute în urma aplicării M.C.M.M.P. asupra modelului iniţial.
Variabila reziduală ut este regresată apoi în funcţie de variabilele exogene
iniţiale ale modelului şi de valorile sale decalate, respectiv ut-1, ut-2, …, ut-p.
În cazul acestei regresii este calculată valoarea coeficientului de determinare
2
R şi a unei variabile de forma:
2
BG = (n-p)·R (3.4.30)
unde:
zt este variabila aleatoare ce verifică ipotezele I2, I3 şi I4.
Ştiind că:
ˆ = −ˆ = −ˆ−ˆ
u (3.4.33)
y y y a bx
t −1 t −1 t −1 t −1 t −1
t=2
∑u u t t−1
r = −
(1) n1
∑ut2
t =1
unde:
( yt − r(1) yt −1 ) reprezintă diferenţele teoretice (ajustate) de ordinul întâi
ale variabilei endogene y, calculate pe baza funcţiei de
regresie (3.4.34).
ˆ * *
e) Procedeul Durbin
ˆ ˆ
( yt−1 − aˆ − bx t−1 ) + zt
=r
yt − aˆ − bxt (1)
P ( uˆt ≤ tα suˆ )= 1 − α
- yˆ t , iar pe axa Oy se vor trece valorile variabilei reziduale -ut . Dacă valorile
empirice ale variabilei reziduale se înscriu în banda ± tα ⋅ suˆ , cu un
anumit prag de semnificaţie α , ipoteza de normalitate a variabilei reziduale
poate fi acceptată cu acest prag de semnificaţie – vezi figura 3.4.4:
u
+tα ⋅su
0 yˆ
−tα ⋅su
Figura 3.4.4
unde:
n = numărul de observaţii;
1 ∑n ( y −y )3
t
(3.4.37)
S = n t =1
σ3
9cf. EViews, User Guide, Version 2.0, QMS Quantitative Micro Software, Irvine,
California, 1995, p. 140-141
Modelul unifactorial
1 ∑n ( y −
t y ) 4
n t =1
K= (3.4.38)
σ4
L( aˆ ) = N ( a,saˆ ˆ
) ; L( b ) = N ( b , s ˆ )
b
Modele econometrice
unde:
s 1 x
aˆ = su2 +
2
= abaterea medie pătratică a estimatorului aˆ ;
n 2
∑ (x t − x )
t
2
sˆ= su ˆ
= abaterea medie pătratică a estimatorului b ;
(x
b ∑t − x )2
t
∑( y t − yˆ t ) 2
2 2
su = 1 ∑( uˆt ) = t = dispersia variabilei reziduale (vezi
n−2 t n−2
teorema 6)
a=0
H0:
b=0
a≠0
H1 :
b≠0
ˆ
Testul adecvat acestui scop, aˆ şi b fiind variabile normale, este
ˆ
testul “t”. Prin centrarea şi normarea estimaţiilor aˆ şi b , în cazul ipotezei
H : L(aˆ )=N(0, s ˆ ˆ s ˆ ), se obţin valorile calculate:
) şi L(b )=N(0,
0 a b
aˆ − ˆ
t cal1 = 0 şi t 2 =b − 0 . Aceste valori calculate sau empirice se compară
s cal
aˆ sˆ
b
cu valoarea teoretică:
• tα = variabilă normală, dacă t = 1, n , n>30, preluată din tabela
distribuţiei normale, în funcţie de o valoare arbitrar aleasă a probabilităţii
Modelul unifactorial
= saˆ
1
tcal > tα ;v
aˆ
• dacă => se acceptă H => modelul a fost corect
ˆ 1
2 b
>t
α ;v
t
cal =
sˆ
b
aˆ
• dacă ˆ => se reţine modelul y = f(x) + u = bx + u şi
t
2 b
cal =
sˆ >t
α ;v
b
se continuă discuţia econometrică.
ˆ
În acelaşi timp, ştiind că aˆ şi b sunt repartizaţi normal, se poate
estima intervalul de încredere al parametrilor acestora:
ˆ− t ⋅ s ≤ ≤ˆ+t ⋅ s = = −α
P(a α ;v aˆ a a α ;v aˆ ) p 1
ˆ − tα ; v ⋅ s ˆ −α
P(b ˆ ≤ b ≤ b + tα ;v ⋅ s ˆ )= p = 1
b b
n n
∑(yt − y) 2 =∑[(y t
ˆ − + −ˆ
y) (yt y )] t
2
(3.4.3)
t=1 t=1
Modelul unifactorial
10
unde :
yt = valorile reale ale fenomenului y;
yˆ t = valorile teoretice ale fenomenului y;
ˆ
yˆ t = aˆ + bx t
=1 ˆ ˆ
=1 ˆ =1 ˆ + =ˆ +
y n ∑ y t n ∑ y t n ∑ (a bx t ) a bx
Prin ridicarea la pătrat a binomului din partea dreaptă a relaţiei
(3.4.3) rezultă:
n n n n
∑(yt − y ) 2
==∑(yˆt − y ) + ∑(yt − yˆt ) + 2∑(yˆt − y)(yt − yˆt ) 2 2
(3.4.4)
t=1 t=1 t=1 t=1
t =1
generată de către factorii nespecificaţi în model, aceşti factori fiind
consideraţi – în etapa de specificare – drept factori cu influenţă
întâmplătoare, neesenţiali pentru a explica variaţia fenomenului y;
10 Relaţia (3.4.3) rămâne valabilă în toate cazurile de modele liniare sau liniarizabile.
În cazul acestora din urmă, se va ţine cont de semnificaţia simbolurilor. De exemplu:
b
- modelul putere: yt = a xt ut => ln yt = ln a +b ln xt + ln ut,
*
În acest caz, semnificaţiile simbolurilor vor fi: y * = ln y ; yˆ = ln yˆ t ;
t t t
1 1ˆ *
y = n ∑ ln y t = n ∑ ln yˆ t ;u t = ln yt - lny t ; ln u ,=> y * =
a+bx
- modelul exponenţial yt = e t u t => ln y =a+bx + ln y ;
t t t t t
*
yˆ t = ln yˆ t ; y = media geometrică a termenilor.
Modele econometrice
n
ˆ ˆ ˆ ˆ
2∑( yˆt − y)( yt − yˆt ) = 2∑(aˆ + bxt − aˆ − bx)uˆt = 2b∑(xt − x) ut n = 2n b cov(ut , xt ) = 0
t=1
totală V0 =
2
∑( yt − y )2 n−1 - -
t=1
.
F F
cal≤ α,v1,v2
F >F
cal α,v1,v2
2 2 2
V 0 =V x +V u (3.4.39)
2
V 2 V 2 V V2
1= x
+ u
⇒100 = x
⋅100 + u
⋅100 (3.4.40)
2 2 2 2
V0 V0 V0 V0
V 2
2 = 2
x
2
2
V2 V
R = Ry /x = x = 1− u
V 02 V 02
0 ⇒ x şi y sunt independente
= 0,5
R
}⇒ corelatie puternică
1 ⇒ corelatie deterministă - y este corelat strict cu x
t=1
x σ
ˆ ∑( t − x )2 ˆ x
Ry x =b =b
y
∑( t − y )2 σy
ˆ
naˆ + b∑ xt = ∑ yt
∑t ˆ ∑ t ∑ tt 2
aˆ x+b x = yx
Modelul unifactorial
y y x
n ∑ t ∑ t t −x
x y x = n∑ yt xt − ∑( xt ∑) yt n
ˆ ∑ t ∑ t t ⋅y=
x x
b = n ∑ t
n∑ xt2 − ∑ xt 2
∑ t2 −x
x 2
∑ t ∑ xt2 n
x
∑( t
−
x
)2
∑ ( x t2
− 2xt
x
+
x
2 )
∑ xt2
x
∑ t
2
− 2x
+x
σx
=
=
=
=
n
n
n
n
∑ xt2
∑ xt2
2
2
=
− 2x
+x
=
−x
y x
∑ t t
−x
⋅y
ˆ
n
⇒b
=
σ
2
x
cov( y, x) =
∑( x t −
x
)(yt
−
y
)
=
∑( x t y t − x t
y
−
x
yt +
x
⋅
y
)
x y
∑ t t
x
∑ t
y
∑ t
n
=
−−y
−x
+x⋅y=
n
x y
∑ t t
x
∑ t
y
t
−y⋅x−x⋅
y+x⋅y
=
−x⋅y
n
⇒ b$ = cov( y , x)
σ 2x
cov( y, x) cov(y, x) σ x ˆ σx
r
y/x
=
σσ = σ2 ⋅σ y = b ⋅σ y = Ry x
x y x
sy
2
/x V 2 V2 R2 n−k−1
F = = x
: u
= ⋅
cal
2 2
su k n − k −1 1−R k
Modele econometrice
Astfel:
- dacă F = n − k − 1⋅ R 2 ≤ F ⇒R =0⇒
2
cal k 1−R α ;v 1 =k ;v 2 =n −k −1 y / x
2 2 2
discuţia econometrică a ecuaţiei analizei variaţiei – V 0 =V x +V u – vezi
relaţia (3.4.25).
