Capitol 4 Econometrie

Capitolul 4
4.1 Probleme rezolvate

4.1.1 Serii de timp cu două componente: trend liniar şi variabilă
reziduală
4.1.2 Serii de timp cu două componente: trend neliniar şi variabilă
reziduală
4.1.3 Serii de timp cu trei componente: trend, sezonalitate şi
variabilă reziduală
4.1.4 Metode de nivelare a seriilor de timp
4.1.4.1 Nivelarea seriilor de timp cu ajutorul metodei mediilor
mobile
4.1.4.2 Ajustarea seriilor de timp cu ajutorul metodei nivelării
exponenţiale
4.2 Probleme propuse spre rezolvare
Descrierea econometrică a seriilor de timp
4 Descrierea econometrică a seriilor

de timp
4.1 Probleme rezolvate
4.1.1 Serii de timp cu două componente: trend liniar şi variabilă

reziduală
Evoluţia înzestrării populaţiei cu aspiratoare de praf la 1000 de

locuitori în România în perioada 1990 - 2002 este prezentată în tabelul de
mai jos:
Tabelul 4.1.1.
Anul 1990 1991 1992 1993 1994 1995 1996
Nr. aspiratoare de praf
77,2 79,1 81,1 84,8 85,1 86,8 91,3
la 1000 locuitori
Anul 1997 1998 1999 2000 2001 2002

Nr. aspiratoare de praf
95,2 98,4 97,7 100,4 104,7 114,2
la 1000 locuitori
Se cere:
a) Să se justifice utilizarea unui model aditiv cu două componente
pentru descrierea evoluţiei fenomenului analizat;
b) Să se estimeze componentele modelului formulat la punctul
precedent şi să se verifice semnificaţia acestuia;
c) Să se estimeze valorile fenomenului pentru următorii 2 ani.
Econometrie. Studii de caz
Rezolvare:
a) În cazul seriilor cronologice sau a seriilor de timp, specificarea

modelului porneşte de la reprezentarea grafică a datelor, respectiv
construirea cronogramei (vezi figura 4.1.1).
110
100
buc/10 loc.
90
3
80
70
60
Ani
50
1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002
Figura 4.1.1. Evoluţia înzestrării populaţiei cu aspiratoare de praf la 1000 de locuitori

în România în perioada 1990-2002
Deoarece, în perioada analizată, evoluţia fenomenului prezintă o

creştere permanentă, fără oscilaţii semnificative, iar curba punctelor
empirice prezintă o formă ce poate fi aproximată cu o dreaptă, modelul ce
poate fi utilizat pentru aproximarea evoluţiei fenomenului este de forma:
yt = f (t ) + ut
unde:
- y t = valorile înregistrate de fenomen în perioada analizată (vezi
tabelul 4.1.1 - linia 2);
- f (t ) = componenta trend ce poate fi descrisă cu ajutorul unei funcţii
liniare:
yˆ t = f (t ) = aˆ + bˆ ⋅ t
- u t = variabila reziduală.
b) Modelul construit la punctul a) fiind yt = yˆ t + ut , rezolvarea

acestuia presupune estimarea celor două componente:
ŷt = estimaţia componentei trend;
uˆt = yt − yˆ t = estimaţia variabilei reziduale.
Estimarea componentei trend se realizează cu ajutorul metodei celor
mai mici pătrate, care constă în minimizarea funcţiei:
13 13
F (aˆ , bˆ) = min ∑ ( yt − yˆ t ) 2 = min ∑ ( yt − aˆ − bˆ ⋅ t ) 2
t =1 t =1
Condiţia de minim a acestei funcţii rezultă din:
⎧⎪ F ' (aˆ ) = 0 ⇒ n ⋅ aˆ + bˆ ⋅ ∑ t = ∑ yt
⎨
⎪⎩ F ' (bˆ) = 0 ⇒ aˆ ⋅ ∑ t + bˆ ⋅ ∑ t 2 = ∑ yt ⋅ t
În urma efectuării calculelor - vezi tabelul 4.1.2., coloanele 1, 2 şi 3,

a rezultat următorul sistem de ecuaţii:
⎧ 13aˆ + 91bˆ = 1196 ⎧aˆ = 72,7346

⎨ ⇒⎨ ˆ
ˆ
⎩91aˆ + 819b = 8872,9 ⎩ b = 2,7522
Tabelul 4.1.2
Anul
yt t2 yt ⋅ t
(t)
1 2 3 4
1 77,2 1 77,2
2 79,1 4 158,2
3 81,1 9 243,3
4 84,8 16 339,2
5 85,1 25 425,5
6 86,8 36 520,8
Anul
yt t2 yt ⋅ t
(t)
1 2 3 4
7 91,3 49 639,1
8 95,2 64 761,6
9 98,4 81 885,6
10 97,7 100 977
11 100,4 121 1104,4
12 104,7 144 1256,4
13 114,2 169 1484,6
91 1196 819 8872,9
Utilizând pachetul de programe EViews în vederea estimării

parametrilor modelului au fost obţinute următoarele rezultate:
Dependent Variable: yt
Method: Least Squares
Sample: 1990 2002
Included observations: 13
Semnif. Semnif. t- Semnif.
Variable Coefficient Std. Error Prob.
ind. ind. Statistic ind.
C 72,7346 â 1,386 saˆ 52,4785 t aˆ 0,000 p(aˆ)
t 2,7522 b̂ 0,1746 sbˆ 15,7612 tbˆ 0,000 ()

p bˆ
Mean dependent
R-squared 0,9576 R2 var
92,0000 y
Adjusted R-
0,9537 Rc2 S.D. dependent var 10,9530 sy
squared
S.E. of Akaike info
2,3557 suˆ 4,6922 AIC
regression criterion
Sum
∑ ( y t − yˆ t ) =
2
squared 61,0441 = uˆ 2 Schwarz criterion 4,7791 SC

∑ t
resid
Log
-28,4994 L F-statistic 248,4160 Fc
likelihood
Durbin-
1,2079 d Prob(F-statistic) 0,0000 p(F)
Watson stat
Semnificaţia indicatorilor necunoscuţi pe care-i calculează pachetul

de programe EViews a fost prezentată în cadrul aplicaţiei 2.1.2.
Pe baza estimatorilor parametrilor au fost calculate valorile estimate
ale variabilei y, yˆ t = 72,7346 + 2,7522 t , şi ale variabilei reziduale,
uˆt = yt − yˆt . Valorile acestora sunt prezentate în cadrul tabelului 4.1.3
(utilizând pachetul de programe EViews):
Tabelul 4.1.3
Actual Fitted Residual Residual Plot
yt ŷ t ut = yt − yˆt
ˆ (graficul reziduurilor)
77,2 75,4868 1,7132 | . | *. |

79,1 78,2390 0,8610 | . |* . |
81,1 80,9912 0,1088 | . * . |
84,8 83,7434 1,0566 | . |* . |
85,1 86,4956 -1,3956 | .* | . |
86,8 89,2478 -2,4478 | * | . |
91,3 92,0000 -0,7000 | . *| . |
95,2 94,7522 0,4478 | . |* . |
98,4 97,5044 0,8956 | . |* . |
97,7 100,2566 -2,5566 | * | . |
100,4 103,0088 -2,6088 | * | . |
104,7 105,7610 -1,0610 | . *| . |
114,2 108,5132 5,6868 | . | . *|
77,2 75,4868 1,7132 | . | *. |
În vederea testării semnificaţiei parametrilor şi a modelului se vor

calcula:
- dispersia variaţiei reziduale
su2ˆ = ∑u 2
t
T − k −1
unde:
T = numărul de termeni ai seriei; T = 13;
k = numărul variabilelor explicative; k = 1;
61,0441
su2ˆ = = 5,5495 ⇒ suˆ = 2,3557
13 − 2
- abaterile medii pătratice ale celor doi estimatori â şi b̂
⎡1 t2 ⎤ ⎛1 72 ⎞
saˆ = su2ˆ ⋅ ⎢ + 2⎥
= 5,5495 ⋅ ⎜
⎜ 13 182 ⎟⎟ = 1,386
+
⎢⎣ T ∑ (t − t ) ⎥⎦ ⎝ ⎠
su2ˆ 5,5495
sbˆ = = = 0,1746
∑ (t − t ) 2
182
Deoarece numărul de termeni ai seriei este mai mic de 30, testarea

estimatorilor se va face cu ajutorul testului “t” - Student. Din tabela
distribuţiei Student, pentru un prag de semnificaţie α = 0,01 şi în funcţie de
numărul gradelor de libertate v = n − k − 1 = 11 , se preia valoarea
t0,01;11 = 3,106 .
aˆ 72,7346
taˆ = = = 52,4784 > t0,01;11 = 3,106
saˆ 1,386
bˆ 2,7522
tbˆ = = = 15,7612 > t0, 01;11 = 3,106
sbˆ 0,1746
Deci, pentru un prag de semnificaţie de 1%, ambii estimatori sunt

semnificativ diferiţi de zero.
- valoarea raportului de corelaţie
R = 1− ∑u 2
t
= 1−
61,0441
= 0,9576 = 0,9786
∑(y t − y) 2
1439,62
Testarea semnificaţiei raportului de corelaţie se realizează cu

ajutorul testului Fisher - Snedecor:
T − k − 1 R2 11 0,9576
Fc = ⋅ = ⋅ = 248,416
k 1− R 2
1 0,0424
Din tabela distribuţiei Fisher - Snedecor, pentru un prag de

semnificaţie α = 0,01 şi în funcţie de numărul gradelor de libertate
v1 = k = 1 şi v2 = T − k − 1 = 11 , se preia valoarea F0,01;1;11 = 9,65 .
Deoarece Fc = 248,416 > F0, 01;1;11 = 9,65 , valoarea raportului de
corelaţie este semnificativ diferită de zero, pentru un prag de semnificaţie
α = 0,01 .
În vederea verificării independenţei valorilor variabilei reziduale se
va utiliza testul Durbin-Watson, care constă în calcularea valorii:
13
∑ (uˆ t − uˆt −1 ) 2
73,7325
d= t =2
13
= = 1,21
61,0441
∑ uˆ
t =1
2
t
Din tabela distribuţiei Durbin-Watson, pentru un prag de

semnificaţie α = 0,01 , în funcţie de numărul observaţiilor T = 13 şi de
numărul variabilelor exogene k = 1, se preiau valorile (pentru cazul
n = 15 ): d1 = 0,81; d 2 = 1,07 .
Deoarece d = 1,21 > d 2 = 1,07 şi d = 1,21 < 4 − d 2 = 2,79 , se poate
accepta ipoteza de independenţă a valorilor variabilei reziduale.
Verificarea ipotezei de homoscedasticitate a erorilor în cazul acestui
model se va realiza cu ajutorul testului White (vezi aplicaţia 2.1.2).
Utilizând programul EViews au fost obţinute următoarele rezultate:
White Heteroskedasticity Test:

F-statistic 5,3762 Probability 0,0260
Obs*R-squared 6,7357 Probability 0,0345
Test Equation:
Dependent Variable: u t2
Sample: 1990 2002
Variable Coefficient Std. Error t-Statistic Prob.
C 7,9641 6,4478 1,2352 0,2450
t -3,4209 2,1182 -1,6150 0,1374

2
t 0,3282 0,1472 2,2293 0,0499
R-squared 0,5181 Mean dependent var 4,6957
Adjusted R-squared 0,4218 S.D. dependent var 8,6629
S.E. of regression 6,5875 Akaike info criterion 6,8074
Sum squared resid 433,9527 Schwarz criterion 6,9378
Log likelihood -41,2481 F-statistic 5,3762
Durbin-Watson stat 2,0327 Prob(F-statistic) 0,0260
Analizând rezultatele afişate de programul EViews se constată că

Fc = 5,3762 < F0,01; 2;10 = 7,56 , iar estimatorii parametrilor modelului sunt
nesemnificativi pentru un prag de semnificaţie α = 0,01 ( t0,01;10 = 3,169 ),
deci ipoteza de homoscedasticitate se verifică.
Verificarea verosimilităţii modelului se realizează cu ajutorul
metodei analizei variaţiei, calculele fiind prezentate în tabelul următor:
Sursa de Nr. grade Dispersia Valoarea testului F

Măsura variaţiei
variaţie de libertate corectată Fc Fα ;v1 ;v2
Variaţia s 2
V2
explicată Vt = ( yˆ t − y )
∑
2
2
s = t
2
Fc = y2/ t
k =1
y/t
k su F0,01;1;11 = 9,65
de = 1378,5759
tendinţă
= 1378,5759 = 248,416
Vu2
Variaţia Vu = ∑ ( yt − yˆ t )
2 2
s =
2
T − k − 1 = 11 u
T − k −1 - -
reziduală = 61,0441 = 5,5495
Variaţia V0 =
2
( yt − y )
∑
2
T − 1 = 12 - - -
totală = 1439,62
Deoarece Fc = 248,416 > F0, 01;1;11 = 9,65 , modelul este acceptat, cu

un prag de semnificaţie α = 0,01 .
Din ecuaţia analizei variaţiei:

Vt 2 Vu2
V = Vt + V ⇒ 100 = 2 ⋅ 100 + 2 ⋅ 100 ⇒ 100 = 95,76 + 4,24
0
2 2
u
2
Vo V0
rezultă că modelul explică 95,76% din variaţia totală a numărului de
aspiratoare de praf la 1000 de locuitori.
În final, modelul econometric devine:
yˆt = 72,7346 + 2,7522 ⋅ t ; R = 0,9786
(1,386) (0,1746) d = 1,21
suˆ = 2,3557
c) Deoarece modelul a fost acceptat ca semnificativ, acesta poate fi
folosit la estimarea prognozei fenomenului analizat.
Analiza capacităţii de prognoză a modelului privind evoluţia
înzestrării populaţiei cu aspiratoare de praf la 1000 de locuitori în perioada
1990-2002 poate fi realizată pe baza indicatorilor statistici propuşi de H.
Theil (vezi aplicaţia 2.1.3).
În urma calculelor efectuate cu ajutorul pachetului de programe
EViews în vederea testării capacităţii de prognoză a modelului privind
evoluţia înzestrării populaţiei cu aspiratoare de praf la 1000 de locuitori în
perioada 1990-2002, au rezultat următoarele informaţii:
Rezultatele testării capacităţii de prognoză a modelului privind privind

evoluţia înzestrării populaţiei cu aspiratoare de praf la 1000 de locuitori
în România în perioada 1990-2002
Tabelul 4.1.4
Denumirea indicatorului Simbolul indicatorului Valoarea indicatorului
0 1 2
Coeficientul Theil T 0,0117
Ponderea abaterii TA 0,0000
Ponderea dispersiei TD 0,0108
Ponderea covarianţei TC 0,9892
În urma analizei rezultatelor obţinute se constată că modelul posedă

o bună capacitate de prognoză, ca urmare a valorilor mici înregistrate în
cazul coeficientului Theil, a ponderii abaterii şi a ponderii dispersiei şi, deci,
poate fi acceptat în vederea realizării unei prognoze a înzestrării populaţiei

cu aspiratoare de praf la 1000 de locuitori.
Astfel, nivelul previzionat al fenomenului va fi:
- în anul 2003:
yˆ14 = 72,7346 + 2,7522 ⋅ 14 = 111,3 aspiratoare de praf la 1000 loc.
Abaterea standard a nivelului previzionat al fenomenului va fi egală
cu:
⎛ 1 (t14 − t )2 ⎞ ⎛ 1 (14 − 7) ⎞
2
s yˆ ⎜
= s ⋅ 1+ +
2 ⎟ ⎜
= 5,5495⋅ ⎜1 + + ⎟ = 2,7332
⎜ T ∑ (t − t )2 ⎟
uˆ
13 182 ⎟
⎝ ⎠ ⎝ ⎠
14
Intervalul de încredere al prognozei fenomenului, estimat cu un prag

de semnificaţie α = 0,01 , pentru care valoarea lui tα , preluată din tabela
distribuţiei Student, este de t0,01;11 = 3,106 , se calculează cu ajutorul relaţiei:
( [
P y14 ∈ yˆ14 ± tα ; v ⋅ s yˆ
14
]) = 1 − 0,01 = 0,99
P ( y14 ∈ [111,3 ± 3,106 ⋅ 2,7332]) = 0,99
P ( y14 ∈ [102,8; 119,8]) = 0,99
- în anul 2004:
yˆ15 = 72,7346 + 2,7522 ⋅ 15 = 114 aspiratoare de praf la 1000 loc.
⎛ 1 (t15 − t )2 ⎞ ⎛ 1 (15 − 7) ⎞
2
s yˆ ⎜
= s ⋅ 1+ +
2 ⎟ ⎜
= 5,5495 ⋅ ⎜1 + + ⎟ = 2,8156
⎜ T ∑ (t − t )2 ⎟
uˆ
13 182 ⎟
⎝ ⎠ ⎝ ⎠
15
( )
P y15 ∈ [114 ± 3,106 * 2,8156] = 1 − 0,01 = 0,99
P ( y ∈ [105,3; 122,8]) = 0,99
15
În concluzie, în urma efectuării calculelor, se poate aprecia că în

anul 2003 nivelul fenomenului va fi cuprins în intervalul [102,8; 119,8] , iar
în anul 2004 în intervalul [105,3; 122,8] , probabilitatea de realizare a acestor
prognoze fiind de 99%.
Aprecierea prognozei înzestrării populaţiei cu aspiratoare de praf la