Astfel,
b1 − b2
- dacă:t cal = 2 2 ≤ t α ⇒ se acceptă H0;
sb + sb
1 2
b1 − b2
- dacă: t cal = > t α ⇒ se acceptă H1.
s b 2 + s b2
1 2
ˆ − ⋅ ≤ ≤ˆ + ⋅ = = −α
s s
(
P y t tα yˆ t y t y t tα yˆ t p 1 )
(3.5.1)
De regulă, prognoza fenomenului y dacă se cunosc valorile variabilei
factoriale x pentru momentul (n+v) se realizează pe baza unui interval de
încredere, deoarece y este o variabilă aleatoare normală de medie yˆ n +v şi
ˆ − ⋅ ≤ ≤ˆ + ⋅ = = −α
t s y y t s
(
P y n +v α yˆ n +v n +v n +v α yˆ n +v ) p 1 (3.5.2)
unde:
y n +v = valoarea reală a variabilei y în momentul de prognoză ( n + v );
yˆn + v = estimaţia punctuală a valorii de prognoză pentru variabila y,
care se calculează cu ajutorul relaţiei:
= ˆ
ˆ ˆ +
y bx
n+v a n+v (3.5.3)
s yˆ n + v = abaterea medie pătratică a erorii de previziune, calculată cu
relaţia:
s yˆ = s
2
=
2
+
1
+
( xn + v − x )2 (3.5.4)
su⋅ 1
n+v yˆ n n
∑( xt − x )2
n+v
t=1
cu atât mai mică cu cât numărul de observaţii va fi mai mare, cu cât valorile
variabilelor în momentul de prognoză (n+v) vor fi mai apropiate de media
lor, cu cât dispersia variabilei exogene x va fi mai mare şi cu cât dispersia
2
variabilei reziduale ( su ) este mai mică, iar aceasta va fi cu atât mai mică
cu cât modelul econometric va explica o parte tot mai mare din variaţia
y t ⋅s
- eroarea absolută: e a = n +v − yˆ n +v = α yˆ n +v (3.5.5)
t α ⋅ s yˆ
e r (%) =
n +v
yˆ ⋅100 ≤ E (%) E(%) = 5, 10,...
n +v
1 n 2
∑( yˆt − yt )
T= n t =1 (3.5.7)
n n
1 ∑ yˆ 2 1 ∑ yt 2
t +
n t =1 n t =1
ale cărui valori sunt cuprinse în intervalul [0, 1].
• ponderea abaterii
(y
ˆ− y
2
) (y
ˆ− 2
y )
A
T = 1 n ∑( yˆ
t
2
− yt )
= σ 2u (3.5.8)
n t =1
unde:
yˆ = media valorilor teoretice ale variabilei endogene;
y = media valorilor reale ale variabilei endogene;
σu2 = dispersia variabilei reziduale necorectată cu numărul gradelor de
libertate.
σ 1 n ˆ −ˆ 2 − 1 n ( y t − y )2 2
( yˆ −σy ) 2
∑(y
n t =1
t yt ) ∑
n t =1
D
T = =
t t
1n 2 σ2
∑( yˆt − yt ) u (3.5.9)
n t =1
care este definită tot în intervalul [0, 1], aceasta măsurând evoluţia oscilantă
a celor două serii, respectiv seria ajustată şi seria empirică a variabilei
endogene. Acest indicator are aceeaşi semnificaţie ca şi cei precedenţi,
respectiv o valoare scăzută indică o capacitate bună de prognoză, în timp ce
o valoare apropiată de unu exprimă o eroare de specificare a modelului.
11 Demn de menţionat este faptul că, în cazul estimării parametrilor unui model statistic cu
ajutorul metodei celor mai mici pătrate, valoarea acestui indicator este egală cu zero, acesta fiind
discriminant numai în cazul utilizării altor procedee de estimare cum ar fi, de exemplu, metoda
grafică, metoda punctelor empirice sau metoda punctelor medii.
Modelul unifactorial
• ponderea covarianţei
σ
C
2(1 − r)σ yˆt yt
T = 1n 2
(3.5.10)
∑( yˆt − yt )
n
t =1
unde:
r = coeficientul de corelaţie liniară dintre valoarea estimată a variabilei
endogene, yˆt , şi cea reală, yt.
n
∑(
y
t
ˆ −ˆ )(y
y t
− y)
t =1 (3.5.11)
r=
nσ σ
yˆt yt
1n 2 2 2
ˆ − yt )
= ˆ− y) +σ −σ yt ) + 2(1 − σσ yt (3.5.12)
n ∑(yt ( y ( yˆt r
) yˆt
t =1
n
1, 2 2
- y0t = a + b x0t + u0t (t = n ); V u 0 =∑u0 t (3.5.13)
t=1
Modele econometrice
n1
2 2 (3.5.14)
- y1t = a1 + b1 xt + u1t (t = 1, n 1 ); V u 1 =∑u1 t
t=1
n
2 2 (3.5.15)
y2t = a2 + b2 xt + u2t (t = n1 +1,n ); V u = ∑
u2 t
2 t = n 1 +1
n
n 1 n
2 2 2
∑u t = ∑u 1t + ∑u 22t 2
⇔V u =V u2 +V u 1 2
(3.5.16)
t =1 t=1 t = n 1 +1
n = n 1 + n 2, n = numărul de observaţii.
2 2
Vu 0
−V u n − 2 ( k + 1)
- dacă F c = ⋅ ≤F α;v 1 ;v 2 (3.5.17)
V 2u k+1
Tabelul 3.5.1
Consumul final real al
PIB
gospodăriilor populaţiei
Anul (mild.lei preţuri comparabile)
(mild.lei preţuri comparabile)
(1990=100)
(1990=100)
0 1 2
1990 557,7 857,9
1991 467,4 746,8
1992 432,1 681
1993 435,9 691,3
1994 447,3 718,2
1995 505,3 769,3
1996 545,7 799,5
1997 525,7 750,7
1998 586,2 714,8
1999 579,8 706,1
2000 582,3 720,7
2001 610,7 761,7
2002 629,1 799,1
2003 673,7 838,3
Notă: Ambii indicatori sunt calculaţi conform metodologiei de calcul a Sistemului European al
Conturilor Economiei Integrate - SEC 1979. Consumul final al populaţiei a fost deflaţionat cu ajutorul
deflatorului consumului final al populaţiei exprimat în preţuri constante (1990 = 100), datele
provenind de la Ministerul Prognozei şi Dezvoltării, iar PIB-ul a fost deflaţionat cu ajutorul
deflatorului PIB exprimat în preţuri constante (1990 = 100), obţinut în urma prelucrării datelor din
Raportul Anual BNR.
Sursa: Date prelucrate pe baza Anuarului Statistic al României 2003, INS, Bucureşti, 2004-CD,
* *
Raportului Anual 2000, BNR, Bucureşti, 2001, p. 6 -7 , Raportului Anual 2002 BNR, Bucureşti,
* *
2003, p. 4 -5 , Comunicatului de Presă al INS nr.11/26.02.2004.
Se cere:
a) Să se construiască modelul econometric ce descrie legătura dintre
cele două variabile şi să se interpreteze semnificaţia parametrilor modelului;
Modele econometrice
Rezolvare:
y
670
650
630
610
590
570
550
530
510
490
470
450 x
430
670 685 700 715 730 745 760 775 790 805 820 835 850
Figura 2.3.1. Legătura dintre consumul final real al gospodăriilor populaţiei şi PIB-ul
real al României
yt = a + bxt + ut ; t = 1,14
14 14
ˆ
= min ∑( yt − ˆ = min ∑(yt − ˆ − ˆ 2
ˆ 2
( )
F a,b yt ) a bxt )
t =1 t =1
$
F ′( a$ ) = 0 ⇒ na$ + b ∑ xt = ∑ yt
$ $ 2= y x
F ′( b
ˆ+
)
= 0⇒ a$∑ xt + b∑ xt ∑ t t
ˆ=
Tabelul 3.5.2
2 uˆ 2
Nr. Anul xt yt x x t yt t −1 uˆ uˆt uˆt −1
crt. t t −1
0 1 2 3 4 5 6 7 8
1 1990 857,9 557,7 735992,41 478450,83 - - -
2 1991 746,8 467,4 557710,24 349054,32 -67,6095 4571.0382 4608,8583
3 1992 681 432,1 463761,00 294260,10 -68,1688 4646.9914 3430,1977
4 1993 691,3 435,9 477895,69 301337,67 -50,3191 2532.0160 2759,4477
5 1994 718,2 447,3 515811,24 321250,86 -54,8389 3007.3080 3573,7049
6 1995 769,3 505,3 591822,49 388727,29 -65,1673 4246.7772 3156,9084
7 1996 799,5 545,7 639200,25 436287,15 -48,4431 2346.7374 1571,3535
8 1997 750,7 525,7 563550,49 394642,99 -32,4371 1052.1637 422,3000
9 1998 714,8 586,2 510939,04 419015,76 -13,0191 169.4958 -995,6848
10 1999 706,1 579,8 498577,21 409396,78 76,4790 5849.0429 5897,0252
11 2000 720,7 582,3 519408,49 419663,61 77,1064 5945.4012 5228,8438
12 2001 761,7 610,7 580186,89 465170,19 67,8133 4598.6481 4278,7321
13 2002 799,1 629,1 638560,81 502713,81 63,0957 3981.0719 3235,9296
14 2003 838,3 673,7 702746,89 564762,71 51,2860 2630.2565 3293,7103
Total 10555,4 7578,9 7996163,14 5744734,07 - 45576,9481 40461,3270
Dependent Variable: Y
Method: Least Squares
Sample: 1990 2003
Included observations: 14
Std. t- Semnif.
Variable Coefficient Semnif. ind. Error Semnif. ind. Statistic ind. Prob.
s t ˆ
C -67,6561 aˆ 250,0188 aˆ -0,2706 aˆ 0,7913 p(a)
X 0,8077 ˆ 0,3308 sˆ 2,4416 tˆ 0,0311 ˆ ()
p b
b b b
pa , p (b )
valoare cât mai apropiată de zero a acestei probabilităţi va indica o
semnificaţie ridicată a parametrului respectiv, în caz contrar, aceasta
confirmând, împreună cu testul t, faptul că parametrul respectiv este
nesemnificativ.
Rc2 = coeficientul de deteminare corectat sau ajustat. Acesta este
utilizat în vederea evidenţierii numărului de variabile factoriale cuprinse în
model, precum şi a numărului de observaţii pe baza cărora au fost estimaţi
parametrii modelului. În cazul unui model multifactorial acesta va înregistra
Modele econometrice
n −1
Rc2 =1 − n − k ⋅(1 − R )
2
2
L= n1 + ln(2π )+ ln ∑uˆt
2 n
unde:
∑ uˆt2 = suma pătratelor erorilor;
k = numărul variabilelor exogene;
n = numărul de observaţii.
Acest indicator este utilizat în vederea elaborării unor teste statistice
destinate depistării variabilelor omise dintr-un model econometric, precum
şi a unor teste destinate depistării variabilelor redundante dintr-un model
econometric, ca, de exemplu, testul LR sau raportul verosimilităţilor
(Likelihood Ratio).
y = media variabilei dependente sau endogene, având următoarea
relaţie de calcul:
y
n
∑ t
y= t =1
n
Modelul unifactorial
∑n ( y t − y)2
s = t =1
y n −1
SC = − 2L + k ln n
n n
Şi în acest caz, este ales acel model econometric pentru care s-a
obţinut valoarea cea mai mică corespunzătoare acestui indicator.
p(F) = probabilitatea asociată statisticii F. O valoare cât mai
apropiată de zero a acestei probabilităţi va indica o semnificaţie ridicată a
rezultatelor estimării, respectiv a modelului.
Pe baza estimatorilor parametrilor au fost calculate valorile estimate
ale variabilei y, yˆt = −67,6561 + 0,8077xt şi ale variabilei reziduale, uˆt = yt
− yˆt . Valorile acestora sunt prezentate în cadrul tabelului 3.5.3 (utilizând
pachetul de programe EViews).
Modele econometrice
Tabelul 3.5.3
Actual Fitted Residual Residual Plot
yt yˆt uˆt = yt − yˆt (graficul reziduurilor)
unde:
k = numărul variabilelor exogene.
(vezi tabelul afişat de programul EViews)
- abaterea medie pătratică a variabilei reziduale, suˆ :
2 1 x 2
s = s +∑ = 250,0188
n
aˆ uˆ ( xt − x )2
Modelul unifactorial
s2
sˆ = ∑( xt −
uˆ
x
) = 0,3308
b 2
- raportul de corelaţie:
14 14 )
2
∑( yt − yˆt )2 ∑( yt − yˆt
2 t=1 = 1− t=1
R= R = 1− 14 2 sy2 ⋅ (n −1)
∑( yt − y)
t=1
- variabila Durbin-Watson, d:
14
∑(uˆ t − uˆt −1 )2
d= t =2 = 9784,7173 = 0,20
14
∑uˆt2 49701,4613
t =1
ut = r1ut −1 + r2ut −2 + K + rp ut − p + zt
unde:
zt = variabilă reziduală de medie zero şi dispersie constantă.
Ipoteza nulă care stă la baza testului este aceea potrivit căreia toţi
coeficienţii corespunzători valorilor decalate ale variabilei reziduale sunt
simultan egali cu zero, fapt ce implică non-existenţa fenomenului de
autocorelaţie a erorilor.
În vederea aplicării testului sunt estimate valorile variabilei reziduale
ut în urma aplicării M.C.M.M.P. asupra modelului iniţial. Variabila
Modelul unifactorial
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Variable Coefficient Std. Error t-Statistic Prob.
C 166,6378 146,9445 1,1340 0,2832
X -0,2158 0,1935 -1,1154 0,2908
RESID(-1) 1,0098 0,2999 3,3669 0,0072
RESID(-2) -0,0880 0,3298 -0,2667 0,7951
R-squared 0,7691 Mean dependent var -3,45E-14
Adjusted R-squared 0,6998 S.D. dependent var 61,8319
S.E. of regression 33,8769 Akaike info criterion 10,1183
Sum squared resid 11476,43 Schwarz criterion 10,3009
Log likelihood -66,8281 F-statistic 11,1025
Durbin-Watson stat 1,4994 Prob(F-statistic) 0,0016
Modele econometrice
unde:
p = numărul de variabile noi adăugate în model, respectiv ut-1, ut-2,…, ut-
p;
LM = n ⋅ R2 ~ χ α2 ;v
u =r u +z
t ( 1) t −1 t (1)
se va estima valoarea coeficientului de autocorelaţie de ordinul 1:
14
uˆ uˆ
∑ t t −1
r
(1 )
= t =2 14
= 40461,327 = 0,89
∑uˆt2−1 45576,9481
t =2
- ştiind că:
yt = a + bxt + ut ⇒ ut = yt − a − bxt
y = a + bx + u ⇒ u = y − a − bx
t−1 t −1 t −1 t −1 t −1 t −1
Notând cu: y t* = yt − r( 1) yt −1
x t* = xt − r( 1) xt −1
a =a 1−r
1 ( ( 1) )
b1 = b
se obţine:
* * ˆ *
*
(2)
yt = a1 + b1 xt + zt ⇒ yˆt = aˆ1 + b1 xt
$ se aplică M.C.M.M.P.:
În vederea estimării parametrilor a$1 şi b1
14
ˆ ˆ = ,b1 )
* − ˆ − ˆ *
min ∑(yt
b x
2
1 t )
(
F a1 a1
t =2
$
F ′( a1 ) = 0 ⇒ ( n − 1)a$1 + b 1 ∑ xt* = ∑ yt*
* $ * 2 * *
= yx
F ′( b1 ) = 0 ⇒ a$1 ∑ xt + b1 ∑ xt ) ∑ t t (
În urma aplicării programului EViews, rezultatele estimării noului
modelului au fost următoarele:
*
Dependent Variable: yt
Method: Least Squares
Sample: 1991 2003
Included observations: 13
Variable Coefficient Std. Error t-Statistic Prob.
C 9,5845 15,4322 0,6211 0,5472
Tabelul 3.5.4
Actual Fitted Residual Residual Plot
* * zˆt = yt* − yˆt* (graficul reziduurilor)
yt yˆt
-27,7030 -1,0121 -26,6909 | * | . |
17,1616 22,4810 -5,3194 | . *| . |
52,2995 71,6530 -19,3535 | .* | . |
60,3260 84,3593 -24,0332 | * | . |
108,2056 103,8374 4,3682 | . |* . |
97,1156 92,9857 4,1299 | . |* . |
41,2501 38,8790 2,3711 | . * . |
119,5053 44,1907 75,3147 | . | . *|
59,3959 60,7715 -1,3755 | . * . |
67,5776 76,7461 -9,1686 | .*| . |
93,7582 96,8106 -3,0525 | .*| . |
86,9458 97,5276 -10,5818 | .*| . |
115,2111 101,8196 13,3914 | . |*. |
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Sample: 1991 2003
Included observations: 13
Variable Coefficient Std. Error t-Statistic Prob.
C 927,8680 1016,2720 0,9130 0,3827
*
xt 18,3437 32,0687 0,5720 0,5799
≥t
semnificaţie α = 0,05 ( t0,05;10 = 2,228 ), deci
α ;( n−1)−k −1
ipoteza de homoscedasticitate se verifică.
Estimatorii modelului sunt semnificativ diferiţi de zero dacă:
aˆ
t = 1
aˆ1
saˆ1
Modelul unifactorial
t = 9,5845 = 0,6211
15,4322
aˆ1
ˆ
b1 ≥ tα ;( n−1)−k −1
tˆ =
s
b1 ˆ
b1
t ˆ = 0,7156 = 4,3505
0,1645
b1
diferit de zero.
Raportul de corelaţie este semnificativ diferit de zero dacă se verifică
inegalitatea: Fc ≥ Fα ; v1 ;v2 , unde valoarea empirică a variabilei
Fisher-Snedecor este:
2
F = ((n −1)− 2) R = 11* 0,3319 = 5,9615
c 2
1− R 1 − 0,3319
Din tabela distribuţiei Fisher-Snedeckor, cu un prag de semnificaţie
de 5% şi în funcţie de numărul gradelor de libertate v 1 = k = 1 şi
v2 = (n −1)− k −1 = 11 se preia valoarea teoretică F0,05;1;11 = 4,84 . Se
constată că Fc = 5,9615 > F0,05;1;11 = 4,84 , deci pentru un prag de
semnificaţie de 5%, valoarea raportului de corelaţie este semnificativ
diferită de zero.
Modele
econometrice
d 0, 20
r(1 ) = 1 − 2 = 1 − 2 = 0,90
Dependent Variable: DY
Method: Least Squares
Sample(adjusted): 1991 2003
Included observations: 13 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C 10,1602 13,8505 0,7336 0,4786
DX 0,7083 0,1628 4,3506 0,0012
R-squared 0,6325 Mean dependent var 61,2087
Adjusted R-squared 0,5990 S.D. dependent var 41,9044
S.E. of regression 26,5346 Akaike info criterion 9,5354
Tabelul 3.5.5
Actual Fitted Residual Residual Plot
yt* yˆt* zˆt = yt* − yˆt* (graficul reziduurilor)
-35,2893 -8,5948 -26,6945 | * | . |
10,8036 15,7300 -4,9263 | . *| . |
46,4217 65,0361 -18,6144 | .* | . |
54,3965 77,5139 -23,1174 | * | . |
102,1210 96,5348 5,5862 | . |* . |
90,2420 85,3011 4,9410 | . |* . |
33,8270 31,4535 2,3735 | . * . |
112,3543 37,1813 75,1730 | . | . *|
51,4219 53,9395 -2,5176 | . * . |
59,6906 69,8356 -10,1449 | .*| . |
85,8372 89,5554 -3,7182 | .*| . |
78,6385 89,8700 -11,2314 | .*| . |
106,6535 93,7580 12,8955 | . |*. |
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Sample: 1991 2003
Included observations: 13
Variable Coefficient Std. Error t-Statistic Prob.