1000 de locuitori pe baza modelului liniar, se poate face cu ajutorul a două
noţiuni, siguranţa prognozei şi precizia prognozei, noţiuni care se află în
relaţie invers proporţională.
Siguranţa prognozei este dată de probabilitatea (p) cu care este
estimat intervalul de încredere, iar precizia prognozei de relaţia:
- eroarea absolută
ea = y n* + v − yˆ n* + v = tα ⋅ s yˆ *
n+v
ea 2003 = 3,106 ⋅ 2 ,7332 = 8, 4893

ea 2004 = 3,106 ⋅ 2,8156 = 8,7454
- eroarea relativă
ea tα ⋅ s yˆ *
er (%) = ⋅ 100 = n+v
⋅ 100
yˆ n* + v yˆ n* + v
8, 4893
er2003 (%) = ⋅ 100 = 7 ,63 %
111,3
8,7454
er2004 (%) = ⋅ 100 = 7 ,67 %
114
În urma calculării erorii relative de prognoză (er%) corespunzătoare

modelului, se constată că acesta conduce la erori ce nu depăşesc pragul de
15%, ceea ce denotă faptul că acesta poate fi acceptat ca semnificativ pentru
realizarea de previziuni conform acestui test.
4.1.2 Serii de timp cu două componente: trend neliniar şi variabilă

reziduală
Dinamica indicelui preţurilor bunurilor de consum în perioada

decembrie 1990-decembrie 1993, având ca bază de calcul octombrie 1990,
este descrisă de seria de date prezentată în tabelul de mai jos.
Oct. 1990=1 Tabelul 4.2.1

Luna
Anul
Ian. Feb. Mar. Apr. Mai Iun.
1990 - - - - - -
1991 1,581 1,692 1,804 2,282 2,398 2,445
1992 5,312 5,974 6,573 6,88 7,713 8,041
1993 14,83 16,05 17,52 19,27 25,135 26,511
Luna
Anul
Iul. Aug. Sept. Oct. Nov. Dec.
1990 - - - 1 - 1,377
1991 2,677 2,976 3,194 3,526 3,91 4,445
1992 8,296 8,576 9,445 10,35 11,75 13,3
1993 30,007 33,255 36,891 42,913 48,994 52,599
Sursa: Anuarul Statistic al României 2003, INS, Bucureşti, 2004, p. 322-323.
Se cere:
a) Să se descrie evoluţia indicelui preţurilor bunurilor de consum cu

ajutorul unui model econometric de timp;
b) Cu ajutorul modelului acceptat la punctul a), să se efectueze
prognoza dinamicii acestuia pe următoarele 3 luni;
c) Ştiind că dinamica indicelui preţurilor bunurilor de consum în
perioada ianuarie 1994-decembrie 2004 a avut următoarele valori (vezi
tabelul 4.2.2.), să se compare valorile de prognoză cu cele înregistrate de
indicele preţurilor bunurilor de consum şi să se formuleze concluziile ce
rezultă;
Tabelul 4.2.2
Luna
Anul
1994 55,176 58,431 63,281 67,084 70,424 72,234
1995 86,783 88,034 88,85 90,279 91,249 92,449
1996 109,996 112,072 114,006 116,223 122,429 123,701
1997 193,864 230,253 300,968 321,738 335,447 343,155
1998 449,601 481,926 500,018 513,652 525,356 531,958
1999 620,794 638,633 679,252 712,217 750,064 788,272
Luna
Anul
2000 973,18 994,265 1012,085 1060,506 1079,819 1110,42
2001 1361,223 1391,811 1420,167 1457,843 1483,18 1506,81
2002 1750,275 1770,458 1776,787 1813,048 1846,572 1868,808
2003 2041,563 2058,090 2080,261 2102,433 2112,712 2130,651
2004 2325,921 2340,629 2352,277 2365,909 2372,672 2386,768
Luna
Anul
Iul. Aug. Sept. Oct. Nov. Dec.
1994 73,375 74,68 77,62 81,033 83,337 85,073
1995 94,831 95,75 97,273 100,735 104,844 108,681
1996 133,004 138,046 141,361 146,154 154,577 170,52
1997 345,525 357,683 369,517 393,458 410,255 428,722
1998 539,075 542,505 557,167 578,775 589,836 602,654
1999 801,289 811,052 836,906 871,74 906,513 932,969
2000 1157,908 1179,18 1212,3 1245,794 1281,153 1312,781
2001 1526,502 1560,634 1590,959 1629,818 1674,321 1710,423
2002 1878,215 1893,609 1905,240 1936,540 1985,972 2015,562
2003 2156,248 2161,892 2208,250 2241,910 2274,159 2300,562
2004 2417,116 2430,250 2453,240 2483,340 2499,397 2513,608
Sursa: Anuarul Statistic al României 2003, INS, Bucureşti, 2004, p. 322-323, Buletin
Statistic Lunar de Preţuri nr. 1-12, INS, Bucureşti, 2003, p. 3, Buletin Statistic Lunar de
Preţuri nr. 1-12, INS, Bucureşti, 2004, p. 3.
d) Să se testeze ipoteza stabilităţii relative în timp a evoluţiei

indicelui preţurilor bunurilor de consum (IPC) şi să se descrie evoluţia
acestuia pe întreaga perioadă (decembrie 1990-decembrie 2004) cu ajutorul
unui model econometric adecvat.
Rezolvare:
a) Modelarea seriei de timp privind indicele preţurilor bunurilor de

consum urmăreşte să descrie evoluţia acestuia cu ajutorul unei funcţii
statistico-matematice, în care timpul joacă rol de variabilă explicativă.
Identificarea structurii modelului de ajustare în cazul seriilor de timp

are ca punct de plecare reprezentarea grafică a dinamicii fenomenului cu
ajutorul procedeului denumit cronogramă (vezi figura 4.2.1.).
IPC
60
50
40
30
20
10
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37
Luna
Figura 4.2.1 Dinamica indicelui preţului bunurilor de consum

în perioada decembrie 1990-decembrie 1993
Graficul evoluţiei IPC (vezi figura 4.2.1.) indică o creştere

permanentă - de la o lună la alta - a acestuia, evoluţie ce presupune ca
descrierea sa econometrică să se poată realiza cu ajutorul unui model
neliniar de forma: y = f (t ) ⋅ u t , unde modelul de ajustare va fi specificat cu
ajutorul a două funcţii:
a1 ) funcţia putere: f (t ) = y t = a ⋅ t b
a 2 ) funcţia exponenţială: f (t ) = y t = a ⋅ b t
unde:
y t = indicele preţurilor bunurilor de consum;
t = 1,37 - lunile anilor - variabila timp.
a1 ) Caracterizarea dinamicii IPC cu ajutorul modelului

M 1 : y t1 = a1 ⋅ t b1 ⋅ u t1 necesită estimarea parametrilor a1 şi b1 . În acest scop,
pentru uşurarea calculelor se va utiliza modelul liniar:
ln y t1 = ln a1 + b1 ⋅ ln t + ln u t1
În final, modelul se poate scrie:
y t'1 = a1' + b1 ⋅ t ' + u t'1
unde:
ln y t1 = y t'1 ; ln a1 = a1' ; ln t = t ' ; ln u t1 = u t'1 ; ln yˆ t1 = yˆ t'1 .
În vederea estimării parametrilor a1' şi b1 se va utiliza metoda celor
mai mici pătrate. În acest scop se defineşte funcţia:
( ) (
F aˆ1' , bˆ1 = min ∑ ( y t'1 − yˆ t'1 ) = min ∑ y t'1 − aˆ1' − bˆ1 ⋅ t ′ )
37 37 2
2
t =1 t =1
(
∂F aˆ1' , bˆ1 )
= 0 ⇒ n1 ⋅ aˆ1' + bˆ1 ⋅ ∑ t ' = ∑ y t'1
∂aˆ1'
(
∂F aˆ1' , bˆ1 )
= 0 ⇒ aˆ1' ⋅ ∑ t ' + bˆ1 ∑ (t ' ) = ∑ y t'1 ⋅ t '
2
∂bˆ1
Tabelul 4.2.3
t y t1 '
t = ln t t '2 y t'1 = ln yt1 t ⋅y
' '
t1 yˆ t1 u t1
1 2 3 4 5 6 7 8
1 1,377 0,000 0,0000 0,3199 0,0000 -0,9060 1,2259
2 1,581 0,693 0,4802 0,4581 0,3175 -0,1344 0,5924
3 1,692 1,099 1,2078 0,5259 0,5780 0,3170 0,2089
4 1,804 1,386 1,9210 0,5900 0,8177 0,6373 -0,0473
5 2,282 1,609 2,5889 0,8251 1,3276 0,8857 -0,0606
6 2,398 1,792 3,2113 0,8746 1,5673 1,0887 -0,2140
7 2,445 1,946 3,7869 0,8940 1,7397 1,2603 -0,3662
8 2,677 2,079 4,3222 0,9847 2,0472 1,4089 -0,4242
9 2,976 2,197 4,8268 1,0906 2,3960 1,5401 -0,4495
t y t1 t ' = ln t t'
2
y t'1 = ln yt1 t ' ⋅ y t'1 yˆ t1 u t1
1 2 3 4 5 6 7 8
10 3,194 2,303 5,3038 1,1613 2,6745 1,6574 -0,4961
11 3,526 2,398 5,7504 1,2602 3,0220 1,7635 -0,5033
12 3,910 2,485 6,1752 1,3635 3,3883 1,8603 -0,4968
13 4,445 2,565 6,5792 1,4918 3,8265 1,9494 -0,4577
14 5,312 2,639 6,9643 1,6700 4,4071 2,0319 -0,3620
15 5,974 2,708 7,3332 1,7874 4,8403 2,1087 -0,3213
16 6,573 2,773 7,6895 1,8830 5,2216 2,1806 -0,2976
17 6,880 2,833 8,0259 1,9286 5,4637 2,2481 -0,3195
18 7,713 2,890 8,3521 2,0429 5,9040 2,3117 -0,2688
19 8,041 2,944 8,6671 2,0846 6,1371 2,3719 -0,2874
20 8,296 2,996 8,9760 2,1158 6,3389 2,4290 -0,3132
21 8,576 3,045 9,2720 2,1490 6,5437 2,4833 -0,3344
22 9,445 3,091 9,5543 2,2455 6,9408 2,5351 -0,2896
23 10,350 3,135 9,8282 2,3370 7,3265 2,5846 -0,2476
24 11,750 3,178 10,0997 2,4639 7,8303 2,6320 -0,1681
25 13,300 3,219 10,3620 2,5878 8,3301 2,6774 -0,0897
26 14,830 3,258 10,6146 2,6967 8,7858 2,7211 -0,0244
27 16,050 3,296 10,8636 2,7757 9,1487 2,7631 0,0126
28 17,520 3,332 11,1022 2,8633 9,5405 2,8036 0,0597
29 19,270 3,367 11,3367 2,9585 9,9616 2,8427 0,1159
30 25,135 3,401 11,5668 3,2243 10,9658 2,8804 0,3439
31 26,511 3,434 11,7924 3,2776 11,2553 2,9169 0,3607
32 30,007 3,466 12,0132 3,4014 11,7879 2,9523 0,4492
33 33,255 3,497 12,2290 3,5042 12,2542 2,9865 0,5177
34 36,891 3,526 12,4327 3,6080 12,7218 3,0197 0,5882
35 42,913 3,555 12,6380 3,7592 13,3640 3,0520 0,7072
36 48,994 3,584 12,8451 3,8917 13,9479 3,0834 0,8083
37 52,599 3,611 13,0393 3,9627 14,3093 3,1139 0,8488
703 500,492 99,330 293,7516 77,0582 237,0292 77,0582 0,0000
În urma efectuării calculelor (vezi tabelul 4.2.3., coloanele 1, 2, 3, 4,

5, 6) a rezultat următorul sistem de ecuaţii:
⎧⎪37 aˆ1' + 99,33 bˆ1 = 77,0582

⎨
⎪⎩99,33 aˆ1' + 293,7516 bˆ1 = 237,0292
Utilizând programul EViews, au rezultat următoarele valori ale

estimatorilor parametrilor: aˆ1' = −0,906 şi bˆ1 = 1,1133 .
Întroducând aceste valori în relaţia funcţiei de ajustare, se vor
calcula valorile teoretice ale modelului (vezi tabelul 4.2.3., coloana 7):
yˆ t'1 = −0,906 + 1,1133 ⋅ t '
Valorile variabilei reziduale vor rezulta din următoarea relaţie:
u t'1 = y t'1 − yˆ t'1 - vezi tabelul 4.2.3., coloana 8.
În vederea testării semnificaţiei parametrilor â1' şi b̂1 se vor calcula:

- dispersia variabilei reziduale:
su2' =
∑ (u )
' 2
t1
t1 n1 − k − 1
unde:
n1 = numărul de termeni ai seriei; n1 = 37;
k = numărul variabilelor explicative; k = 1.
În urma efectuării calculelor (utilizând programul EViews), a

rezultat valoarea: su2t'1 = 0,2099 ⇒ su ' = 0,4582 .
t1
- abaterile medii pătratice corespunzătoare celor doi estimatori

s aˆ ' , s bˆ
1 1
⎛1 t'
2 ⎞
s aˆ ' = s 2
⋅ ⎜ + ⎟ = 0,248
1 ut' 1 ⎜ n1
⎝ ∑ t' − t ' ( )
2 ⎟
⎠
s u2'
s bˆ = t1
= 0,0880
∑ (t ) 2
1 '
−t'
Deoarece numărul de termeni ai seriei este mai mare de 30, testarea

semnificaţiei estimatorilor se va face cu ajutorul testului „t”, pe baza
distribuţiei normale, lucrând cu un prag de semnificaţie α = 0,05 . Din
tabela distribuţiei normale normate, pentru un prag de semnificaţie
α = 0,05 , se preia valoarea t 0,05 = 1,96 .
aˆ1'
tc aˆ1′ = = 3,65 > t0,05 = 1,96
saˆ '
1
bˆ1
t cbˆ = = 12,65 > t 0, 05 = 1,96
1 s bˆ
1
Deci, pentru un prag de semnificaţie de 5%, estimatorii â1' şi b̂1 sunt

semnificativ diferiţi de zero, putând fi folosiţi la calculul intervalelor de
încredere pentru parametrii a1' şi b1 ai modelului:
[ ]
a1' ∈ aˆ1' ± tα ⋅ s aˆ ' ⇒ a1' ∈ [− 1,3921;−0,4199]
1
deoarece a1' = ln a1 , prin antilogaritmare rezultă intervalul de încredere

pentru parametrul a1 :
a1 ∈ [0,2485;0,6571]
Analog,
[ ]
b1 ∈ bˆ1 ± tα ⋅ sbˆ ⇒ b1 ∈ [0,9408;1,2858]
1
Pentru testarea semnificaţiei modelului s-a utilizat metoda analizei

variaţiei; calculele sunt prezentate în tabelul următor:
Nr. grade de Dispersia

Sursa de variaţie Măsura variaţiei
libertate corectată
Variaţia explicată (
Vt '2 = ∑ yˆ t'1 − y1' )
2
s t2' =
Vt 2'
k =1 k
de tendinţă
= 33,5744 = 33,5744
Vu2' = ∑ ( y t'1 − yˆ t'1 )

2 Vu2'
s u2' = t1
Variaţia reziduală t1 n1 − k − 1 = 35 t1
n1 − k − 1
= 7,348 = 0,2099
V02 = ∑ ( y t'1 − y1' )

2
Variaţia totală n1 − 1 = 36 -
= 40,9224
Valoarea calculată a variabilei Fisher-Snedecor este dată de

următoarea formulă:
st2'
Fc = ⇒ Fc = 159,9207
su2'
t1
Această valoare se compară cu valoarea tabelată care, pentru un prag

de semnificaţie α = 0,05 şi în funcţie de numărul gradelor de libertate
v1 = k = 1 şi v2 = n1 − k − 1 = 35 , este F0, 05;1;35 = 4,125 . Deoarece
Fc = 159,9207 > F0, 05;1;35 = 4,125 , modelul este acceptat ca semnificativ în
raport cu evoluţia indicelui preţurilor bunurilor de consum pentru un prag de
semnificaţie de 5%.
Pe baza datelor din tabel se poate calcula valoarea raportului de

corelaţie astfel:
Vt '2 33,5744
R1 = 2
= = 0,8204 = 0,9058
V 0 40,9224
Raportul de corelaţie este semnificativ diferit de zero dacă se

verifică inegalitatea:
Fc > Fα ;v1 ;v2
Valoarea empirică a variabilei Fisher-Snedecor este:
n1 − k − 1 R12
Fc = ⋅
k 1 − R12
37 − 1 − 1 0,8204
Fc = ⋅ = 159,9207
1 0,1796
Deoarece Fc = 159,9207 > F0, 05;1;35 = 4,125 valoarea raportului de

corelaţie este semnificativ diferită de zero cu un prag de semnificaţie
α = 0,05 .
Utilizând ecuaţia analizei variaţiei:
Vt '2 Vu2'
V = Vt ' + V
0
2 2 2
ut' 1
⇒ 100 = 2
* 100 + t1
⋅ 100 ⇒ 100 = 82 + 18
V 0 V02
rezultă că funcţia de ajustare explică 82% din variaţia totală a indicelui

preţurilor bunurilor de consum.
În final, modelul econometric devine:
yˆ t'1 = −0,906 + 1,133 ⋅ t ′ ; R 1 = 0,9058

(0,248) (0,088) s u ' = 0,4582
t1
a 2 ) Dinamica indicelui preţurilor bunurilor de consum poate fi

caracterizată şi cu ajutorul modelului M 2 :
y t 2 = a 2 ⋅ b2t ⋅ u t 2
Pentru a estima parametrii a 2 şi b2 cu ajutorul metodei celor mai

mici pătrate, modelul neliniar a fost transformat prin logaritmare în modelul
liniar:
ln y t 2 = ln a 2 + t ⋅ ln b2 + ln u t 2
Pentru simplificarea relaţiior s-au utilizat următoarele notaţii:
ln y t 2 = y t' 2 ; ln a 2 = a 2' ; ln b2 = b2' ; ln u t 2 = u t' 2 ; ln yˆ t 2 = yˆ t' 2
Astfel, modelul se poate scrie:
y t' 2 = a 2' + b2' ⋅ t + u t' 2
În vederea calculării parametrilor â 2' şi b̂2' se utilizează metoda celor
mai mici pătrate. În acest sens se defineşte funcţia:
( ) ( )
37 37
F aˆ 2' , bˆ2' = min ∑ u t' 2 = min ∑ y t' 2 − aˆ 2' − bˆ2' ⋅ t
2 2
t =1 t =1
(
∂F aˆ , bˆ'
2
'
)
= 0 ⇒ n1 ⋅ aˆ 2' + bˆ2' ⋅ ∑ t = ∑ y t' 2
2
∂aˆ 2
'
(
∂F aˆ 2' , bˆ2' )
= 0 ⇒ aˆ 2' ⋅ ∑ t + bˆ2' ∑ t 2 = ∑ y t' 2 ⋅ t
∂b2ˆ '
În urma efectuării calculelor - vezi tabelul 4.2.4. - coloanele 1, 2, 3,

4, 5 - a rezultat următorul sistem de ecuaţii:
⎧⎪37 ⋅ aˆ 2' + 703 ⋅ bˆ2' = 77,0582

⎨
⎪⎩703 ⋅ aˆ 2' + 17575 ⋅ bˆ2' = 1878,439
Utilizând programul EViews, au rezultat următoarele valori ale

estimatorilor parametrilor: aˆ 2' = 0,2163 şi bˆ2' = 0,0982 .
Introducând aceste valori în relaţia funcţiei de ajustare, s-au calculat
valorile teoretice ale modelului (vezi tabelul 4.2.4., coloana 6).
yˆ t' 2 = 0,2163 + 0,0982 ⋅ t
Valorile variabilei reziduale au fost obţinute pe baza relaţiei:

ut' 2 = yt' 2 − yˆ t' 2 - vezi tabelul 4.2.4., coloana 7.
Tabelul 4.2.4
t yt 2 t2 y t' 2 = ln y t 2 t ⋅ y t' 2 yˆ t 2 ut 2 (t − t )2
1 2 3 4 5 6 7 8
1 1,377 1 0,3199 0,3199 0,3145 0,0054 324
2 1,581 4 0,4581 0,9162 0,4127 0,0453 289
3 1,692 9 0,5259 1,5777 0,5110 0,0149 256
4 1,804 16 0,5900 2,3600 0,6092 -0,0192 225
5 2,282 25 0,8251 4,1255 0,7074 0,1176 196
6 2,398 36 0,8746 5,2476 0,8057 0,0690 169
7 2,445 49 0,8940 6,2580 0,9039 -0,0098 144
8 2,677 64 0,9847 7,8776 1,0021 -0,0174 121
9 2,976 81 1,0906 9,8154 1,1003 -0,0098 100
10 3,194 100 1,1613 11,613 1,1986 -0,0373 81
11 3,526 121 1,2602 13,8622 1,2968 -0,0366 64
12 3,91 144 1,3635 16,362 1,3950 -0,0315 49
13 4,445 169 1,4918 19,3934 1,4933 -0,0015 36
14 5,312 196 1,6700 23,38 1,5915 0,0785 25
15 5,974 225 1,7874 26,8110 1,6897 0,0977 16
16 6,573 256 1,8830 30,1280 1,7880 0,0950 9
17 6,88 289 1,9286 32,7862 1,8862 0,0424 4
18 7,713 324 2,0429 36,7722 1,9844 0,0585 1
19 8,041 361 2,0846 39,6074 2,0827 0,0019 0
20 8,296 400 2,1158 42,316 2,1809 -0,0651 1
21 8,576 441 2,1490 45,129 2,2791 -0,1301 4
22 9,445 484 2,2455 49,401 2,3773 -0,1319 9
t yt 2 t2 y t' 2 = ln y t 2 t ⋅ y t' 2 yˆ t 2 ut 2 (t − t )2
1 2 3 4 5 6 7 8
23 10,35 529 2,3370 53,751 2,4756 -0,1386 16
24 11,75 576 2,4639 59,1336 2,5738 -0,1100 25
25 13,3 625 2,5878 64,695 2,6720 -0,0843 36
26 14,83 676 2,6967 70,1142 2,7703 -0,0736 49
27 16,05 729 2,7757 74,9439 2,8685 -0,0928 64
28 17,52 784 2,8633 80,1724 2,9667 -0,1034 81
29 19,27 841 2,9586 85,7994 3,0650 -0,1064 100
30 25,135 900 3,2243 96,729 3,1632 0,0611 121
31 26,511 961 3,2776 101,6056 3,2614 0,0161 144
32 30,007 1024 3,4010 108,832 3,3597 0,0418 169
33 33,255 1089 3,5042 115,6386 3,4579 0,0463 196
34 36,891 1156 3,6080 122,672 3,5561 0,0519 225
35 42,913 1225 3,7592 131,572 3,6543 0,1048 256
36 48,994 1296 3,8917 140,1012 3,7526 0,1391 289
37 52,599 1369 3,9627 146,6199 3,8508 0,1119 324
703 500,492 17575 77,0582 1878,439 77,0582 0,0000 4218

semnificaţiei estimatorilor se va face cu ajutorul testului „t”, pe baza
distribuţiei normale, lucrând cu un prag de semnificaţie α = 0,05 .
În acest scop se vor calcula:
- dispersia variabilei reziduale
s 2
=
∑u ' 2
t2
⇒ s u2' = 0,0063 ⇒ su ' = 0,0796
ut' 2
n1 − k − 1 t2 t2
- abaterile medii pătratice corespunzătoare celor doi estimatori ai

parametrilor, â 2' şi b̂2'
⎛1 t2 ⎞
s aˆ ' = s 2
⋅ ⎜ + ⎟ = 0,0267
2 ut' 2 ⎜ n1 ∑ (t − t )2 ⎟
⎝ ⎠
su2'
s bˆ' = t2
= 0,0012
∑ (t − t )
2 2
aˆ 2'
t caˆ ′ = = 8,0942 > t 0, 05 = 1,96
2
s aˆ '
2
bˆ2'
t cbˆ′ = = 80,1255 > t 0,05 = 1,96
2 s bˆ'
2
În acest caz, se poate considera că ambii estimatori sunt semnificativ

diferiţi de zero, cu un prag de semnificaţie de 5%, putând fi folosiţi la
calculul intervalelor de încredere pentru parametrii a 2' şi b2' ai modelului:
[ ]
a 2' ∈ aˆ 2' ± t 0,05 ⋅ s aˆ ' ⇒ a 2' ∈ [0,1639;0,2686]
2
[ ]
b2' ∈ bˆ2' ± t0, 05 ⋅ sbˆ ' ⇒ b2' ∈ [0,0958;0,1006]
2
Deoarece ln a2 = a2' şi ln b2 = b2' , prin antilogaritmare rezultă

intervalele de încredere pentru parametrii a2 şi b2 :
a2 ∈ [1,178;1,308] şi b2 ∈ [1,101;1,106] .
Pentru testarea modelului am utilizat analiza variaţiei, calculele fiind

prezentate în următorul tabel:
Nr. grade de Dispersia

Sursa de variaţie Măsura variaţiei
libertate corectată
Variaţia explicată de (
Vt 2 = ∑ yˆ t' 2 − y 2' )2
Vt 2
s t2 =
k =1 k
tendinţă
= 40,7006 = 40,7006
Vu2
Vu2′ = ∑ ( y t' 2 − yˆ t' 2 )
2
n1 − k − 1 = 35
s 2
ut′ 2
= t2
Variaţia reziduală t2
n1 − k − 1
= 0,2219 = 0,0063
V02 = ∑ ( y t' 2 − y 2' )

2
Variaţia totală n1 − 1 = 36 -
= 40,9224
Valoarea calculată a variabilei Fisher-Snedecor este dată de

următoarea formulă:
st2
Fc = 2 ⇒ Fc = 6420,1
su '
t2
Această valoare se compară cu valoarea tabelată, preluată din tabelul

distribuţiei Fisher-Snedecor, pentru un prag de semnificaţie α = 0,05 şi în
funcţie de numărul gradelor de libertate v1 = k = 1 şi v 2 = n1 − k − 1 = 35 ,
respectiv F0,05;1;35 = 4,125 .
Deoarece Fc = 6420,1 > F0,05;1;35 = 4,125 , modelul este acceptat ca
semnificativ în raport cu evoluţia indicelui preţurilor bunurilor de consum.
Valoarea raportului de corelaţie este dată de relaţia:
Vt 2 40,7006
R2 = 2
= = 0,9946 = 0,9973
Vo 40,9224
Valoarea empirică a acestuia este egală cu:
0,9946
Fc = 35 ⋅ = 6420,1
0,0054
Deoarece Fc = 6420,1 > F0,05;1;35 = 4,125 , valoarea raportului de

corelaţie este semnificativ diferită de zero, cu un prag de semnificaţie
α = 0,05 .
Din relaţia:
2
V2 Vu '
V = Vt + V
0
2 2 2
ut' 2
⇒ 100 = t 2 ⋅ 100 + t22 ⋅ 100
V0 V0
înlocuind cu valorile calculate, s-a ajuns la următorul rezultat:
100 = 99,46 + 0,54
În concluzie, funcţia de ajustare explică 99,46% din variaţia totală a

indicelui preţurilor bunurilor de consum. Deoarece modelul bazat pe funcţia
exponenţială explică 99,46% din variaţia totală a indicelui preţurilor
bunurilor de consum, în timp ce modelul bazat pe funcţia putere explică
82% din aceeaşi variaţie, am considerat că este mai performant modelul
M 2 . Ca atare, pentru estimarea valorilor probabile pentru primele trei luni
ale anului 1994 se va utiliza următorul model:
yˆ t' 2 = 0,2163 + 0,0982 ⋅ t ; R 2 = 0,9973

(0,0267) (0,0012) su ' = 0,0796
t2
b) Estimarea prognozei indicelui preţurilor bunurilor de consum:

- pentru luna ianuarie 1994
- estimaţia tendinţei (valoarea punctuală) IPC

yˆ '
I 94 = yˆ 38
'
= 0,2163 + 0,0982 ⋅ 38 = 3,9490
- intervalul de încredere a valorii reale a IPC
'
y 38 ∈ yˆ 38
'
[
± ∆ 38 ]
unde:
∆ 38 = s yˆ ' ⋅ tα
38
⎛ 1 (t − t )2 ⎞⎟ = 0,0840
s yˆ ' = su2t′ 2 ⋅ ⎜1 + + 38
38 ⎜ n1 ∑ (t − t )2 ⎟
⎝ ⎠
Lucrând cu un prag de semnificaţie α = 0,05 , pentru care

t0,05 = 1,96 , mărimea indicelui preţurilor de consum în luna ianuarie 1994,
cu o probabilitate de 95%, se va situa în intervalul următor:
'
(
P y 38 ∈ yˆ 38
'
[
± tα ⋅ s yˆ '
38
]) = 1 − 0,05 = 0,95
('
P y38 )
∈ [3,9490 ± 1,96 ⋅ 0,0840] = 0,95
P ( y ∈ [3,7844;4,1137]) = 0,95
'
38
Deoarece '
y 38 = ln y 38 , prin antilogaritmare, rezultă următorul
interval de încredere pentru luna ianuarie 1994:
y38 ∈ [43,9386;61,0608]
În mod analog, pentru lunile februarie şi martie 1994 se vor obţine
următoarele intervale:
- februarie 1994
P( y39 ∈ [48,4387;67,4065]) = 0,95

- martie 1994
P( y40 ∈ [53,398;74,414]) = 0,95
c) Valorile reale ale fenomenului, înregistrate în lunile ianuarie,

februarie şi martie 1994 fiind 55,176, 58,431 şi respectiv 63,281, iar
intervalele de prognoză calculate la punctul precedent fiind
[43,9386;61,0608] , [48,4387;67,4065] şi respectiv [53,398;74,414] , se
observă că valorile reale sunt cuprinse în aceste intervale şi, ca atare,
estimarea prognozei indicelui preţurilor bunurilor de consum cu ajutorul
modelului:
yˆ t' 2 = 0,2163 + 0,0982 ⋅ t ; R 2 = 0,9973

(0,0267) (0,0012) su ' = 0,0796
t2
a condus la o estimare corectă a valorilor reale.
d) Modelul econometric fiind expresia formală a legităţii de evoluţie

a fenomenului analizat, utilizarea lui pentru prognoza fenomenului se
fundamentează pe existenţa unei stabilităţi relative în timp a tendinţei
fenomenului descris.
Econometric, acceptarea sau respingerea ipotezei de stabilitate
relativă presupune utilizarea a două tipuri de modele de lucru:
d 1 ) Construirea a două modele parţiale pe două subperioade ale
perioadei iniţiale. Primul model parţial poate fi considerat cel obţinut la
punctul b), construit pe perioada decembrie 1990 - decembrie 1993, iar cel
de-al doilea va fi estimat pentru perioada ianuarie 1994 – decembrie 2004;
d 2 ) Modelul general, construit pe baza seriei de timp a
fenomenului, serie construită pe o perioadă mare de timp, în cazul de faţă
perioada fiind decembrie 1990 - decembrie 2004.
Utilizând aceeaşi formă a modelului econometric y = a ⋅ b t ⋅ u t ,

respectiv modelul exponenţial, estimarea modelelor pe perioadele
menţionate mai sus a condus la următoarele rezultate:
d1 ) Descrierea evoluţiei IPC în perioada ianuarie 1994 -
decembrie 2004 cu ajutorul modelului y t 3 = a3 ⋅ b3t ⋅ u t 3 . În mod analog cu
punctul b), modelul neliniar este transformat prin logaritmare în model
liniar:
ln y t 3 = ln a3 + t ⋅ ln b3 + ln u t 3
Notaţii:
ln yt 3 = yt' 3 ; ln a3 = a3' ; ln b3 = b3' ; ln ut 3 = ut' 3 ; ln yˆ t 3 = yˆ t' 3 .
Modelul devine:
y t' 3 = a3' + b3' * t + u t' 3
În urma aplicării metodei celor mai mici pătrate în vederea

determinării parametrilor a3' şi b3' , a rezultat următorul sistem de ecuaţii:
⎧⎪n2 ⋅ aˆ3' + bˆ3' ⋅ ∑ t = ∑ yt' 3
⎨ '
⎪⎩aˆ3 ⋅ ∑ t + bˆ3 ⋅ ∑ t = ∑ yt 3 ⋅ t
' 2 '
În urma efectuării calculelor - vezi tabelul 4.2.5., coloanele 1, 2, 3, 4,

5 - a rezultat:
⎧⎪132 ⋅ aˆ3' + 13662 ⋅ bˆ3' = 937,1836

⎨
⎪⎩13662 ⋅ aˆ3' + 1605670 ⋅ bˆ3' = 92724,5719
⎧⎪aˆ3' = 3,061
⎨ ˆ'
⎪⎩b3 = 0,0317
yˆ t' 3 = 3,061 + 0,0317 ⋅ t

(vezi calcule tabelul 4.2.5., coloana 6)
Valorile variabilei reziduale sunt:
ut' 3 = yt' 3 − yˆ t' 3 -vezi tabelul 4.2.5, coloana 7.
Tabelul 4.2.5
t yt 3 t2 y t' 3 = ln y t 3 t ⋅ yt' 3 yˆ t' 3 u t′3 (t − t )2
1 2 3 4 5 6 7 8
38 55,176 1444 4,0105 152,4001 4,2657 -0,2552 4290,25
39 58,431 1521 4,0678 158,6460 4,2974 -0,2296 4160,25
40 63,281 1600 4,1476 165,9034 4,3291 -0,1815 4032,25
41 67,084 1681 4,2059 172,4438 4,3608 -0,1549 3906,25
42 70,424 1764 4,2545 178,6904 4,3925 -0,1380 3782,25
43 72,234 1849 4,2799 184,0362 4,4242 -0,1443 3660,25
44 73,375 1936 4,2956 189,0057 4,4559 -0,1604 3540,25
45 74,68 2025 4,3132 194,0946 4,4876 -0,1744 3422,25
46 77,62 2116 4,3518 200,1840 4,5193 -0,1675 3306,25
47 81,033 2209 4,3949 206,5583 4,5511 -0,1562 3192,25
48 83,337 2304 4,4229 212,2988 4,5828 -0,1599 3080,25
49 85,073 2401 4,4435 217,7320 4,6145 -0,1710 2970,25
50 86,783 2500 4,4634 223,1705 4,6462 -0,1828 2862,25
51 88,034 2601 4,4777 228,3639 4,6779 -0,2001 2756,25
52 88,85 2704 4,4869 233,3214 4,7096 -0,2226 2652,25
53 90,279 2809 4,5029 238,6540 4,7413 -0,2384 2550,25
54 91,249 2916 4,5136 243,7340 4,7730 -0,2594 2450,25
55 92,449 3025 4,5267 248,9661 4,8047 -0,2780 2352,25
56 94,831 3136 4,5521 254,9174 4,8364 -0,2843 2256,25
57 95,75 3249 4,5617 260,0192 4,8681 -0,3063 2162,25
58 97,273 3364 4,5775 265,4962 4,8998 -0,3223 2070,25
59 100,735 3481 4,6125 272,1371 4,9315 -0,3190 1980,25
60 104,844 3600 4,6525 279,1484 4,9632 -0,3107 1892,25
61 108,681 3721 4,6884 285,9934 4,9949 -0,3065 1806,25
62 109,996 3844 4,7004 291,4275 5,0266 -0,3262 1722,25
63 112,072 3969 4,7191 297,3059 5,0583 -0,3392 1640,25
64 114,006 4096 4,7363 303,1201 5,0900 -0,3538 1560,25
65 116,223 4225 4,7555 309,1082 5,1217 -0,3662 1482,25
66 122,429 4356 4,8075 317,2971 5,1534 -0,3459 1406,25

1 2 3 4 5 6 7 8
67 123,701 4489 4,8179 322,7971 5,1851 -0,3673 1332,25
68 133,004 4624 4,8904 332,5458 5,2168 -0,3264 1260,25
69 138,046 4761 4,9276 340,0035 5,2485 -0,3209 1190,25
70 141,361 4900 4,9513 346,5922 5,2802 -0,3289 1122,25
71 146,154 5041 4,9847 353,9109 5,3119 -0,3273 1056,25
72 154,577 5184 5,0407 362,9298 5,3436 -0,3029 992,25
73 170,52 5329 5,1389 375,1362 5,3753 -0,2365 930,25
74 193,864 5476 5,2672 389,7696 5,4070 -0,1399 870,25
75 230,253 5625 5,4392 407,9384 5,4388 0,0004 812,25
76 300,968 5776 5,7070 433,7323 5,4705 0,2365 756,25
77 321,738 5929 5,7737 444,5778 5,5022 0,2716 702,25
78 335,447 6084 5,8155 453,6062 5,5339 0,2816 650,25
79 343,155 6241 5,8382 461,2164 5,5656 0,2726 600,25
80 345,525 6400 5,8451 467,6052 5,5973 0,2478 552,25
81 357,683 6561 5,8796 476,2514 5,6290 0,2507 506,25
82 369,517 6724 5,9122 484,8001 5,6607 0,2515 462,25
83 393,458 6889 5,9750 495,9229 5,6924 0,2826 420,25
84 410,255 7056 6,0168 505,4094 5,7241 0,2927 380,25
85 428,722 7225 6,0608 515,1687 5,7558 0,3050 342,25
86 449,601 7396 6,1084 525,3190 5,7875 0,3209 306,25
87 481,926 7569 6,1778 537,4678 5,8192 0,3586 272,25
88 500,018 7744 6,2146 546,8887 5,8509 0,3637 240,25
89 513,652 7921 6,2415 555,4976 5,8826 0,3589 210,25
90 525,356 8100 6,2641 563,7669 5,9143 0,3498 182,25
91 531,958 8281 6,2766 571,1674 5,9460 0,3306 156,25
92 539,075 8464 6,2899 578,6666 5,9777 0,3121 132,25
93 542,505 8649 6,2962 585,5463 6,0094 0,2868 110,25
94 557,167 8836 6,3229 594,3493 6,0411 0,2817 90,25
95 578,775 9025 6,3609 604,2868 6,0728 0,2881 72,25
96 589,836 9216 6,3798 612,4651 6,1045 0,2753 56,25
97 602,654 9409 6,4013 620,9303 6,1362 0,2651 42,25
98 620,794 9604 6,4310 630,2379 6,1679 0,2631 30,25
99 638,633 9801 6,4593 639,4737 6,1996 0,2597 20,25
100 679,252 10000 6,5210 652,0992 6,2313 0,2897 12,25
101 712,217 10201 6,5684 663,4066 6,2630 0,3053 6,25
102 750,064 10404 6,6202 675,2562 6,2947 0,3254 2,25
103 788,272 10609 6,6698 686,9939 6,3264 0,3434 0,25
104 801,289 10816 6,6862 695,3671 6,3582 0,3281 0,25
105 811,052 11025 6,6983 703,3249 6,3899 0,3085 2,25
106 836,906 11236 6,7297 713,3494 6,4216 0,3082 6,25
107 871,740 11449 6,7705 724,4426 6,4533 0,3172 12,25
108 906,513 11664 6,8096 735,4374 6,4850 0,3246 20,25
109 932,969 11881 6,8384 745,3825 6,5167 0,3217 30,25
110 973,18 12100 6,8806 756,8626 6,5484 0,3322 42,25
111 994,265 12321 6,9020 766,1224 6,5801 0,3219 56,25
112 1012,085 12544 6,9198 775,0140 6,6118 0,3080 72,25
113 1060,506 12769 6,9665 787,2147 6,6435 0,3230 90,25

1 2 3 4 5 6 7 8
114 1079,819 12996 6,9845 796,2386 6,6752 0,3094 110,25
115 1110,42 13225 7,0125 806,4368 6,7069 0,3056 132,25
116 1157,908 13456 7,0544 818,3069 6,7386 0,3158 156,25
117 1179,18 13689 7,0726 827,4912 6,7703 0,3023 182,25
118 1212,3 13924 7,1003 837,8324 6,8020 0,2983 210,25
119 1245,794 14161 7,1275 848,1759 6,8337 0,2938 240,25
120 1281,153 14400 7,1555 858,6619 6,8654 0,2901 272,25
121 1312,781 14641 7,1799 868,7683 6,8971 0,2828 306,25
122 1361,223 14884 7,2161 880,3689 6,9288 0,2873 342,25
123 1391,811 15129 7,2384 890,3184 6,9605 0,2778 380,25
124 1420,167 15376 7,2585 900,0577 6,9922 0,2663 420,25
125 1457,843 15625 7,2847 910,5892 7,0239 0,2608 462,25
126 1483,18 15876 7,3019 920,0449 7,0556 0,2463 506,25
127 1506,81 16129 7,3178 929,3543 7,0873 0,2304 552,25
128 1526,502 16384 7,3307 938,3340 7,1190 0,2117 600,25
129 1560,634 16641 7,3528 948,5173 7,1507 0,2021 650,25
130 1590,959 16900 7,3721 958,3720 7,1824 0,1896 702,25
131 1629,818 17161 7,3962 968,9053 7,2141 0,1821 756,25
132 1674,321 17424 7,4232 979,8575 7,2458 0,1773 812,25
133 1710,423 17689 7,4445 990,1180 7,2776 0,1669 870,25
134 1750,275 17956 7,4675 1000,6488 7,3093 0,1583 930,25
135 1770,458 18225 7,4790 1009,6641 7,3410 0,1380 992,25
136 1776,787 18496 7,4826 1017,6284 7,3727 0,1099 1056,25
137 1813,048 18769 7,5028 1027,8788 7,4044 0,0984 1122,25
138 1846,572 19044 7,5211 1037,9099 7,4361 0,0850 1190,25
139 1868,808 19321 7,5331 1047,0948 7,4678 0,0653 1260,25
140 1878,215 19600 7,5381 1055,3308 7,4995 0,0386 1332,25
141 1893,609 19881 7,5462 1064,0198 7,5312 0,0151 1406,25
142 1905,24 20164 7,5524 1072,4356 7,5629 -0,0105 1482,25
143 1936,54 20449 7,5687 1082,3181 7,5946 -0,0259 1560,25
144 1985,972 20736 7,5939 1093,5164 7,6263 -0,0324 1640,25
145 2015,562 21025 7,6087 1103,2547 7,6580 -0,0493 1722,25
146 2041,563 21316 7,6215 1112,7348 7,6897 -0,0682 1806,25
147 2058,090 21609 7,6295 1121,5414 7,7214 -0,0919 1892,25
148 2080,261 21904 7,6402 1130,7568 7,7531 -0,1129 1980,25
149 2102,433 22201 7,6509 1139,9767 7,7848 -0,1340 2070,25
150 2112,712 22500 7,6557 1148,3592 7,8165 -0,1608 2162,25
151 2130,651 22801 7,6642 1157,2916 7,8482 -0,1840 2256,25
152 2156,248 23104 7,6761 1166,7710 7,8799 -0,2038 2352,25
153 2161,892 23409 7,6787 1174,8471 7,9116 -0,2329 2450,25
154 2208,250 23716 7,7000 1185,7932 7,9433 -0,2434 2550,25
155 2241,910 24025 7,7151 1195,8379 7,9750 -0,2599 2652,25
156 2274,159 24336 7,7294 1205,7810 8,0067 -0,2774 2756,25
157 2300,562 24649 7,7409 1215,3227 8,0384 -0,2975 2862,25
158 2325,921 24964 7,7519 1224,7957 8,0701 -0,3183 2970,25
159 2340,629 25281 7,7582 1233,5498 8,1018 -0,3437 3080,25
160 2352,277 25600 7,7631 1242,1023 8,1335 -0,3704 3192,25