C 1108,2070 824,2150 1,3446 0,2085
diferit de zero.
Pentru a verifica semnificaţia raportului de corelaţie, din tabela
distribuţiei Fisher-Snedecor, cu un prag de semnificaţie de 5% şi în funcţie
de numărul gradelor de libertate v 1 = k = 1 şi v2 = (n −1)− k −1 = 11 se
preia valoarea teoretică F0,05;1;11 = 4,84 . Se constată că Fc = 18,9279 >
F0,05;1;11 = 4,84 , deci pentru un prag de semnificaţie de 5%, valoarea
raportului de corelaţie este semnificativ diferită de zero.
În concluzie, şi acest model, yˆt* = 10,1602 + 0,7083 xt* , poate fi
apreciat ca reprezentativ pentru descrierea dependenţei dintre consumul
final real al gospodăriilor populaţiei şi PIB-ul real.
c) Analiza capacităţii de prognoză a modelului privind dependenţa
dintre dintre consumul final real al gospodăriilor populaţiei şi PIB-ul real în
România în perioada 1981-2003 poate fi realizată pe baza indicatorilor
statistici propuşi de H. Theil.
Aceşti indicatori, adaptaţi modelui supus analizei, au fost calculaţi pe
baza următoarelor relaţii:
• coeficientul Theil
1 ∑n ( yˆ t
* − yt* )2
T= n t =1
n n
1 1
∑ yˆt + ∑ yt* 2
*2
n t =1 n t =1
• ponderea abaterii
2 2
* *
yˆ −y *
yˆ
*
−y
A
T = = 2
ˆ −
* σ
1 n * 2
z
y
∑( t yt )
n t =1
unde:
yˆ* = media valorilor teoretice ale variabilei endogene;
y* = media valorilor reale ale variabilei endogene;
σz2 = dispersia variabilei reziduale necorectată cu numărul gradelor de
libertate.
Interpretarea acestui indicator, care evidenţiază existenţa unor erori
sistematice, este aceea că, în cazul ideal∗, valoarea sa este egală cu zero,
aceasta tinzând către unu în cazul unor erori de estimare de-a lungul întregii
serii de timp.
• ponderea dispersiei
n 2 n 2 2
1 * * 1 * *
yˆ − yˆ − y −y
D
(σ *
yˆt
−σ *
y
t
)2 n
∑
t=1 t n ∑
t=1 t
2
T = = σz
*
1 n ˆ − * 2
∑ (yt yt )
n t =1
care este definită tot în intervalul [0, 1], aceasta măsurând evoluţia oscilantă
a celor două serii, respectiv seria ajustată şi seria empirică a variabilei
endogene. Acest indicator are aceeaşi semnificaţie ca şi cei precedenţi,
respectiv o valoare scăzută indică o capacitate bună de prognoză, în timp ce
o valoare apropiată de unu exprimă o eroare de specificare a modelului.
• ponderea covarianţei
C
2(1 − r)σ yˆt* σ yt*
T = *
1 n ˆ − * 2
n ∑( y t yt )
t =1
∗Demn de menţionat este faptul că, în cazul estimării parametrilor unui model statistic cu ajutorul
metodei celor mai mici pătrate, valoarea acestui indicator este egală cu zero, acesta fiind
discriminant numai în cazul utilizării altor procedee de estimare cum ar fi, de exemplu, metoda
grafică, metoda punctelor empirice sau metoda punctelor medii.
Modelul unifactorial
unde:
r = coeficientul de corelaţie liniară dintre valoarea estimată a variabilei
endogene, yˆt* , şi cea reală, yt* :
y
∑( t
t
)
(y
) +σ yˆ * −σ y*
+ 2(1 − σ *σ y *
r)
yˆ
n
t
t t t
t =1
Tabelul 3.5.6
Denumirea indicatorului Simbolul indicatorului Valoarea indicatorului
0 1 2
Coeficientul Theil T 0,1577
A
Ponderea abaterii T 0,0000
D
Ponderea dispersiei T 0,1140
C
Ponderea covarianţei T 0,8860
* ˆ *
yˆ 2004 = aˆ 1 b1 x2004 = 9,5845 + 0,7156 ⋅163,6272 = 126,676 mild.lei
+
preţuri comparabile
Pe baza ipotezei formulate la punctele precedente, consumul final
real al gospodăriilor populaţiei, y*, urmează o distribuţie normală (sau
distribuţia Student, dacă n ≤ 30 ), de medie yˆ2004* şi de abatere medie
* = ˆ* ).
(y
* *
2 1 (x 2004 − x
* * 2
)
1 (163,6272− 82,3893) 2
= + +
−
s =
yˆ2004* sz 1+ *x * 2 708,4988⋅ 1+ 13 26186,7452
x
n′ ∑( t )
s *
= 30,6848
yˆ2004
ts y y ts
P y
2004 α yˆ
2004 1 2004 2004 α yˆ
2004
)
Pentru α = 0,05 şi v = n − k −1 = 11, din tabela distribuţiei Student se
preia valoarea variabilei tα ;v = t0,05;11 = 2,201.
Modelul unifactorial
Deci, cu un prag de semnificaţie de 0,05 sau cu o probabilitate egală
cu 0,95, valoarea estimată a consumului final real al gospodăriilor populaţiei
României în anul 2004 va fi cuprinsă în intervalul:
y = f (x j ) + u (4.1.1)
unde:
y = variabila endogenă, dependentă sau explicată;
x j = variabilele exogene, independente sau explicative;
j = 1, k , k = numărul variabilelor exogene;
u = variabila reziduală sau aleatoare sau eroare;
f (xj) = funcţia de regresie cu ajutorul căreia vor fi estimate
(aproximate) valorile variabilei y, determinate numai de influenţa factorilor
xj, consideraţi esenţiali, principali, hotărâtori, exceptând influenţa celorlalţi
factori ai fenomenului y, care sunt consideraţi factori neesenţiali,
nesemnificativi de explicare a apariţiei şi a evoluţiei în timp şi în spaţiu a
fenomenului y, aceştia find trataţi separat cu ajutorul variabilei reziduale u.
Modelul econometric (4.1.1) trebuie interpretat ca o expresie formală
a metodei econometrice de investigare a unui obiect economic:
a) modelarea consumului
C = f (V, P, N) + u (4.1.2)
unde:
C = consumul unui produs sau grupe de
produse; V = venitul pe familie;
P = preţul produsului sau indicele preţurilor grupei de
produse; N = numărul membrilor unei familii.
unde:
Q = volumul (valoarea producţiei);
K = capitalul;
L = forţa de muncă.
Modelul multifactorial
I p = f (I v, I cv, I m) + u (4.1.4)
unde:
p
I = indicele preţurilor;
v
I = indicele veniturilor (salariilor) consumatorilor;
cv
I = indicele cursului valutar;
m
I = indicele masei monetare.
unde:
t = 1, n , n = numărul termenilor seriilor statistice;
j = 1, k , k = numărul variabilelor exogene.
Modele econometrice
Y t = b 0 + b 1 x 1t + b 2 x 2t + …b k x kt (4.2.1)
b b bk
Y t = b0 ⋅ x 1 t1 ⋅ x 2 t2 ⋅K ⋅ x kt (4.2.2)
⇒lnY t = lnb0 + b1 lnx1t +b2 lnx 2t +K+ bk lnx kt (4.2.3)
b +b x +b x +K+b x
Yt =e 0 1 1t 2 2t k kt (4.2.4)
⇒ lnY t = b0 + b1x 1t + b2 x 2t + K + bk x kt (4.2.5)
Modelul multifactorial
sau
x x 2t x kt
Y t = b0 ⋅ b1 1t ⋅ b2 ⋅K ⋅ bk (4.2.6)
⇒lnYt =lnb0 +lnb1 ⋅ x1t +lnb2 ⋅ x2t +K+ lnbk ⋅ xkt (4.2.7)
⇒ lnY t = β0 + β1x 1t + β2 x 2t + K + β k x kt (4.2.8)
unde:
β0 = ln b0 ;
M
1,
β j = lnb j , j = k
De reţinut că, atât în etapa de specificare a modelului, cât şi în etapa
de identificare, soluţiile acceptate:
- xj – principalii factori de influenţă ai fenomenului y;
1,
( )
- Y t = f x jt = b0 + b1x 1t + b2 x 2t + K + b j x jt ; j = k ,t = 1, n
- relaţia de dependenţă;
- nu sunt altceva decât simple ipoteze de lucru.
Validarea sau infirmarea acestora va constitui, de altfel, principalul
obiectiv al etapei de verificare econometrică a modelului.
y t = b 0 x 0t + b 1 x 1t + b 2 x 2t + …+ b j x jt + …+ b k x kt + u t (4.3.1)
unde:
t = 1, n , n = numărul termenilor seriilor statistice;
j = 1, k , k = numărul variabilelor exogene,
Modele econometrice
y 1 = b 0 + b1 x 11 + b 2 x 12 +…+ bk x1k + u1
y =b
2 0 + b1 x 21 + b 2 x 22 +…+ bk x 2k + u 2 (4.3.2)
.........................................................................
Definind cu:
y
1
y 2
= 1,
Y = vectorul coloană al variabilei endogene (y t ) t n de
M
y
n
dimensiune (n, 1);
1 x 11KKKx 1 k
1 x 21KKKx 2 k
X = 1 x 31KKKx 3 k matricea variabilelor exogene
KKKKKKKK
1
x n 1KKKx n k
(xj) j = 0, k de dimensiune (n, k + 1);
b
0
b 1
b
n
dimensiune (k + 1, 1);
Modelul multifactorial
u
1
u2
U = u 3 vectorul coloană al variabilei aleatoare (u t ) t = 1, n de M
u
n
Y=X·B+U (4.3.3)
y 1 x 11KK x 1k
1
y 1 x 21KK x 2 k
2
= ⋅
KKKKKKK
M
1 x KK x
n n1 nk
( × 1) n × ( k + 1)(k
n
b u1
0
b 1 u2
+
M M (4.3.4)
b u
k n
+1)×1 (n × 1)
ˆ ˆ
Y =X ⋅B (4.3.5)
Reziduurile û t (estimaţiile variabilei aleatoare u) se definesc astfel:
ˆ ˆ ˆ
U =Y −Y =Y −X ⋅B (4.3.6)
unde:
ˆ
Y = valorile estimate (ajustate) ale variabilei Y.
Modele econometrice
$ $ $ $ ′
F (B ) = min ∑n ut2 = minU ′U = min(Y − Y )2 = min(Y − XB )2 = min( Y − XB ) ( Y − XB$) =
t −1
= ′ − $′ ′ + $
′ ′ $ (4.3.7)
min Y Y ( 2B (X Y) B (X X)B)
ˆ
care implică calculul derivatei funcţiei în raport cu estimatorul B şi
anularea acesteia:
∂F B ( $) = ⇒− ′ + ′ $= (4.3.8)
$ 0 2(X Y) 2(X X)B 0
∂B
⇒
′ $ = ′ (4.3.9)
(X X)B XY
ˆ
b
k
Modelul multifactorial
Se notează cu:
*
y =y −y
t t
*
x =x −x
1t 1t 1
*
x =x −x
2t 2t 2
ˆ ˆ ) ˆ * 2 ˆ * * * *
= ∑y t x 1t
(
∂F b ,b
1 2
(
ˆ
∂ ˆ 1ˆ 2
(4.3.18)
F(b ,b ) ) *
= ∑y t x 2t
*
( )
1 2 ˆ * * ˆ *
=0⇒b1∑x1t x2t +b2 ∑ x 2t
∂ b2
x − x
ˆ ∑( 1t x 1 )2 ˆ∑( 1t −x 1 )(x2t − x 2 ) = ∑(yt − y )(x1t − x 1 )
b
1 +b2
n n
n 2
ˆ ∑(x1t −x 1 )(x2t −x ) 2 ˆ ∑(x2t − x 2 ) ∑( yt − y )(x2t − x 2 )
b
1 +b2 =
n n n
ˆ ˆ
b1σ x cov( x1 , x2 ) = cov(y, x1 )
2
+ b2 (4.3.19)
b cov( x , x )+ b σ = cov(y, x )
ˆ 1 ˆ 2
x
1 1 2 2 2 2
ˆ =
b1
cov( y, x1 ) cov(x1 , x2 )
cov( y, x ) σ2
2 x2
,
σ 2
x
cov( x x 1 2
)
cov( x 1, 2 σ2
x x
1 2
Modelul multifactorial
ˆ=
b2
σ2 x
cov(y, x 1
)
,
cov( x 1x
1 2
) cov(y, x 2 )
,
σ2 x
cov( x x 1 2
)
cov( x 1, x )
2
σ2
1 x2
$ $ $
b 0 = y − b1x1 − b2 x2
Matricea varianţelor şi covarianţelor se defineşte astfel:
cov(y, x1 ) cov(y, x2 )
2
σy
V = cov( x , y) σ2 1
cov(x , x 2 ) x 1
cov( x , y) cov(x 1 , x ) σ2
2 2 1 x2
cov(y, x1 ) cov(y, x2 )
2
σy ...
cov( x , y) 1
σ2 x
cov(x , x 2 )1
...
, ...
V = cov( x 2 , y) cov(x 1 x ) σ2
2 1 x2 ...
... ... ...
...
, ,
cov( x , y) cov(x x ) cov(x x )
k k 1 k 2
unde:
n
(
∑ y *t
2
)
2 t =1
σy = este dispersia variabilei y;
n
n
(j
2 (
* 2
∑ x jt )
σ = t =1 este dispersia variabilei x jt
(4.3.20)
cov(y, xk )
cov(x1 , xk )
cov(x2 , xk ) (4.3.21)
...
2
σ
xk
= 1, n );
Modele econometrice
(
cov y , x j =
∑ ( y t − y ) x jt − x ) = ∑ y t x jt
) ( * *
n n
ˆ ˆ
Dispunând de matricea V, estimatorii b j = b y / x j se calculează cu
ajutorul relaţiei:
V
ˆ ˆ j +1 yx j
b V
y / x j = bj = (−1) yy , j = 1, k (4.3.22)
unde:
Vyx j = determinantul matricei varianţelor şi covarianţelor din care se
elimină linia y şi coloana x j ;
R = 1−
y/xj V ⋅1 (4.3.23)
V 2
σy yy
σ
- se înmulţeşte relaţia (4.3.15) cu σ y şi xj
+
σ y yt −y =bσ ( x1t − x 1 )+b σ (x2t −x 2 ) u (4.3.24)
σ
y
1 x σ
x
2 x σ
x
t
1 2
1 2
Modelul multifactorial
y** = y t −y
t
σy
x jt − x j
x**jt =
σ
xj
ˆ ** ˆ ** ˆ **
(4.3.26)
Y =b σ x +b σ x
t 1 x1 1t 2 x2 2t
ˆ n ** ˆ ** 2 n ** ˆ **
−b σ x
F (b j )= min ∑ (σ y y t −Y t ) = min ∑ (σ y y t 1 x1 1t
t =1 t =1
2
ˆ **
σ x
− b2 x2 2t )
∂
F (b
ˆ
)
j
ˆ =0
(
∂ bj )
ˆ
b σ
** 2 ˆ ∑ x ** x ** (** ** )
1 x1 ∑ (x 1t ) + b2 σx 2 1t 2t )= σ y ∑ (y t
x
1t
⇒
ˆ
t
** ** ˆ σx
t
**
2
t
**
) (4.3.27)
x x
b1σx 1 ∑ x 1t 2t + b2 2 ∑ (x 2t ) = σ y ∑ (y t **
2t
t t t
* *
Se ştie că: r = ∑y t x
*
tj = ∑ y t x *tj şi r= 1.
y xtj nσ *σ * 2 2 xj/xj
y xj * ) *
(
∑ yt ( )
∑ x tj
Modele econometrice
ˆ σ ˆ σ r = σ y ry x
b
1 x 2 x +b
x
ˆ σ 1rx r (4.3.28)
x
ˆ2 1 2
= σy yx 1
b 1 x x +b 2 x
σ
1 1 2 2 2
2 2 1
1 r r ... r ... r
yx1 yx2 yx j yxk
r r r
rx y 1 xx ... xx ... xx
R= 1 1 2 1j 1 k (4.3.30)
... ... ... ... ... ... ...
r r r ... r ... 1
xk y x k x1 xk x2 xk x j
$
Dispunând de această matrice estimatorii
$ = se calculează pe
b b
baza relaţiei următoare: y/xj j
Ryx σ
ˆ = ˆ = (− )j+1 j ⋅ y
(4.3.31)
by / x bj1
j Ryy σ x j
unde:
Ryx j = determinantul matricei R din care s-a eliminat linia y şi coloana
xj;
Ryy = determinantul matricei R din care s-a eliminat linia y şi coloana
y.
j +1 R
ry / x = (− 1) yx 1 (4.3.32)
1 /x2 R R
yy xx
12
j +1 R
ry / x = (− 1) yx 2 (4.3.33)
2 / x1 R R
yy xx
12
R
R (4.3.34)
y/xj =R
yy
unde:
yt = valorile empirice ale variabilei endogene Y;
ˆ
Yt = valorile teoretice ale variabilei endogene calculată pe baza
funcţiei
ˆ= ˆ ˆ=ˆ+ˆ + +ˆ
unde:
cij = elementul (j+1) situat pe diagonala principală a matricei inverse
(X’X)-1, j = 0, k .
ˆ ˆ ˆ ˆ (4.4.2)
M (Y ) =Y
t/Xj = b0 + b1x 1 + ... + bk x k
t
- dispersia condiţionată a variabilei Y (eroarea de estimare a acesteia) se
calculează cu ajutorul relaţiei:
2
sy = M ( y t −Y t )
ˆ 2 2
= su
' −1
[1+ X t (X' X ) X t (4.4.3) ]
t/xj
unde:
Modelul multifactorial
1
x
1t
xj
x2
x1
t
Figura 4.5.1
1
r
x1 y
R = r
y/xj x 2y
...
r
xk
y
r r ... r
yx 1 yx 2 yx k
r r
1 x1 x 2 ... x1 x k
r r
x 2 x1 1 ... x2xk (4.5.1)
... ... ... ...
r r
x k x1 xkx2 ... 1
Pe baza acestei matrice se fundamentează metoda regresiei pas cu
pas. Prima operaţie constă în depistarea fenomenului de coliniaritate dintre
variabilele exogene. Dacă în matricea coeficienţilor de corelaţie există două
variabile explicative al căror coeficient de corelaţie liniară indică o corelaţie
puternică, pozitivă sau negativă, se recomandă de la început renunţarea la
una dintre aceste variabile. Se va reţine acea variabilă pentru care există
prezumţia că nu este afectată de erori, renunţarea făcându-se din punct de
vedere statistic şi economic.
A doua operaţie constă în aplicarea metodei regresiei pas cu pas.
Aceasta poate fi folosită în două maniere: ascendent şi descendent.
Metoda regresiei pas cu pas ascendentă porneşte de la analiza
coeficienţilor de corelaţie ryx j . Condiţia ca prima variabilă să fie introdusă
în model este dată de relaţia:
:
max r ⇒ M yˆ = aˆ + aˆx (4.5.2)
j yxj 1 1 0 1 1
⇒ = +
Fie r = max r y a +ax u (4.5.3)
yx 1 j yx j 1 0 1 1 1
2,
Se calculează coeficienţii de corelaţie parţială ru x j , unde j = k .