1 2 3 4 5 6 7 8
161 2365,909 25921 7,7689 1250,7957 8,1653 -0,3963 3306,25
162 2372,672 26244 7,7718 1259,0271 8,1970 -0,4252 3422,25
163 2386,768 26569 7,7777 1267,7644 8,2287 -0,4510 3540,25
164 2417,116 26896 7,7903 1277,6142 8,2604 -0,4700 3660,25
165 2430,250 27225 7,7957 1286,2987 8,2921 -0,4963 3782,25
166 2453,240 27556 7,8052 1295,6574 8,3238 -0,5186 3906,25
167 2483,340 27889 7,8174 1305,4991 8,3555 -0,5381 4032,25
168 2499,397 28224 7,8238 1314,3992 8,3872 -0,5634 4160,25
169 2513,608 28561 7,8295 1323,1812 8,4189 -0,5894 4290,25
13662 132560,43 1605670 837,1836 92724,5719 837,1836 0,0000 191653,00
În vederea testării semnificaţiei parametrilor â3' şi b̂3' , se vor calcula:
s2
= ∑u ' 2
10,6099
t3
=
= 0,0816 ⇒ su ' = 0,2857
u t' 3
n2 − k − 1 130 t3
⎛1 t2 ⎞
saˆ ' = su2' ⋅ ⎜ + ⎟ = 0,072
3 t3 ⎜ n2 ∑ (t − t )2 ⎟
⎝ ⎠
su2'
sbˆ ' = t3
= 0,0007
∑ (t − t )
3
2
(vezi calcule tabelul 4.2.5., coloana 8).

estimatorilor se va face pe baza testului “t”, distribuţia normală. Din tabela
distribuţiei normale normate, pentru un prag de semnificaţie α = 0,05 , se
preia valoarea t0,05 = 1,96 .
aˆ3'
tc = = 42,53 > t0, 05 = 1,96
aˆ3' saˆ '
3
bˆ3'
tc ˆ' = = 48,5827 > t0,05 = 1,96
b3 sbˆ '
3
Deci, pentru un prag de semnificaţie de 5%, estimatorii parametrilor,

â3' şi b̂3' , sunt semnificativ diferiţi de zero.
R3 = 1 − ∑u ' 2
t3
= 1−
10,6099
= 0,9478 = 0,9735
∑ (y )
2
'
t3 − yt' 3 203,2424
Verificarea semnificaţiei raportului de corelaţie se face cu ajutorul

testului Fisher-Snedecor:
n2 − k − 1 R32 130 0,9478

Fc = ⋅ = ⋅ = 2360,277
k 1 − R3
2
1 0,0522
Din tabela distribuţiei Fisher-Snedecor, pentru un prag de

v1 = k = 1 şi v2 = n2 − k − 1 = 130 se preia valoarea: F0, 05;1;130 ≅ 3,84 .
Se constată că Fc = 2360,2770 > F0,5;1;130 = 3,84 , deci valoarea
raportului de corelaţie este semnificativ diferită de zero, cu un prag de
semnificaţie α = 0,05 .
∑ (y − y3' ) = ∑ ( yˆ t' 3 − y3' ) + ∑ ( yt' 3 − yˆ t' 3 )

' 2 2 2
t3
203,2424 = 192,6325 + 10,6099
rezultă că modelul explică 94,78% ⎜

⎛ ∑ yˆ ' − y ' 2
t3 t3
⋅ 100
⎞ ( )
⎟ din variaţia totală
⎜
⎝ ∑ yt 3 − y3
' ' 2 ⎟
⎠ ( )
a fenomenului.
În final, modelul econometric se poate scrie:
yˆ t' 3 = 3,061 + 0,0317 ⋅ t ; R3 = 0,9735

(0,072) (0,0007) su ' = 0,2857
t3
d 2 ) Descrierea evoluţiei indicelui preţurilor bunurilor de consum în

perioada decembrie 1990 - decembrie 2004
Şi în acest caz, modelul utilizat în final este de forma:
y t' 4 = a 4' + b4' * t + u t' 4
În urma efectuării calculelor - vezi tabelul 4.2.6., coloanele 1, 2, 3, 4,

5 - a rezultat următorul sistem de ecuaţii:
⎧⎪169 ⋅ aˆ4' + 14365 ⋅ bˆ4' = 216,1675 ⎧⎪aˆ4' = 1,8399

⎨ ⇒⎨
⎪⎩14365 ⋅ aˆ4' + 1623245 ⋅ bˆ4' = 94603,0137 ⎪⎩bˆ4' = 0,042
yˆt' 4 = 1,8399 + 0,042 ⋅ t - vezi tabelul 4.2.6., coloana 6.

Valorile variabilei reziduale:
ut' 4 = yt' 4 − yˆ t' 4 - vezi tabelul 4.2.6., coloana 7.

Tabelul 4.2.6
t yˆt 4
yt 4 t 2
y = ln y t 4
'
t4 t⋅y '
t4
ut 4
1 2 3 4 5 6 7
1 1,377 1 0,3199 0,3199 1,8819 -1,5620
2 1,581 4 0,4581 0,9161 1,9239 -1,4658
3 1,692 9 0,5259 1,5777 1,9659 -1,4400
4 1,804 16 0,5900 2,3600 2,0079 -1,4179
5 2,282 25 0,8251 4,1253 2,0499 -1,2248
6 2,398 36 0,8746 5,2478 2,0919 -1,2172
7 2,445 49 0,8940 6,2583 2,1339 -1,2398
8 2,677 64 0,9847 7,8776 2,1759 -1,1912
9 2,976 81 1,0906 9,8152 2,2179 -1,1273
10 3,194 100 1,1613 11,6127 2,2599 -1,0986
11 3,526 121 1,2602 13,8618 2,3019 -1,0417
12 3,91 144 1,3635 16,3624 2,3439 -0,9803
13 4,445 169 1,4918 19,3931 2,3859 -0,8941
14 5,312 196 1,6700 23,3796 2,4279 -0,7579
15 5,974 225 1,7874 26,8113 2,4698 -0,6824
16 6,573 256 1,8830 30,1275 2,5118 -0,6289
t yˆt 4
yt 4 t2 y t' 4 = ln y t 4 t ⋅ yt' 4 ut 4
1 2 3 4 5 6 7
17 6,88 289 1,9286 32,7865 2,5538 -0,6252
18 7,713 324 2,0429 36,7723 2,5958 -0,5529
19 8,041 361 2,0846 39,6065 2,6378 -0,5533
20 8,296 400 2,1158 42,3155 2,6798 -0,5641
21 8,576 441 2,1490 45,1283 2,7218 -0,5729
22 9,445 484 2,2455 49,4007 2,7638 -0,5184
23 10,35 529 2,3370 53,7507 2,8058 -0,4688
24 11,75 576 2,4639 59,1325 2,8478 -0,3840
25 13,3 625 2,5878 64,6941 2,8898 -0,3021
26 14,83 676 2,6967 70,1130 2,9318 -0,2352
27 16,05 729 2,7757 74,9441 2,9738 -0,1981
28 17,52 784 2,8633 80,1736 3,0158 -0,1525
29 19,27 841 2,9585 85,7979 3,0578 -0,0993
30 25,135 900 3,2243 96,7278 3,0998 0,1244
31 26,511 961 3,2776 101,6044 3,1418 0,1357
32 30,007 1024 3,4014 108,8458 3,1838 0,2176
33 33,255 1089 3,5042 115,6388 3,2258 0,2784
34 36,891 1156 3,6080 122,6709 3,2678 0,3402
35 42,913 1225 3,7592 131,5711 3,3098 0,4494
36 48,994 1296 3,8917 140,1011 3,3518 0,5399
37 52,599 1369 3,9627 146,6198 3,3938 0,5689
38 55,176 1444 4,0105 152,4001 3,4358 0,5747
39 58,431 1521 4,0678 158,6460 3,4778 0,5900
40 63,281 1600 4,1476 165,9034 3,5198 0,6278
41 67,084 1681 4,2059 172,4438 3,5618 0,6441
42 70,424 1764 4,2545 178,6904 3,6038 0,6507
43 72,234 1849 4,2799 184,0362 3,6458 0,6341
44 73,375 1936 4,2956 189,0057 3,6878 0,6078
45 74,68 2025 4,3132 194,0946 3,7298 0,5834
46 77,62 2116 4,3518 200,1840 3,7718 0,5800
47 81,033 2209 4,3949 206,5583 3,8138 0,5811
48 83,337 2304 4,4229 212,2988 3,8558 0,5671
49 85,073 2401 4,4435 217,7320 3,8978 0,5457
50 86,783 2500 4,4634 223,1705 3,9398 0,5236
51 88,034 2601 4,4777 228,3639 3,9818 0,4959
52 88,85 2704 4,4869 233,3214 4,0238 0,4632
53 90,279 2809 4,5029 238,6540 4,0658 0,4371
54 91,249 2916 4,5136 243,7340 4,1078 0,4058
55 92,449 3025 4,5267 248,9661 4,1498 0,3769
56 94,831 3136 4,5521 254,9174 4,1918 0,3603
t yˆt 4
yt 4 t2 y t' 4 = ln y t 4 t ⋅ yt' 4 ut 4
1 2 3 4 5 6 7
57 95,75 3249 4,5617 260,0192 4,2338 0,3280
58 97,273 3364 4,5775 265,4962 4,2758 0,3018
59 100,735 3481 4,6125 272,1371 4,3178 0,2947
60 104,844 3600 4,6525 279,1484 4,3598 0,2927
61 108,681 3721 4,6884 285,9934 4,4018 0,2867
62 109,996 3844 4,7004 291,4275 4,4438 0,2567
63 112,072 3969 4,7191 297,3059 4,4858 0,2334
64 114,006 4096 4,7363 303,1201 4,5278 0,2085
65 116,223 4225 4,7555 309,1082 4,5698 0,1858
66 122,429 4356 4,8075 317,2971 4,6118 0,1958
67 123,701 4489 4,8179 322,7971 4,6537 0,1641
68 133,004 4624 4,8904 332,5458 4,6957 0,1946
69 138,046 4761 4,9276 340,0035 4,7377 0,1898
70 141,361 4900 4,9513 346,5922 4,7797 0,1716
71 146,154 5041 4,9847 353,9109 4,8217 0,1629
72 154,577 5184 5,0407 362,9298 4,8637 0,1770
73 170,52 5329 5,1389 375,1362 4,9057 0,2331
74 193,864 5476 5,2672 389,7696 4,9477 0,3194
75 230,253 5625 5,4392 407,9384 4,9897 0,4494
76 300,968 5776 5,7070 433,7323 5,0317 0,6753
77 321,738 5929 5,7737 444,5778 5,0737 0,7000
78 335,447 6084 5,8155 453,6062 5,1157 0,6997
79 343,155 6241 5,8382 461,2164 5,1577 0,6805
80 345,525 6400 5,8451 467,6052 5,1997 0,6453
81 357,683 6561 5,8796 476,2514 5,2417 0,6379
82 369,517 6724 5,9122 484,8001 5,2837 0,6285
83 393,458 6889 5,9750 495,9229 5,3257 0,6493
84 410,255 7056 6,0168 505,4094 5,3677 0,6491
85 428,722 7225 6,0608 515,1687 5,4097 0,6511
86 449,601 7396 6,1084 525,3190 5,4517 0,6566
87 481,926 7569 6,1778 537,4678 5,4937 0,6841
88 500,018 7744 6,2146 546,8887 5,5357 0,6789
89 513,652 7921 6,2415 555,4976 5,5777 0,6638
90 525,356 8100 6,2641 563,7669 5,6197 0,6444
91 531,958 8281 6,2766 571,1674 5,6617 0,6149
92 539,075 8464 6,2899 578,6666 5,7037 0,5862
93 542,505 8649 6,2962 585,5463 5,7457 0,5505
94 557,167 8836 6,3229 594,3493 5,7877 0,5352
95 578,775 9025 6,3609 604,2868 5,8297 0,5312
96 589,836 9216 6,3798 612,4651 5,8717 0,5082
97 602,654 9409 6,4013 620,9303 5,9137 0,4877
98 620,794 9604 6,4310 630,2379 5,9557 0,4753
99 638,633 9801 6,4593 639,4737 5,9977 0,4616
100 679,252 10000 6,5210 652,0992 6,0397 0,4813
101 712,217 10201 6,5684 663,4066 6,0817 0,4867
t yˆt 4
yt 4 t2 y t' 4 = ln y t 4 t ⋅ yt' 4 ut 4
1 2 3 4 5 6 7
102 750,064 10404 6,6202 675,2562 6,1237 0,4965
103 788,272 10609 6,6698 686,9939 6,1657 0,5042
104 801,289 10816 6,6862 695,3671 6,2077 0,4785
105 811,052 11025 6,6983 703,3249 6,2497 0,4487
106 836,906 11236 6,7297 713,3494 6,2917 0,4380
107 871,740 11449 6,7705 724,4426 6,3337 0,4368
108 906,513 11664 6,8096 735,4374 6,3757 0,4339
109 932,969 11881 6,8384 745,3825 6,4177 0,4207
110 973,18 12100 6,8806 756,8626 6,4597 0,4209
111 994,265 12321 6,9020 766,1224 6,5017 0,4003
112 1012,085 12544 6,9198 775,0140 6,5437 0,3761
113 1060,506 12769 6,9665 787,2147 6,5857 0,3808
114 1079,819 12996 6,9845 796,2386 6,6277 0,3569
115 1110,42 13225 7,0125 806,4368 6,6697 0,3428
116 1157,908 13456 7,0544 818,3069 6,7117 0,3427
117 1179,18 13689 7,0726 827,4912 6,7537 0,3189
118 1212,3 13924 7,1003 837,8324 6,7957 0,3046
119 1245,794 14161 7,1275 848,1759 6,8376 0,2899
120 1281,153 14400 7,1555 858,6619 6,8796 0,2759
121 1312,781 14641 7,1799 868,7683 6,9216 0,2583
122 1361,223 14884 7,2161 880,3689 6,9636 0,2525
123 1391,811 15129 7,2384 890,3184 7,0056 0,2327
124 1420,167 15376 7,2585 900,0577 7,0476 0,2109
125 1457,843 15625 7,2847 910,5892 7,0896 0,1951
126 1483,18 15876 7,3019 920,0449 7,1316 0,1703
127 1506,81 16129 7,3178 929,3543 7,1736 0,1441
128 1526,502 16384 7,3307 938,3340 7,2156 0,1151
129 1560,634 16641 7,3528 948,5173 7,2576 0,0952
130 1590,959 16900 7,3721 958,3720 7,2996 0,0725
131 1629,818 17161 7,3962 968,9053 7,3416 0,0546
132 1674,321 17424 7,4232 979,8575 7,3836 0,0395
133 1710,423 17689 7,4445 990,1180 7,4256 0,0189
134 1750,275 17956 7,4675 1000,6488 7,4676 -0,0001
135 1770,458 18225 7,4790 1009,6641 7,5096 -0,0306
136 1776,787 18496 7,4826 1017,6284 7,5516 -0,0691
137 1813,048 18769 7,5028 1027,8788 7,5936 -0,0908
138 1846,572 19044 7,5211 1037,9099 7,6356 -0,1145
139 1868,808 19321 7,5331 1047,0948 7,6776 -0,1446
140 1878,215 19600 7,5381 1055,3308 7,7196 -0,1815
141 1893,609 19881 7,5462 1064,0198 7,7616 -0,2154
142 1905,24 20164 7,5524 1072,4356 7,8036 -0,2512
143 1936,54 20449 7,5687 1082,3181 7,8456 -0,2769
144 1985,972 20736 7,5939 1093,5164 7,8876 -0,2937
145 2015,562 21025 7,6087 1103,2547 7,9296 -0,3209
146 2041,563 21316 7,6215 1112,7348 7,9716 -0,3501
147 2058,090 21609 7,6295 1121,5414 8,0136 -0,3841
148 2080,261 21904 7,6402 1130,7568 8,0556 -0,4153
t yˆt 4
yt 4 t2 y t' 4 = ln y t 4 t ⋅ yt' 4 ut 4
1 2 3 4 5 6 7
149 2102,433 22201 7,6509 1139,9767 8,0976 -0,4467
150 2112,712 22500 7,6557 1148,3592 8,1396 -0,4839
151 2130,651 22801 7,6642 1157,2916 8,1816 -0,5174
152 2156,248 23104 7,6761 1166,7710 8,2236 -0,5475
153 2161,892 23409 7,6787 1174,8471 8,2656 -0,5868
154 2208,250 23716 7,7000 1185,7932 8,3076 -0,6076
155 2241,910 24025 7,7151 1195,8379 8,3496 -0,6345
156 2274,159 24336 7,7294 1205,7810 8,3916 -0,6622
157 2300,562 24649 7,7409 1215,3227 8,4336 -0,6927
158 2325,921 24964 7,7519 1224,7957 8,4756 -0,7237
159 2340,629 25281 7,7582 1233,5498 8,5176 -0,7594
160 2352,277 25600 7,7631 1242,1023 8,5596 -0,7964
161 2365,909 25921 7,7689 1250,7957 8,6016 -0,8327
162 2372,672 26244 7,7718 1259,0271 8,6436 -0,8718
163 2386,768 26569 7,7777 1267,7644 8,6856 -0,9079
164 2417,116 26896 7,7903 1277,6142 8,7276 -0,9372
165 2430,250 27225 7,7957 1286,2987 8,7696 -0,9738
166 2453,240 27556 7,8052 1295,6574 8,8116 -1,0064
167 2483,340 27889 7,8174 1305,4991 8,8536 -1,0362
168 2499,397 28224 7,8238 1314,3992 8,8956 -1,0717
169 2513,608 28561 7,8295 1323,1812 8,9376 -1,1081
14365 133061,922 1623245 914,2418 94603,0137 914,2418 0,0000
În vederea testării semnificaţiei parametrilor â 4' şi b̂4' se vor calcula:
s2
= ∑u ' 2
t4
=
59,0821
= 0,3538 ⇒ su ' = 0,5948
u t' 4
T − k −1 167 t4
⎛ 1 852 ⎞
saˆ ' = 0,3538 ⋅ ⎜⎜ + ⎟⎟ = 0,0919
4
⎝ 169 402220 ⎠
0,3538
sbˆ ' = = 0,0009
4
402220
Analog, deoarece T = 169 > 30 se va utiliza testul „t”, distribuţia