1
Modelul multifactorial
y2 = a2 + a3 x1 + a4 x2 + u2 (4.5.4)
3,
Se calculează ru2 x j ( j = k ) şi se introduce în model variabila cea
mai puternic corelată cu u2 şi se continuă procedeul.
Toate aceste modele obţinute pe parcurs se testează cu ajutorul
testelor cunoscute, „t ” şi „F ”, urmărindu-se şi verificarea condiţiei :
2
R <R2 <...< R 2 (4.5.5), adică are loc o creştere
yx 1 y x 1x 2 y x 1x 2 ...x k
2
progresivă a coeficientului de determinare R .
y= 0+ a x 1+ 3x 3 + ... + a k x k + 2 2 (4.5.8)
; R
a a u
1 y x1,x 3,...,x k
Modele econometrice
0 0
M 0 : y t = y + u 0 ⇒ u 0 = y t − y , pentru care se calculează
2
variaţia explicată de variabila reziduală - V 0 =V u = ∑ y t − y
2
( 0
)2
0
M1
M
M
q
M
M
k
1 1 ˆ ˆ
: yt = b0 + b1x 1t + u1t ⇒Y t = b0
+b x
1 1t ⇒
ˆ1
2
(
V u = ∑ y t −Y t
1
)2
1
ˆq
: yt
q 2
( q
= b0 + ... + bq x qt + uqt ⇒ V u = ∑ y t −Y t )2 (4.5.11)
q
k 2 k k 2
ˆ
: y t = b0 + ... + bk x kt + u kt ⇒ V uk = ∑ y t −Y t( )
unde:
j = 0, 1, …q, …, k; k = numărul variabilelor exogene
Modelul multifactorial
t = 1, n , n = numărul observaţiilor.
R0 / 0 =1 − 2
=0
V0
V2
2
R =1− u1
1/ 0 V2
0
M 2 (4.5.12)
V
2 uq
R q/ 0 =1 − 2
V0
M
V2
2 uk
R
k/0 = 1− V 2
0
uq uq
V2 u
2 q
M q : R q = 1− V 2
0
2
V
u
M 2
q +1
q +1 : Rq +1 = 1 − 2 (4.5.14)
V0
Modele econometrice
n ˆ 2 n ˆ 2
∑ (Y t −y) ∑( y t −Y t )
R = t =1 = 1− t =1 (4.5.16)
y xj n n
(y −
(y −
∑ t y )2 ∑ t y )2
t =1 t =1
Ra= 1−
n−1
n−k
⋅ 1−R
2
( ) (4.5.17)
2 R
- M 2: y = f (x1 , x2 ) + u 2 ; Σ u 2 ; y x2
M
2
- M j: y = f (x1, …xj ) + u j ; Σ u j ; R y xj (4.5.18)
M
2
- M k: y = f (x1, …xk ) + u k ; Σ u k ; R y xk
Pe baza celor două relaţii, alegerea celui mai bun model econometric
se poate face pe baza următoarelor restricţii:
min u
2
j (j = 1,
- fie j ∑ k ) (4.5.20)
x
max R y j
- fie j
unde:
k = numărul variabilelor explicative (exogene).
Modele econometrice
rezultă că între cele două modele există diferenţe semnificative, iar cel mai
bun model va fi ales în conformitate cu restricţiile menţionate anterior.
modelului M k ;
n
2 2
-Vu q = ∑ u 2 t reprezintă suma pătratelor erorilor corespunzătoare
t=1
modelului M q ;
- t = 1, n , n = numărul observaţiilor;
- j = 0, 1, … ,q, …, k; k = numărul variabilelor exogene;
- v1= k – q , v2= n–k–1, v1 şi v2= numărul gradelor de libertate.
Modelul multifactorial
ˆ*
P[Yn+v − tα;v ⋅ s ˆ*
ˆ*
≤ yn+v ≤ Yn+v + tα;v ⋅ s ˆ*
]=1−α (4.6.1)
Y Y
n+v n+v
unde:
y n +v = valoarea reală a variabilei y în momentul de prognoză ( n + v );
ˆ∗
Y
n+v = estimaţia punctuală a valorii de prognoză pentru variabila y, care
se calculează cu ajutorul relaţiei:
∗
ˆ ˆ ˆ ˆ ˆ
Y + b ⋅x + b ⋅x ⋅x
=b0 n +v1 n +v ,1 2 n +v ,2 + K + b k n +v , k (4.6.2)
Sub formă matriceală, relaţia de mai sus devine:
ˆ* ˆ ′ −1 ′ ) (4.6.3)
Y =X
′ ′
n +v v B = X v (XX) (X Y
unde:
1
x
n +v , 1
X = x
v n +v , 2 = vectorul coloană a valorilor de prognoză ale
M
x
n +v , k
variabilelor x j pentru momentul ( n + v ).
Modele econometrice
s
ˆ∗
Y
= s
2
∗
ˆ
2
[ '
(
= s u ⋅ 1+ X v ⋅ X X
'
)−1⋅ X v ] (4.6.4) reprezintă
n +v Y n +v
mai apropiată de 1.
Tabelul
4.6.1
Nr. de familii (sute) 70 35 55 25 28 43 15 33 23 4 45 20 56
Supr. comercială (zeci
m2) 21 26 14 10 12 20 5 28 9 6 10 8 36
Cifra de afaceri (mil.
lei) 198 209 197 156 85 187 43 211 120 62 176 117 273
Modelul multifactorial
Se cere:
a) Pe baza datelor problemei, ţinând cont de semnificaţia economică
a fenomenelor observate, să se construiască modelele econometrice cu
ajutorul cărora poate fi studiată dependenţa dintre fenomenele respective;
b) Să se estimeze parametrii modelelor construite la punctul a);
c) Din cele trei modele utilizate pentru descrierea dependenţei cifrei
de afaceri de cei doi factori, să se aleagă cel mai bun model;
d) Să se estimeze cifra de afaceri pe care o poate obţine
întreprinzătorul dacă va cumpăra magazinul respectiv;
e) Ştiind că, pentru funcţionarea magazinului, cheltuielile lunare sunt
în jur de 200 mil.lei, estimaţi care este riscul ca întreprinzătorul să obţină un
profit mai mic sau egal cu 10%;
f) Să se arate şi alte modalităţi de rezolvare a modelului
multifactorial - pe baza matricei coeficienţilor de corelaţie şi a matricei
varianţelor şi covarianţelor.
Rezolvare :
a) Descrierea econometrică a legăturii dintre cele trei variabile, y -
cifra de afaceri. x1 - numărul de familii şi x2 - suprafaţa comercială, se poate
face cu ajutorul a trei modele:
1.1. Modelul unifactorial: y t = f (x1t ) + u1t explică variaţia cifrei de
afaceri pe seama numărului de familii;
1.2. Modelul unifactorial: y t = f (x2t ) + u2t explică variaţia cifrei de
afaceri pe seama suprafaţei comerciale;
1.3. Modelul multifactorial: y t = f (x1t , x2t ) + u3t explică variaţia
cifrei de afaceri pe seama ambilor factori.
Identificarea funcţiilor de regresie a primelor două modele se
realizează cu ajutorul reprezentării grafice a variabilei y în funcţie de
celelalte două variabile factoriale x1 , respectiv x2 .
Modele
econometrice
y
300
250
200
150
100
50
0
x
0 10 20 30 40 50 60 70 80 1
Figura 4.6.1
y
300
250
200
150
100
50
0 x2
0 5 10 15 20 25 30 35 40
Figura 4.6.2
1. y t = a1 + b1x1t + u1t
2. y t = a2 + b2 x2t + u2t
3. yt = a3 + b3 x1t + c3 x2t + u3t
Modelul multifactorial
Tabelul
4.6.2
x Y u
Nr. 1t yt t
1
= 56,9101 u1t = yt − Yt 1
1t −1 (u1t − u1t −1 )2 u12t
crt. + 2,8632x1t
0 1 2 3 4 5 6 7
1 70 198 257,3345 -59,3345 - - 3520,5821
2 35 209 157,1223 51,8777 -59,3345 12368,1567 2691,2980
3 55 197 214,3864 -17,3864 51,8777 4797,5187 302,2869
4 25 156 128,4902 27,5098 -17,3864 2015,6673 756,7882
5 28 85 137,0798 -52,0798 27,5098 6334,5074 2712,3093
6 43 187 180,0279 6,9721 -52,0798 3487,1278 48,6098
7 15 43 99,8582 -56,8582 6,9721 4074,2980 3232,8499
8 33 211 151,3959 59,6041 -56,8582 13563,4649 3552,6528
9 23 120 122,7638 -2,7638 59,6041 3889,7598 7,6386
10 4 62 68,3629 -6,3629 -2,7638 12,9534 40,4863
11 45 176 185,7543 -9,7543 -6,3629 11,5019 95,1471
12 20 117 114,1742 2,8258 -9,7543 158,2603 7,9852
13 56 273 217,2496 55,7504 2,8258 2801,0111 3108,1063
To 20076,740
t 452 2034 2034 0 - 53514,2273 5
Modele econometrice
SUMMARY OUTPUT
Regression Semnif.
Statistics ind.