normală, respectiv se preia valoarea t0,05 = 1,96 .
aˆ4'
tc ' = = 20,0172 > t0, 05 = 1,96
aˆ 4 saˆ '
4
bˆ4'
tc ˆ' = = 44,7808 > t0, 05 = 1,96
b4 sbˆ '
4
Astfel, pentru un prag de semnificaţie de 5%, estimatorii â 4' şi b̂4'

sunt semnificativ diferiţi de zero.
R4 = 1 − ∑u ' 2
t4
= 1−
59,0821
= 0,9231 = 0,9608
∑ (y '
t4 −y 4)
' 2 768,5329
Verificarea semnificaţiei raportului de corelaţie se va realiza cu

ajutorul testului Fischer-Snedecor:
167 0,9231
Fc = ⋅ = 2005,318
1 0,0769
Din tabela distribuţiei Fisher-Snedecor, pentru un prag de
v1 = k = 1 şi v2 = T − k − 1 = 167 se preia valoarea F0, 05;1;167 ≅ 3,84 .
Se constată că Fc = 2005,318 > F0,05;1;167 = 3,84 , deci valoarea
raportului de corelaţie este semnificativ diferită de zero, cu un prag de
semnificaţie α = 0,05 .
∑ (y ) = ∑ (yˆ ) (
− y4' + ∑ yt' 4 − yˆt' 4 )
2 2 2
'
t4 − y4' '
t4
768,5329 = 709,4508 + 59,0281

rezultă că modelul explică 92,31% ⎜

⎛ ∑ yˆ ' − y ' 2
t4 4
* 100
⎞ ( )
⎟ din variaţia totală
⎜
⎝ ∑ yt 4 − y4
' ' 2 ⎟
⎠ ( )
a fenomenului.
În final, modelul econometric se scrie:
yˆt' 4 = 1,8399 + 0,042 ⋅ t ; R4 = 0,9608

(0,0919) (0,0009) su ' = 0,5948
t4
Testarea ipotezei de stabilitate relativă în timp a legităţii de evoluţie

a indicelui preţurilor bunurilor de consum constă în compararea a două
mărimi:
- valoarea empirică sau calculată a mărimii Fc :
V02u − Vau2 T − 2 ⋅ (k + 1)
Fc = ⋅
Vau2 k +1
unde:
n
V02u = ∑u
t =1
2
0t - reprezintă suma pătratelor valorilor variabilei reziduale
înregistrate în perioada dec. 1990 - dec. 2004;

Vau2 = Va21u + Va22u
n1
Va21u = ∑u
t =1
2
înregistrate în perioada dec. 1990 - dec. 1993 (n1 = 37 ) ;

T
Va22u = ∑u
t = n1 +1
2
înregistrate în perioada ian. 1994 – dec 2004 (n2 = 132) ;

T = numărul total de observaţii (T = n1 + n 2 = 169) ;
k = numărul variabilelor exogene (k = 1) .
- se poate demonstra că această mărime este o variabilă aleatoare ce

urmează distribuţia Fisher-Snedecor în funcţie de un prag de semnificaţie
α = 0,05 şi de numărul gradelor de libertate v1 = k + 1 şi v 2 = T − 2 ⋅ (k + 1) ,
respectiv Fα ;v1 ;v2 .
Testarea ipotezei de stabilitate constă în alegerea uneia din
următoarele ipoteze:
H 0 : Dacă V02u ≅ Vau2 , rezultă că legitatea de evoluţie a fenomenului
este stabilă în timp, modelul putând fi utilizat în vederea efectuării
prognozei;
H 1 : Dacă V02u ≠ Vau2 , rezultă că legitatea de evoluţie a fenomenului nu
este stabilă în timp, iar modelul nu va putea fi utilizat în vederea efectuării
prognozei.
În cazul în care Fc ≤ Fα ;v1 ;v2 se alege ipoteza H 0 , iar
dacă Fc > Fα ;v1 ;v2 se alege ipoteza H 1 .
Aplicând aceste principii în problema de faţă s-au obţinut
următoarele valori:
169
V02u = ∑ u02t = 59,0821
t =1
37
Va21u = ∑ u12t = 0,2219
t =1
169
Va22 u = ∑ u22t = 10,6099
t = 38
V = Va21u + Va22 u = 0,2219 + 10,6099 = 10,8318

2
au
Valoarea calculată a mărimii Fc este:
59,0821 − 10,8318 169 − 2 ⋅ (1 + 1)

Fc = ⋅ = 367,5
10,8318 1+1
Din tabela distribuţiei Fisher-Snedecor, în funcţie de un prag de

semnificaţie α = 0,05 , de numărul gradelor de libertate v1 = 2 şi v2 = 165 se
preia valoarea F0,05; 2;165 ≅ 2,99 .
În urma comparării valorii calculate cu valoarea tabelată a variabilei
F se constată că Fc = 367,5 > F0,05;2;165 = 2,99 , în consecinţă ipoteza H 0 este
respinsă, deci legitatea de evoluţie a fenomenului nu este stabilă în timp,
modelul neputând fi utilizat în vederea efectuării prognozei.
4.1.3 Serii de timp cu trei componente: trend, sezonalitate

şi variabilă reziduală
Evoluţia trimestrială a pasagerilor transportaţi (mii pasageri) prin

intermediul transportului feroviar în România, în perioada 2000-2003, se
descrie prin următoarele date :
Tabelul 4.3.1
Anul Trimestre ( j = 1,4)
(i = 1,4) I II III IV
2000 29150 29406 29995 28950
2001 28878 29433 29105 26302
2002 24617 23796 24321 22884
2003 24039 23713 24313 22745
Sursa: Buletin statistic lunar nr. 2/2002, INS, Bucureşti, p. 77, Buletin statistic lunar nr.
2/2003, INS, Bucureşti, p. 95, Buletin statistic lunar nr. 11/2004, INS, Bucureşti, p. 88.
Se cere:
a) Să se aleagă modelul de ajustare privind descrierea fenomenului
analizat;
b) Să se estimeze componenta sezonieră şi să se determine seria
cronologică desezonalizată (S.C.V.S);
c) Să se specifice funcţia de ajustare privind tendinţa fenomenului şi
să se estimeze parametrii acesteia;
d) Să se verifice semnificaţia funcţiei de ajustare specificându-se

pragul de semnificaţie cu care aceasta poate fi acceptată ca semnificativă;
e) Să se estimeze valorile fenomenului y pe primele două trimestre
ale anului 2004.
Rezolvare:
a) Specificarea structurii modelului de timp se poate face cu ajutorul

mai multor metode, cum ar fi:
a1 ) metoda grafică;
a 2 ) metoda analizei variaţiei;
a1 ) Metoda grafică constă în construirea cronogramei seriei de timp

analizate.
y
30000
29000
28000
27000
26000
25000
24000
23000
22000
21000
20000
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Trimestre
Figura 4.3.1 Evoluţia trimestrială a pasagerilor transportaţi (mii pasageri) prin

intermediul transportului feroviar în România, în perioada 2000-2003
Întrucât cronograma fenomenului analizat indică o evoluţie

oscilantă, de natură sinusoidală, aceasta conduce la acceptarea unui model
structurat pe trei componente de forma:
y t = f ( t ) + s( t ) + u t
unde:
y t = valorile reale ale fenomenului analizat;
s( t ) = componenta sezonieră, efect al acţiunii factorilor sezonieri, a căror
influenţă se exercită pe perioade mai mici de un an;
f ( t ) = componenta trend, efect al influenţei factorilor esenţiali, reprezentînd
tendinţa de evoluţie a fenomenului analizat pe termen lung, tendinţă
care, pe baza graficului, poate fi descrisă cu ajutorul unei funcţii
liniare;
u t = componenta reziduală, efect al influenţei factorilor aleatori.
a 2 ) Metoda analizei variaţiei

Utilizarea acestei metode în scopul specificării modelului de ajustare
se fundamentează pe relaţia:
n m
∑ ∑ (y
i =1 j =1
ij − y0 ) = ∑∑ ( y
2
i j
i − y0 ) +
2
∑∑ (y
i j
j − y0 ) + ∑∑ (y
2
i j
ij − yi − y j + y 0 )
2
unde:
y ij = y t , unde t = j + m ⋅ (i − 1) ;
y i = mediile anuale i = 1, n, n = 4 ; ( )
y j = mediile trimestriale j = 1, m, m = 4 ; ( )
y 0 = media generală a seriei;
m 4
∑ yij
j =1
∑y
j =1
ij
yi = = (vezi tabelul 4.3.2., coloanele 5, 6);

m 4
n 4
∑ yij ∑y ij
yj = i =1
= i =1
(vezi tabelul 4.3.2., rândurile 4, 5)
n 4
n m n m
∑ yi ∑ yj
j =1
∑∑ y
i =1 j =1
ij
y0 = i =1
= = = 26352,94 mii pasageri
n m n⋅m
Tabelul 4.3.2
Nr. Anul Trimestre ( j = 1,4)

crt. (i = 1,4) I II III IV
Total yi
- 0 1 2 3 4 5 6
1 2000 29150 29406 29995 28950 117501 29375,25
2 2001 28878 29433 29105 26302 113718 28429,50
3 2002 24617 23796 24321 22884 95618 23904,50
4 2003 24039 23713 24313 22745 94810 23702,50
5 Total 106684 106348 107734 100881 421647 -
6 yj 26671,0 26587,0 26933,5 25220,3 - y 0 = 26352,94
Notând cu:
∆2y = ∑∑ (y
i j
ij − y0 )
2
- variaţia totală a fenomenului y;
∆2y / t = ∑ ∑ ( y i − y 0 ) - variaţia lui y explicată de componenta

2
i j
trend, efect al acţiunii factorilor esenţiali;

∆2y / s = ∑ ∑ y j − y 0 ( )
2
- variaţia lui y explicată de componenta
i j
sezonieră, efect al acţiunii factorilor sezonieri;

(
∆2y / u = ∑ ∑ y ij − y i − y j + y 0 )
2
- variaţia lui y generată de
i j
acţiunea factorilor întâmplători (componenta reziduală).
∆2y = ∑ ∑ ( yij − y0 ) = (29150 − 26352,94) + (29406 − 26352,94) + K + (22745 − 26352,94)

4 4
2 2 2 2
i =1 j =1
∆ = 115809110,9 -ceea ce reprezintă variaţia totală a fenomenului analizat.