Multiple R 0,7917 =R
R Square 0,6268 =R2
Adjusted R
Square 0,5928 = R c2
=s
Standard Error 42,7219 uˆ 1
Observations 13 =n
ANOVA
df SS MS F
33712,490 33712,490
Regression 1
Residual 11
=k 3 = ∑ Yt1 − y
=n−k−1 20076,7405 (
= ∑ yt
( − Yt 1
)2
)
3 = sy2/ x 18,4710 Fc
1825,1582 =s
uˆ 1 - -
2 2
53789,230
Total 12 =n−1 8 = ∑ (y t − y )2 - - - -
Coefficient Standard
Variable s t Stat
Error
termen 56,9101 ˆ 26,0181 s aˆ1 2,1873 t c
liber a1 aˆ1
t
x 2,8632 ˆ 0,6662 sˆ 4,2978 cˆ
1t b1 b1 b1
ˆ
aˆ b
1
t = 1 ≥t şi t = ≥t
c
aˆ α ;n− k −1 cˆ α ;n−k −1
s
aˆ sˆ
b
1 1
1 b1
Deoarece:
+u
Estimarea parametrilor modelului y t = a2 + b2 x2t 2t se va face pe
baza următoarei serii statistice, prezentate în Tabelul 4.6.3:
Tabelul 4.6.3
( −
x u
Nr. 2t yt
t
2
Y = 61,384 u2t = yt − Yt 2 t −1 u 2t
u 2t −1
)2 u 22 t
crt.
+ 6,0293x2t
0 1 2 3 4 5 6 7
1 21 198 187,9994 10,0006 - - 100,0111
2 26 209 218,1460 -9,1460 10,0006 366,5896 83,6489
3 14 197 145,7943 51,2057 -9,1460 3642,3240 2622,0232
4 10 156 121,6771 34,3229 51,2057 285,0282 1178,0627
5 12 85 133,7357 -48,7357 34,3229 6898,7330 2375,1678
-
6 20 187 181,9701 5,0299 48,7357 2890,7347 25,2995
7 5 43 91,5306 -48,5306 5,0299 2868,7178 2355,2146
-
8 28 211 230,2046 -19,2046 48,5306 860,0123 368,8161
-
9 9 120 115,6478 4,3522 19,2046 554,9233 18,9419
10 6 62 97,5599 -35,5599 4,3522 1592,9743 1264,5035
-
11 10 176 121,6771 54,3229 35,5599 8078,9136 2950,9794
12 8 117 109,6185 7,3815 54,3229 2203,4939 54,4870
13 36 273 278,4390 -5,4390 7,3815 164,3668 29,5831
13426,738
Total 205 2034 2034 0 - 30406,8116 7
SUMMARY OUTPUT
Regression Statistics Semnif. ind.
Multiple R 0,8662 =R
R Square 0,7504 =R2
Adjusted R Square 0,7277 = Rc2
=s
Standard Error 34,9373 uˆ2
Observations 13 =n
Modelul multifactorial
ANOVA
S
df S MS F
=
Regressio = 40362,492 40362,492 33,067
n 1
Residual 11
k=n−k−1
0 13426,7387 (
∑(Yt
= ∑ yt
2
− Yt 2 )
−y ) 2 0 = sy2/ x
1220,6126 =s
4
u ˆ2
Fc - -
2 2
=n− = ∑ (y
Total 12 1 53789,2308 t −y )2 - - - -
Coefficient Standard
Variable s Error t Stat
s c
termen 61,3840 ˆ 19,1642 aˆ 3,2031 t aˆ2
a2
liber 2
t
x2t 6,0293 ˆ 1,0485 sˆ 5,7504 c
b2 b2 ˆ
b 2
Deoarece:
t aˆ2 = 61,384 = 3,2031 > t0,05;11 = 2,2010
c = sa 19,1642ˆ2
aˆ2
ˆ
t b2 6,0293
cˆ
b2
= sˆ = 1,0485 = 5,7504 > t 0,05;11 = 2,2010
b2
$
rezultă că ambii estimatori, a$ 2 şi b2 , sunt semnificativ diferiţi de zero, cu
un prag de semnificaţie α = 0,05 .
Testul Fisher-Snedecor indică faptul că rezultatele obţinute sunt
semnificative. cu un prag de semnificaţie de 5%.
Fc = 33,0674 > F0,05;1;11 = 4,84 .
Se verifică, de asemenea, semnificaţia raportului de corelaţie:
2
F = (n − 2) R = 11* 0,7504 = 33,0674
c 2
1− R 1 − 0,7504
Se constată că Fc = 33,0674 > F0,05;1;11 = 4,84 , deci pentru un prag
de semnificaţie de 5%, valoarea raportului de corelaţie este semnificativ
diferită de zero.
Modele econometrice
= 30406,8116 =
d 2,26
13426,7387
ˆ ˆ ˆ =
13
(y −ˆ − ˆ −ˆ
2
(
F a3 ,b3 ,c 3 )
min ∑ t a3 bx
3 1t c 3x 2t )
t =1
ˆ
′
( )
F b3
(
= 0⇒ 2∑ y t − ˆ − ˆ
t
a3 bx
3 1t
−ˆ c 3x 2t )(
− x 1t ) = 0
′ˆ = ⇒ 2∑ (y −ˆ − ˆ −ˆ − =
F (c 3 )
0 t a3 bx
3 1t c x )(
3 2t
x 2t ) 0
t
După efectuarea calculelor rezultă următorul sistem de ecuaţii:
ˆ
naˆ3 + b 3 ∑ x 1t + cˆ3 ∑ x 2t = ∑ y t
ˆ 2
aˆ
3 ∑ x 1t + b 3 ∑ x 1 t + cˆ3 ∑ x 1t x 2t = ∑ x 1t y t
ˆ 2
aˆ
3 ∑ x 2t + b 3 ∑ x 1t x 2t + cˆ3 ∑ x 2 t = ∑ x 2t y t
Tabelul
4.6.4
Y 3 = 37,5023
x x x y x y x x 2 2
t
Nr. 1t 2t yt 1t t 2t t 1t 2t x x +1,4963x u 3t = y − Y 3
crt. 1t 2t 1t t t
+ 4,2446x2t
0 1 2 3 4 5 6 7 8 9 10
1 70 21 198 13860 4158 1470 4900 441 231,3796 -33,3796
2 35 26 209 7315 5434 910 1225 676 200,2326 8,7674
3 55 14 197 10835 2758 770 3025 196 179,2229 17,7771
4 25 10 156 3900 1560 250 625 100 117,3557 38,6443
5 28 12 85 2380 1020 336 784 144 130,3339 -45,3339
6 43 20 187 8041 3740 860 1849 400 186,7352 0,2648
7 15 5 43 645 215 75 225 25 81,1697 -38,1697
8 33 28 211 6963 5908 924 1089 784 205,7293 5,2707
9 23 9 120 2760 1080 207 529 81 110,1185 9,8815
10 4 6 62 248 372 24 16 36 68,9552 -6,9552
11 45 10 176 7920 1760 450 2025 100 147,2815 28,7185
12 20 8 117 2340 936 160 400 64 101,3851 15,6149
13 56 36 273 15288 9828 2016 3186 1296 274,1009 -1,1009
Total 452 205 2034 82495 38769 8452 19828 4343 2034 0
Modele econometrice
Estimarea parametrului a$ 3 :
y x x
∑ t ∑ ∑ 1t 2t 2034 452 205
x y
∑ 1t t ∑ x1 t ∑ x x
2
1t 2t 82495 19828 8452
x y x x
aˆ = ∑ 2t t ∑ ∑ x22t
1t 2t = 38769 8452 4343
x x 13 452 205
3
n ∑ 1t ∑ 2t
x x x
∑ 1t ∑ x1 t ∑ 2
1t 2t 452 19828 8452
x x x
∑ 2t ∑ ∑ x22t
1t 2t 205 8452 4343
aˆ3 = 37,5023
ˆ = 1,4963
În mod analog se obţin valorile celorlalţi doi parametrii: b3
şi cˆ3 = 4,2446 .
O cale mai rapidă de estimare a parametrilor se realizează utilizând
calculul matriceal, sistemul de ecuaţii de mai sus devenind:
$
(X ′X)B = (X ′Y)
Rezultă că:
a$ 3
$ =b $
= (X ′X) (X ′Y)
−1
B 3
c$3
Modelul multifactorial
1 70 21 198 uˆ
1
ˆ
1 35 26 209 u 2
uˆ
1 55 14 197 3
1 25 10 156 M
1 28 12 85 M
M
1 43 20 187
X = 115 5 Y = 43 U= M
M
1 33 28 211
1 23 9 120 M
M
1 4 6 62
1 45 10 176 M
1 20 8 117
M
1 56 36 273 uˆ13
Se calculează matricile:
13 452 205
(XX)=
′ 452 19828 8452
aˆ3 37,5023
ˆ −1 ˆ
B = ( X X ) (X Y ) = b3
′ ′ = 1,4963
cˆ 4,2446
3
(X ′X)−1;
Modelul multifactorial
2
0,40147 s
aˆ3
2 2
s ˆ = su ⋅ 0,00039 = s 2ˆ
ˆ
ˆ
b
(a3 ,b3 ,c3 ) 3 3
0,00146 s
2
cˆ3
∑( y t3 − y )2 ∑ (y t − Yt 3 )2
R= = 1− - raportul de corelaţie
y
∑( − y ) t 2 ∑( y t −y )2
n
∑ (uˆ 3t − uˆ3t −1 )
2
t =2
d = n - valoarea variabilei Durbin-Watson calculată
2
∑uˆ3t
t =1
în vederea testării ipotezei de independenţă a erorilor.
Verificarea semnificaţiei acesteia se face cu ajutorul tabelei Durbin-
Watson, din care se extrag valorile d1 = 0 ,95 şi d2 = 1,54 în funcţie de un
prag de semnifica-ţieα = 0,05, de numărul variabilelor exogene k = 2 şi de
numărul observaţiilor n = 13 (n = 15).
Rezolvarea modelului s-a realizat cu ajutorul programului EXCEL,
conducând la afişarea următoarelor rezultate:
SUMMARY OUTPUT
Regression
Statistics Semnif. ind.
Multiple R 0,9251 =R
R Square 0,8558 =R2
Adjusted R Square 0,8270 = Rc2
=s
Standard Error 27,85 uˆ3
Observations 13 =n
Modele econometrice
ANOVA
M
df SS S F
s t
x1t 1,4963 ˆ 0,5534 ˆ 2,7039 cˆ
b
3 b3 b3
t
s
x2t 4,2446 ˆ 1,0650 cˆ 3,9856 c
c3 3 cˆ3
Standar
Variable Mean value d
deviatio
n
σ
familii 34,769 x1 18,512 x
1
CA 156,462 y 66,951 σy
⋅100 din
rezultă că modelul econometric explică 85,58 % ∑( yt − y )
cele două variabile x1t şi x2 t nu sunt corelate liniar. Dacă acestea ar fi fost
corelate liniar (puternic) atunci unul dintre estimatori ar fi fost
nesemnificativ, ceea ce înseamnă că una dintre cele două variabile trebuie
eliminată din model.
$
Prin utilizarea unui model liniar multifactorial, cei doi estimatori b3
şi c$3 reprezintă coeficienţii de regresie (coeficienţii marginali sau
∂y , ∂y ), ceea ce înseamnă că la o modificare de ±100 a numărului de
∂x 1 ∂x 2
familii, cifra de afaceri a magazinului va suferi o modificare de ±1,4963 mil.
2
lei, iar dacă suprafaţa comercială se va modifica cu ±10m , cifra de afaceri
va suporta o modificare de ±4,2446 mil. lei.
Modele econometrice
c) Alegerea celui mai bun model econometric din cele trei modele
analizate se va face pe baza tabelului de mai jos, în raport cu modelul iniţial
(M0):
Tabelul
4.6.5
Coeficienţii de
performanţă
Simbolul Variaţia Coeficienţii
performanţă de parţială
modelului Structura modelului neexplicată de 2 V 2 2
V
(
Ml l = 0,3 ) model R
j/0 = 1 − Vu 2 R2 =1− u
j +1
V 2
0 j+1/ j
uj
2 2 2
V V
u0 = V0 2 u0
M
0 = + =1− 2
(l = 0) yt y u0 = ∑( yt − y)2 V0 -
= 53789,2308 R
0/0 =0
2
2 R =
yt = a1 + b1x1t + u1t 2 1 1/ 0
1
M1 Y = 56,9101 + 2,8632x
V =
∑ yt − Yt =1− 20076,7405 R2 = 0,6268
( l = 1) t 1t =u120076,7405 53789,2308 1/ 0
(26,0181) (0,6662) = 0,6268
2
yt = a2 + b2 x2t + u2t 2 2 2 R2 / 0 =
2 V = 2
M2 Y = 61,384 + 6,0293x u2 ∑ y − Y
t t 13426,7387 R = 0,3312
( l = 2) t 2t = 13426,7387 =1− 53789,2308 2 /1
(19,1642) (1,0485) = 0,7504
V2
R2 =1− u =
R2 3/1 2
2 = Vw
yt = a3 + b3x1t + c3x2t + u3t 2 3 3/ 0
775,2142 = 0,6137
∑
M3 V =
3 y − Y
Yt = 37,5023 + 1,4963x1t + 4,2446x2t u3 t t =1− 53789,2308 V2
(l = 3) (17,6461) (0,5534) (1,065)
= 7756,2142 2
R
u
= 0,8858 3/ 2 = 1 − 2 =
Vz
= 0,4223
2 2 2 2 2 2 2 2
V −V V −V −V +V V
xk xq uk V0 uk 0 uq : uk
Fc = : = k−q n−k−1
k−q n − k− 1
2 2 2
V −V V
uq uk uk
Fc = :
k −q n − k− 1
2
Vu − Vu2 Vu2
F= 2 3 : 3
c
2 − 1 13−2−1
F =13426,7387 − 7756,2142 : 7756,2142 = 7,3109
c
2−1 10
- preluarea din tabela distribuţiei Fisher-Snedecor a valorii teoretice
a variabilei F în funcţie de un prag de semnificaţie α şi de numărul gradelor
de libertate v 1 = k − q , v2 = n − k −1, respectiv pentru
α = 0,05; F0,05;1;10 = 4,96 .
Deoarece Fc = 7,3109 > F0,05;1;10 = 4,96 , prin introducerea variabilei
x1 în modelul M 3 creşte gradul de performanţă al acestui model în raport cu
modelul M 2 , în acelaşi timp influenţa acestei variabile asupra variabilei y
este semnificativă.
Modele
econometrice
Ca atare, modelul care explică cel mai bine variaţia cifrei de afaceri
este modelul M 3 :
Y 3 = 37,5023 + 1,4963x + 4,2446x ; R = 0,9251
t 1t 2t
c) Deoarece s-a constatat că modelul M 3 explică cel mai bine variaţia cifrei
de afaceri, acesta va fi utilizat în vederea estimării valorilor probabile ale
cifrei de afaceri pentru întreprinzătorul respectiv. În acest caz, dacă x 0 =
1, x1 = 64, x2 = 23, în medie, cifra de afaceri este egală
∗ $
Y = a$ x +b x + c$ x
n +v 3 n+ v, 0 3 n +v,1 3 n +v ,2
unde:
Yn∗+ v = estimaţia punctuală a valorii de prognoză pentru variabila y;
yn + v = valoarea reală a variabilei y în momentul de prognoză
( n + v ).
Sub formă matriceală, relaţia anterioară devine:
$
Yn∗+ v = X v′B = X v′ ( X ′X )−1 X ′Y
unde:
1
X = x - reprezintă matricea coloană a valorilor de prognoză ale
v xn+v,1
n+v,2
[
P Yn∗+v − tα sYn +v ≤ yn+v ≤ Yn∗+v + tα sYn +v = 1−α
∗ ∗ ]
P [231 − 2,228* 31,65 ≤ y n +v ≤ 231 + 2,228* 31,65]= 1 − 0,05 =
0,95 P[160 ≤ yn +v ≤ 301] = 0,95
220− Y(64;23)
P(Y ≤ 220) = P t ≤ = P(t ≤ −0,35) = P(t ≥ 0,35) = 0,3632
31,43
Modele econometrice
y = b0 + b1 x 1 + b2 x 2 (2)
Notăm cu:
y t∗ = yt − y
x∗ =x −x
1t 1t 1
cov( x y) cov(x2 x1 )
2
cov(yx2 )
cov(x x )
21 2
σ
x2 x2
Modelul multifactorial
unde:
13
∑ ( yt∗ )2
t =1
σ 2y =
n
) = ∑( y t = ∑ y t xtj
∗ ∗
−y x
(
cov y , x j
n n
x1 = 34,7692 ≈ 34,77
x2 = 15,7692 ≈ 15,77
y = 156,4615 ≈ 156,46
Tabelul
4.6.6
=
Nr. x* = x 1t − x 1 x* x 2t −x 2 y* =yt −y x* y * x* y* x * x*
1 2 1 2 1
t t t t t t 2t t 2t
crt.
0 1 2 3 4 5 6
1 35,23 5,23 41,54 1463,4542 217,2542 184,2529
2 0,23 10,23 52,54 12,0842 537,4842 2,3529
3 20,23 -1,77 40,54 820,1242 -71,7558 -35,8071
4 -9,77 -5,77 -0,46 4,4942 2,6542 56,3729
5 -6,77 -3,77 -71,46 483,7842 269,4042 25,5229
6 8,23 4,23 30,54 251,3442 129,1842 34,8129
7 -19,77 -10,77 -113,46 2243,1042 1221,9642 212,9229
8 -1,77 12,23 54,54 -96,5358 667,0242 -21,6471
9 -11,77 -6,77 -36,46 429,1342 246,8342 79,6829
10 -30,77 -9,77 -94,46 2906,5342 922,8742 300,6229
11 10,23 -5,77 19,54 199,8942 -112,7458 -59,0271
12 -14,77 -7,77 -39,46 582,8242 306,6042 114,7629
13 21,23 20,23 116,54 2474,1442 2357,6042 429,4829
1 1 1
11774384
= (σ = 92,53 cov( yx1 ) 6
σx
2
x x ) 2
2
= 9,619 ; =
13
= 905,72
2 2 2
Modele econometrice
ajutorul relaţiei:
V
ˆ ˆ j +1 yx j
b V
y / x j = bj = (−1) yy , j = 1, k
unde:
V
= determinantul matricei varianţelor şi covarianţelor din care
yx j
r
1
r 1
1 2
x2 y x2 x1
Modelul multifactorial
unde:
ry∗ x∗ =
∑ yt∗ xtj∗ = ∑ yt∗ xtj∗
nσ ∗ σ ∗ ∗
2
∑(y )∑
t
∗ 2
(xtj )
tj
y xj
1
0,791
R= 7
0,866
2
0,7917 0,8662
1 0,6198 , calculată cu ajutorul programului CBS.
0,6198 1
$ $
b
Cu ajutorul acestei matrici, estimatorii y/xj = bj se pot calcula
astfel:
R
ˆ ˆ j+1 yx j σy
x j = b j = (−
b R σ
y/ 1) yy xj
unde:
Ryx j = determinantul matricei R din care s-a eliminat linia y şi coloana
xj;
Ryy = determinantul matricei R din care s-a eliminat linia y şi coloana y.
0,7917 0,6198
66,95
ˆ 2 0,8662 1 1
= =
1,4965
b1 (−1) 1 0,6198 * 18,51
0,6198 1 2
0,7917 1
ˆ 3 0,8662 0,6198 66,951
=
* 4,2442
b2 = (−1) 0,6158 9,619
În mod analog, estimatorul $ se calculează din relaţia (2):
b0
ˆ=
b2 37,5034
Notă: Ca urmare a numeroaselor înmulţiri şi rotunjiri au apărut mici
abateri între valorile estimatorilor obţinuţi la punctul b) în comparaţie cu cele
obţinute la punctul f).