2
y
[ ]
4 4
∆2y / t = ∑∑( yi − y0 ) = 4 ⋅ (29375,25 − 26352,94) + K+ (23702,50 − 26352,94)
2 2 2
i =1 j =1
∆2y / t = 105864599,19 - ceea ce reprezintă variaţia lui y explicată de

componenta trend, constituind 91,41% din variaţia totală;
[
∆2y / s = ∑∑ ( y j − y0 ) = 4 ⋅ (26671− 26352,94) + K + (25220,3 − 26352,94) ]
4 4
2 2 2
i =1 j =1
∆2y / s = 7103931,19 - ceea ce reprezintă variaţia lui y explicată de

componenta sezonieră, constituind 6,13% din variaţia totală;
∆2y / u = ∑∑ ( yij − yi − y j + y 0 ) = 115809110,9 − (105864599,19 + 7103931,19)

4 4
2
i =1 j =1
∆ 2
y/u = 2840580,56 - ceea ce reprezintă variaţia lui y generată de acţiunea
factorilor întîmplători, constituind 2,45% din variaţia totală.
Deoarece seria de timp pe baza căreia se urmăreşte descrierea

econometrică a legităţii de evoluţie a fenomenului reprezintă doar un
segment, doar o parte din evoluţia de lungă durată a acestuia, ea poate fi
asimilată unui sondaj şi, ca atare, se impune verificarea semnificaţiei
indicatorilor calculaţi pe perioada de timp analizată.
Testarea semnificaţiei rezultatelor obţinute se poate face cu testul
„F” - Fisher-Snedecor, ştiind că:
∆2y / t ∆2y / u 105864599,19 2840580,56

F 1
= : = : = 111,81
cal
n −1 (n − 1) ⋅ (m − 1) 3 3⋅3
∆2y / s ∆2y / u 7103931,19 2840580,56
F 2
= : = : = 7,5
cal
m −1 (n − 1) ⋅ (m − 1) 3 3⋅3
Din tabela distribuţiei Fisher-Snedecor se preia valoarea teoretică
1 2
corespunzătoare celor două valori calculate, Fcal şi Fcal , respectiv
F01,05;3;9 = 3,86 .
Deoarece
1
Fcal = 111,81 > F01,05;3;9 = 3,86
Fcal2 = 7,5 > F01,05;3;9 = 3,86
se poate accepta modelul yt = f (t ) + s (t ) + ut , cu un prag de semnificaţie de

5% (o probabilitate de 0,95), componenta trend deţinând o pondere de
91,41% din variaţia totală a fenomenului y, iar componenta sezonieră
6,13%.
b) Componenta sezonieră se poate exprima, fie sub formă relativă -

coeficienţii de sezonalitate, k j , fie sub formă absolută, s j .
Ca regulă generală, componenta sezonieră se calculează în raport cu
tendinţa (componenta trend).
În funcţie de modalităţile de exprimare a tendinţei, sezonalitatea se
poate determina prin mai multe procedee, dintre care:
b1 ) procedeul mediilor aritmetice;
b2 ) procedeul mediilor mobile ;
b3 ) procedeul tendinţei analitice.
b1 ) Procedeul mediilor aritmetice constă în compararea valorilor

empirice y ij cu mediile anuale y i şi calculul mediilor aritmetice ale acestor
valori, pe subperioadele anilor.
Astfel:
- sezonalitatea în valoare absolută s j rezultă din relaţia:
∑ ( yij − yi )
n n n
∑ yij ∑ yi
i =1 i =1
sj = = − i =1 = y j − y0
n n n
m m
De reţinut că ∑s
j =1
j = ∑ y j − m ⋅ y0 = m ⋅ yo − m ⋅ y0 = 0 ,
j =1
respectîndu-se criteriul echivalenţei ariilor ∑ y = ∑ f (t ) ,

t precum şi
condiţia ∑u t = 0.
- sezonalitatea în valoare relativă k j , respectiv coeficienţii de

sezonalitate, se calculează ca medii aritmetice simple, pe subperioadele j,
din rapoartele valorilor empirice y ij faţă de mediile anuale y i :
n y ij
∑y 1
n y ij
∑y
i =1 i
kj = = ⋅ ;
n n i =1 i
m n m y ij n m n m
1 1 1 1 1 m
∑ kj =
n
⋅ ∑∑ y =
n
⋅ ∑ yi
⋅ ∑ y ij =
n
⋅ ∑ m
⋅ ∑y ij =
n
⋅n=m
∑y
j =1 i =1 j =1 i i =1 j =1 i =1 j =1
ij
j =1
m
Dacă în urma calculelor, din cauza rotunjirii cifrelor, cele două
condiţii nu se verifică, acestea se corectează:
m m
a
∑
j =1
sj =a ≠0 s *j = s j −
m
⇒ ∑s
j =1
*
j =0
m m
m
∑
j =1
kj = a ≠ m k *j = k j ⋅
a
⇒ ∑k
j =1
*
j =m
În general, în practică, sezonalitatea se exprimă prin intermediul

coeficienţilor de sezonalitate k j , calculaţi pe baza mediilor aritmetice
anuale y i , ca expresie a trendului - aceştia sunt (vezi datele din tabelul
4.3.3.):
Tabelul 4.3.3
Anul
(i = 1,4)
Trimestre j = 1,4 ( )
I II III IV
2000 0,9923 1,0010 1,0211 0,9855
2001 1,0158 1,0353 1,0238 0,9252
2002 1,0298 0,9955 1,0174 0,9573
2003 1,0142 1,0004 1,0258 0,9596
Total 4,0521 4,0322 4,0880 3,8276
kj 1,0130 1,0081 1,0220 0,9569
y ij 1
Notă: k ij =
yi
;k j =
n
* ∑k ij .
De exemplu: k11 = 29150 : 29375,25 = 0,9923

k 21 = 28878 : 28429,50 = 1,0158
k1 = 4,0521 : 4 = 1,0130
Coeficienţii de sezonalitate, k j , arată că sezonalitatea k j > 1 se ( )

manifestă în trimestrul III al anului, iar cele mai mici valori se înregistrează
în ultimul trimestru.
Acest procedeu de exprimare a sezonalităţii nu se foloseşte decât
pentru a evidenţia intensitatea sezonalităţii datorită ipotezei restrictive pe
care se fundamentează.
- tendinţă constantă pe subperioadele anului
f (t ) = f [ j + m ⋅ (i − 1)] = y i , ∀j = 1, m
b2 ) Calculul componentei sezoniere şi al seriei C.V.S. cu ajutorul
mediilor mobile
Prin definiţie, fenomenul de sezonalitate se manifestă pe perioade
mai mici de un an. Cum numărul subperioadelor anuale este egal cu 4,
rezultă că numărul de termeni din care se vor calcula mediile mobile este
egal cu 4 - număr par de termeni (vezi tabelul 4.3.4.).
Tabelul 4.3.4
Ani Trimestre 1
y t = y ij y ij y ij k ij k *j y t* = y ij
(i) (j) k *j
0 1 2 3 4 5 6 7
I 29150 - - 0,9910 29414,56
-
II 29406 - - 1,0006 29389,03
2000 29375,3
III 29995 29341,3 1,0223 1,0289 29151,81
29307,3
IV 28950 29310,6 0,9877 0,9795 29556,12
29314,0
I 28878 29202,8 0,9889 0,9910 29140,09
29091,5
Ani Trimestre 1
y t = y ij y ij y ij k ij k *j y t* = y ij
(i) (j) k *j
0 1 2 3 4 5 6 7
II 29433 28760,5 1,0234 1,0006 29416,01
2001 28429,5
III 29105 27896,9 1,0433 1,0289 28286,83
27364,3
IV 26302 26659,6 0,9866 0,9795 26852,68
25955,0
I 24617 25357,0 0,9708 0,9910 24840,42
24759,0
II 23796 24331,8 0,9780 1,0006 23782,27
2002 23904,5
III 24321 23832,3 1,0205 1,0289 23637,31
23760,0
IV 22884 23749,6 0,9636 0,9795 23363,11
23739,3
I 24039 23738,3 1,0127 0,9910 24257,17
23737,3
II 23713 23719,9 0,9997 1,0006 23699,32
2003 23702,5
III 24313 - - 1,0289 23629,54
-
IV 22745 - - 0,9795 23221,20
Total - 421647 - - - - 421637,47
Notă: Datele din tabel au rezultat în urma calculelor:
1) Mediile mobile, calculându-se dintr-un număr par de termeni

( n = 4) , se determină în două etape:
1.1) medii provizorii
y + y2 + y3 + y4
y2, 4 = y1.2, 4 = 1 = 29375,3
4
y + y3 + y4 + y5
y3, 4 = y1.3, 4 = 2 = 29307,3
4
M
M
y13 + y14 + y15 + y16
y13, 4 = y4.2, 4 = = 23702,5
4
1.2) medii definitive (y ) , care centrează mediile provizorii pe

perioadele de timp ale seriei - pe trimestrele anilor:
y1.2, 4 + y1.3, 4
y3 = y1.3 = = 29341,3
2
y + y1.4, 4
y4 = y1.4 = 1.3, 4 = 29310,6
2
M
M
y 4.1, 4 + y 4.2, 4
y14 = y 4.2 = = 23719,9
2
( )
2. Coeficienţii provizorii de sezonalitate k ij se calculează ca raport
( ) ( )
între valorile reale y ij şi mediile mobile y ij cu ajutorul relaţiei:
y ij y1.3 29995
k ij = ; k1.3 = = = 1,0223
y ij y1.3 29341,3
M
M
y4.2 23713
k 4.2 = = = 0,9997
y4.2 23719,9
( )
3. Coeficienţii de sezonalitate k j se calculează ca medii aritmetice
simple din coeficienţii provizorii k ij : ( )

m
∑k
j =1
ij
kj =
m
Astfel, sezonalitatea va fi:
k2.1 + k3.1 + k4.1 0,9889 + 0,9708 + 1,0127

- trim. I: k1 = = = 0,9908
3 3
k + k3.2 + k 4.2 1,0234 + 0,978 + 0,9997
- trim. II: k 2 = 2.2 = = 1,0004
3 3
k + k 2.3 + k 4.3 1,0223 + 1,0433 + 0,978
- trim. III: k3 = 1.3 = = 1,0287
3 3
k + k2.4 + k3.4 0,9877 + 0,9866 + 1,0205
- trim. IV: k4 = 1.4 = = 0,9793
3 3
4. Cei patru coeficienţi de sezonalitate trebuie să respecte egalitatea:

m
∑kj
j = m.
∑k
j =1
j = 0,9908 + 1,0004 + 1,0287 + 0,9793 = 3,9991 ≠ m
Datorită aproximărilor în plus, condiţia nu este respectată şi, ca

atare, coeficienţii k j vor trebui corectaţi. Corectarea constă în:
4
k ∗j = k j ; k1∗ = 0,9908 ⋅ 1,0002 = 0,991
3,9991
k 2∗ = 1,0004 ⋅ 1,0002 = 1,0006
k 3∗ = 1,0287 ⋅ 1,0002 = 1,0289
k 4∗ = 0,9793 ⋅ 1,0002 = 0,9795
4
∑k
j =1
∗
j = 4,0000
5. Valorile desezonalizate, y t∗ , sau seria C.V.S. se calculează cu

relaţia:
1
y t∗ = y ij - vezi ultima coloană din tabelul 4.3.5.
k ∗j
b3 ) Calculul componentei sezoniere şi a seriei C.V.S. pe baza

tendinţei analitice a seriei
Acest procedeu constă în estimarea valorilor tendinţei fenomenului
cu ajutorul unei funcţii de ajustare, specificată pentru valorile reale ale
fenomenului y ij , după care se vor calcula coeficienţii de sezonalitate k j ,
după acelaşi principiu ca în cazurile precedente.
Aplicarea acestui procedeu constă în efectuarea următoarelor
operaţii:
1. Specificarea funcţiei de ajustare
Pe baza graficului din figura 4.3.1., se poate reţine ipoteza că
evoluţia fenomenului poate fi descrisă cu ajutorul unei funcţii liniare
y t = a + bt .
2. Estimarea parametrilor funcţiei de ajustare se face pe baza
aplicării metodei celor mai mici pătrate (M.C.M.M.P.):
( ) (
F aˆ , bˆ = min ∑ ( yt − yˆ t ) = min ∑ yt − aˆ − bˆt
2
)
2
t t
( ) = 0 ⇒ Ta$ + b$
∂F a$ , b$
∂a$
∑t = ∑y t
( )
∂F aˆ , bˆ
= 0 ⇒ aˆ ∑ t + bˆ∑ t 2 = ∑ y t t
∂bˆ
Tabelul 4.3.5
yt
Ani Trim. t yt t2 t ⋅ yt ŷ t k ij kj y t* =
kj
0 1 2 3 4 5 6 7 8 9
2000 1 1 29150 1 29150 30331,41 0,9610 0,9829 29658,48
2 2 29406 4 58812 29800,95 0,9867 0,9983 29457,22
3 3 29995 9 89985 29270,49 1,0248 1,0325 29050,23
4 4 28950 16 115800 28740,02 1,0073 0,9865 29344,91
2001 1 5 28878 25 144390 28209,56 1,0237 0,9829 29381,73
2 6 29433 36 176598 27679,10 1,0634 0,9983 29484,27
3 7 29105 49 203735 27148,63 1,0721 1,0325 28188,26
4 8 26302 64 210416 26618,17 0,9881 0,9865 26660,79
2002 1 9 24617 81 221553 26087,71 0,9436 0,9829 25046,41
2 10 23796 100 237960 25557,24 0,9311 0,9983 23837,45
3 11 24321 121 267531 25026,78 0,9718 1,0325 23554,95
4 12 22884 144 274608 24496,32 0,9342 0,9865 23196,16
2003 1 13 24039 169 312507 23965,85 1,0031 0,9829 24458,32
2 14 23713 196 331982 23435,39 1,0118 0,9983 23754,30
3 15 24313 225 364695 22904,93 1,0615 1,0325 23547,20
4 16 22745 256 363920 22374,46 1,0166 0,9865 23055,27
Total - 136 421647 1496 3403642 421647,0 - - 421675,95
⎧⎪16aˆ + 136bˆ = 421647

⎨
⎪⎩136aˆ + 1496bˆ = 3403642
⎧aˆ = 30861,88
⇒⎨
ˆ
⎩b = −530,4632
Valorile tendinţei se calculează cu relaţia:
yˆt = 30861,88 − 530,4632 t - vezi tabelul 4.3.5., coloana 6.
3. Calculul coeficienţilor provizorii de sezonalitate:
yij
kij = - vezi tabelul 4.3.5., coloana 7.
yˆ ij
4. Calculul coeficienţilor de sezonalitate k j - a componentei

4
∑k ij
sezoniere sub formă relativă - k j = i =1
:
4
0,961 + 1,0237 + 0,9436 + 1,0031

k1 = = 0,9829
4
0,9867 + 1,0634 + 0,9311 + 1,0118
k2 = = 0,9983
4
1,0248 + 1,0721 + 0,9718 + 1,0615
k3 = = 1,0325
4
1,0073 + 0,9881 + 0,9342 + 1,0166
k4 = = 0,9865
4
4
Deoarece ∑k j =1
j = 0,9829 + 0,9983 + 1,0325 + 0,9865 = 4,0002 ≈ 4 nu
se vor corecta aceşti coeficienţi.

1
5. Calculul valorilor C.V.S. - y t∗ = y t - vezi tabelul 4.3.5.,
kj
coloana 9.
Componenta sezonieră, precum şi valorile seriei de timp C.V.S., se
pot calcula şi pe baza sezonalităţii s j - exprimată în valori absolute. Se
calculează sezonalităţile, s j , ca medii aritmetice ale diferenţelor ( yij − yˆij )
pe fiecare an:
∑ (y − yˆij )
n
ij
sj = i =1
n
m
Dacă: ∑s j =1
j = 0 , se păstrează aceste valori.
m
Dacă: ∑s
j =1
j = a ≠ 0 , se corectează aceste valori cu relaţia:
a m ∗
s ∗j = s j − ; ∑ sj = 0
m j =1
Valorile seriei C.V.S. rezultă din relaţia:
y ij∗ = y ij − s∗j
c) Estimarea valorilor componentei trend şi a valorilor variabilei

reziduale
Funcţia de ajustare privind tendinţa fenomenului în perioada
2000-2003 se deduce pe baza valorilor C.V.S., adică a seriei de timp
corectată de variaţiile sezoniere, denumită şi serie desezonalizată.
Seria iniţială fiind desezonalizată cu ajutorul mai multor procedee,
estimarea celor două componente - trend şi variabila reziduală - se poate
face utilizând rezultatele obţinute la oricare din aceste metode.
Pentru exemplificare s-au utilizat rezultatele obţinute în cazul
aplicării metodei mediilor mobile - vezi tabelul 4.3.4., coloana 7.
Tabelul 4.3.6
Ani Trim. t y *
t t 2
t⋅y *
t yˆ *
t
ut u 2
t (t − t )2
0 1 2 3 4 5 6 7 8 9
2000 1 1 29414,56 1 29414,56 30326,24 -911,68 831158.68 56,25
2 2 29389,03 4 58778,06 29796,39 -407,36 165938.98 42,25
3 3 29151,81 9 87455,43 29266,53 -114,72 13161.40 30,25
4 4 29556,12 16 118224.46 28736.68 819.44 671481.62 20.25
2001 1 5 29140,09 25 145700,46 28206,83 933,26 870979.42 12,25
2 6 29416,01 36 176496,08 27676,97 1739,04 3024245.29 6,25
3 7 28286,83 49 198007,80 27147,12 1139,71 1298935.90 2,25
4 8 26852,68 64 214821,41 26617,27 235,41 55418.64 0,25
2002 1 9 24840,42 81 223563,78 26087,42 -1247,00 1554997.52 0,25
2 10 23782,27 100 237822,67 25557,56 -1775,29 3151663.25 2,25
3 11 23637,31 121 260010,44 25027,71 -1390,40 1933210.73 6,25
4 12 23363,11 144 280357,37 24497,86 -1134,75 1287649.69 12,25
Ani Trim. t y t* t2 t ⋅ yt* yˆ t* ut ut2 (t − t )2

0 1 2 3 4 5 6 7 8 9
2003 1 13 24257,17 169 315343,27 23968,00 289,17 83617.22 20,25
2 14 23699,32 196 331790,41 23438,15 261,17 68209.45 30,25
3 15 23629,54 225 354443,06 22908,30 721,24 520190.51 42,25
4 16 23221,20 256 371539,27 22378,44 842,76 710236.49 56,25
Total - 136 421637,47 1496 3403768,54 421637,47 0,00 16241094.78 340,00
Pe baza graficului din figura 4.3.1. şi a calculelor precedente, funcţia

de ajustare se specifică prin funcţia liniară:
yˆ t∗ = cˆ + dˆt
Estimarea parametrilor se face cu ajutorul M.C.M.M.P. Aplicarea

acesteia conduce la obţinerea următorului sistem de ecuaţii:
⎧⎪T cˆ + dˆ ∑ t = ∑ y t∗
⎨
⎪⎩cˆ ∑ t + dˆ ∑ t 2 = ∑ y t∗t
Pe baza calculelor din tabelul 4.3.6., coloanele 2, 3, 4 şi 5, sistemul

de ecuaţii devine:
⎧⎪16cˆ + 136dˆ = 421637,47 ⎧cˆ = 30856,09

⎨ ⇒⎨
⎪⎩136cˆ + 1496dˆ = 3403768,54 ˆ
⎩d = −529,853
Pe baza estimatorilor parametrilor se vor calcula valorile estimate ale

variabilei yˆ t* :
yˆt* = 30856,09 − 529,853t
(vezi tabelul 4.3.6., coloana 5).
d) Pentru a verifica semnificaţia parametrilor şi a funcţiei de ajustare

se vor calcula:
- dispersia variabilei reziduale
1 1
su2ˆ =
T − k −1
∑ ut2 = ⋅ 16241094,78 = 1160078,2 ⇒ suˆ = 1077,07
14
(vezi tabelul 4.3.6., coloana 8)
- abaterile medii pătratice ale estimatorilor
⎛1 ⎞
t2 ⎟ = 1160078,2 ⋅ ⎛⎜ 1 + 8,5 ⎞⎟ = 564,8199
2
scˆ = su2ˆ ⋅ ⎜ + ⎜ 16 340 ⎟
⎜ T ∑ (t − t )2 ⎟ ⎝ ⎠
⎝ ⎠
su2ˆ 1160078,2
sdˆ = = = 58,4123
∑ (t − t )2
340
- valoarea raportului de corelaţie
R = 1− ∑u 2
t
= 1−
16241094,78
= 0,8546 = 0,9244
∑ (y ∗
t −y )
∗ 2 111694107,43
Utilizând ecuaţia analizei variaţiei:
∑ (y − y ∗ ) = ∑ ( yt∗ − yˆ t∗ ) + ∑ ( yˆ t∗ − y ∗ )
∗ 2 2 2
t
111694107,43 = 16241094,78 + 95453012,65
⎛ ∑ yˆ ∗ − y ∗ 2
rezultă că modelul econometric explică 85,46% ⎜ t
⋅ 100
⎞ (
⎟ din )
⎜
⎝ ∑ yt − y
* ∗ 2
⎟
⎠ ( )
variaţia totală a fenomenului analizat.
În concluzie, modelul econometric se poate scrie:
yˆt* = 30856,09 − 529,853t ; R = 0,9244

(564,8199) (58,4123) suˆ = 1077,07
Deoarece numărul gradelor de libertate T = 16 < 30 ,vom utiliza

distribuţia Student cu T-k-1 grade de libertate, unde k = numărul variabilelor
explicative.
Lucrând cu un prag de semnificaţie α = 0,05 , din tabela distribuţiei
Student se preia valoarea tα ;T − k −1 = t0, 05;14 = 2,145 .
Estimatorii c$ şi d$ sunt semnificativ diferiţi de zero dacă se
verifică relaţiile:
cˆ 30856,09
tcˆ = = = 54,63 > t0, 05;14 = 2,145
scˆ 564,8199
dˆ − 529,853
tdˆ = = = 9,0709 > t0,05;14 = 2,145
sdˆ 58,4123
Pe baza calculelor de mai sus se observă că estimatorii parametrilor

c şi d sunt semnificativ diferiţi de zero, cu un prag de semnificaţie α = 0,05 .
Verificarea semnificaţiei raportului de corelaţie se face cu ajutorul
testului Fisher - Snedecor:
T − k − 1 R2
Fc = ⋅
k 1 − R2
R fiind semnificativ diferit de zero dacă Fc > Fα ,v1 ,v2 .
14 0,8546
Fc = ⋅ = 82,2815
1 0,1454
Din tabela distribuţiei Fisher – Snedecor, în funcţie de un prag de

semnificaţie α = 0,05 şi de numărul gradelor de libertate v1 = k = 1 şi
v2 = T − k − 1 = 14 , se preia valoarea F0,05;1;14 = 4,60 .
Fc = 82,2815 > F0,05;1;14 = 4,60 , deci valoarea raportului de corelaţie
este semnificativ diferită de zero, cu un prag de semnificaţie α = 0,05 .
e) Modelul cu ajutorul căruia a fost estimată tendinţa fenomenului

fiind acceptat ca semnificativ, acesta poate fi folosit la estimarea prognozei
fenomenului analizat.
Evoluţia fenomenului fiind alcătuită din trei componente, prognoza
într-un astfel de caz se realizează în trei etape:
e1 ) se prognozează valorile tendinţei fenomenului - vezi ŷ17∗ şi ŷ18
*
;
e2 ) se corectează aceste valori cu influenţele probabile ale variabilei
reziduale (factori întâmplători) - eroarea de prognoză, ∆ y = ±tα s y ;
e3 ) intervalele de încredere estimate la punctele precedente se
corectează cu influenţa factorilor sezonieri exprimată în coeficienţi de
sezonalitate k j .
Astfel, nivelul previzionat al fenomenului va fi:
- în primul trimestru al anului 2004:
yˆ17* = 30856,09 − 529,853 ⋅ 17 = 21848,59 mii pasageri
Abaterea standard a nivelului previzionat al fenomenului în acest caz

va fi egală cu:
⎛ 1 (t − t )2 ⎞
⎟ = 1160078,2 ⋅ ⎜1 + 1 + (17 − 8,5) ⎟ = 1216,1824
⎛ 2
⎞
s yˆ ∗ = su2 ⋅ ⎜1 + + 17 ⎜ 16
17 ⎜ T ∑(t − t ) ⎟
⎝
2
⎠ ⎝ 340 ⎟⎠
Intervalul de încredere a prognozei fenomenului analizat, estimat cu

un prag de semnificaţie α = 0,05 , pentru care valoarea lui t, preluată din
tabela distribuţiei Student, este t0,05;14 = 2,145 , se va calcula cu ajutorul
relaţiei:
( [
P y17∗ ∈ k1* ⋅ yˆ17∗ ± tα s yˆ *
17
]) = 1 − 0,05 = 0,95
(
P y17∗ ∈ 0,991 ⋅ [21848,59 ± 2,145 ⋅ 1216,1824] = 0,95 )
P (y ∈ 0,991 ⋅ [19239,88;24457,30]) = 0,95
∗
17
P ( y ∈ [19066,72;24237,18]) = 0,95
∗
17
- în al doilea trimestru al anului 2004:

yˆ18* = 30856,09 − 529,853 ⋅ 18 = 21318,74 mii pasageri
⎛ 1 (18 − 8,5) ⎞
2
s yˆ ∗ = 1160078,2 ⋅ ⎜1 + + ⎟ = 1241,1751
⎜ 16 340 ⎟
⎝ ⎠
18
(∗
P y18
* ∗
[
∈ k 2 ⋅ yˆ18 ])
± tα s yˆ ∗ = 1 − 0,05 = 0,95
18
(∗
P y18 )
∈1,0006 ⋅ [21318,74 ± 2,145 ⋅ 1241,1751] = 0,95
P (y ∈1,0006 ⋅ [18656,42;23981,06]) = 0,95
∗
18
P ( y ∈ [18667,61;23995,45]) = 0,95
∗
18
În final, în urma calculelor efectuate, se poate considera că în

trimestrul I al anului 2004 nivelul fenomenului analizat va fi cuprins în
intervalul [19066,72;24237,18] , iar în trimestrul al II-lea în intervalul
[18667,61;23995,45] , şansele de realizare a acestor prognoze fiind de 95%.
Valorile reale ale fenomenului, înregistrate în trimestrele I şi II ale
anului 2004, fiind 23570 şi 26291 mii pasageri, iar intervalele de prognoză
calculate fiind [19066,72;24237,18] , respectiv [18667,61;23995,45] , se
observă că valoarea reală a pasagerilor transportaţi din primul trimestru al
anului 2004 este cuprinsă în primul interval, dar cea înregistrată în cel de-al
doilea trimestru nu este cuprinsă în cel de-al doilea interval şi, ca atare,
estimarea prognozei pasagerilor transportaţi prin intermediul transportului

feroviar cu ajutorul modelului:
yˆt* = 30856,09 − 529,853t ; R = 0,9244
(564,8199) (58,4123) suˆ = 1077,07
a condus la o estimare corectă a valorii reale doar în cazul trimestrului I al
anului următor, iar, în cazul valorii corespunzătoare celui de-al doilea
trimestru, aceasta nu se încadrează în intervalul de prognoză, depăşind
limita superioară a acestuia. Aceasta semnifică faptul că, pentru un prag de
semnificaţie de 5%, prognoza fenomenului se poate realiza doar pe termen
foarte scurt, respectiv o perioadă.
4.1.4 Metode de nivelare a seriilor de timp
4.1.4.1. Nivelarea seriilor de timp cu ajutorul metodei mediilor

mobile ( le lissaje des series de temps par les moyennes mobiles - franceză,
smoothing time series with moving averages - engleză)
Se cunosc următoarele date privind consumul final real al

gospodăriilor populaţiei, în România, în perioada 1990-2003, exprimate în
miliarde lei preţuri comparabile (1990=100):
mld. lei. (1990=100) Tabelul 4.4.1.1

Consumul final Consumul final
Anii Anii
real al pop. real al pop.
(t) (t)
(Ct) (Ct)
0 1 0 1
1980 433,3 1992 432,1
1981 442,1 1993 435,9
1982 436,3 1994 447,3
1983 433,1 1995 505,3
1984 450,1 1996 545,7
1985 442,0 1997 525,7
1986 448,1 1998 586,2
1987 472,1 1999 579,8
1988 513,2 2000 582,3
Consumul final Consumul final

Anii Anii
real al pop. real al pop.
(t) (t)
(Ct) (Ct)
0 1 0 1
1989 516,6 2001 610,7
1990 557,7 2002 629,1
1991 467,4 2003 673,7
Notă: Consumul final al populaţiei este calculat conform metodologiei de calcul a Sistemului
European al Conturilor Economiei Integrate - SEC 1979. Acesta a fost deflaţionat cu ajutorul
deflatorului consumului final al populaţiei exprimat în preţuri constante (1990 = 100).
Sursa: Date prelucrate pe baza Anuarului Statistic al României 1995, CNS, Bucureşti, 1996, p. 370-
371, Anuarului Statistic al României 2000, I.N.S., Bucureşti, 2001, p. 136, Anuarului Statistic al
României 2001, INS, Bucureşti, 2002, p. 278, Anuarului Statistic al României 2003, INS, Bucureşti,
2004, p. 284, Comunicatului de Presă al INS nr.11/26.02.2004.
Se cere:
a) Să se estimeze valoarea consumului final real al gospodăriilor
populaţiei în anul următor cu ajutorul metodei mediilor mobile de ordinul
unu;
b) Să se estimeze valoarea consumului final real al gospodăriilor
populaţiei în anul următor cu ajutorul metodei mediilor mobile de ordinul
doi;
c) Să se facă discuţia rezultatelor obţinute la punctele a) şi b) şi să se
justifice soluţia corectă.
Rezolvare:
a) În vederea aplicării metodelor de nivelare asupra seriei de date a

consumului populaţiei se porneşte de la premisa că valorile înregistrate în
timp de consumul populaţiei sunt rezultatul unui proces autoregresiv de
forma:
C t = a1C t −1 + a 2 C t − 2 + ... + a h C t − h + u t (1)
Deşi, teoretic, un proces autoregresiv poate fi de ordinul 1, 2, …, h,

în practică, de regulă, se lucrează cu un proces autoregresiv de ordinul întâi:
C t = aC t −1 + u t (2)
Aplicarea metodei nivelării cu ajutorul mediilor mobile de ordinul

întâi asupra acestei serii se poate realiza numai în cazul seriilor de timp
staţionare.
În vederea verificării ipotezei staţionarităţii seriei de timp privind
consumul populaţiei, pot fi aplicate o serie de teste, cum ar fi: testul Dickey-
Fuller (DF Test), testul ADF (Augmented Dickey-Fuller Test) şi testul
Phillips-Perron. În această situaţie a fost aplicat testul rădăcinii unităţii
(Pecican, Tănăsoiu, Iacob, 2001, p. 139-140), pentru a verifica dacă
consumul final real al populaţiei este integrat de ordinul întâi sau de ordinul
zero. În acest scop au fost calculate diferenţele de ordinul întâi, ∆t1 = Ct–Ct-1
(vezi tabelul 4.4.1.2., coloana 1). Acest test se bazează pe următoarea
ecuaţie de regresie:
∆C t = α 0 + α 1C t −1 + u t (3)
şi presupune verificarea următoarelor ipoteze :

H0: dacă α1 = 0 rezultă că seria valorilor consumului final real al
populaţiei, Ct, este integrată cel puţin de ordinul întâi (Ct ∼ I(1));
H1: dacă α1 < 0 rezultă că seria valorilor consumului final real al
populaţiei, Ct, este integrată de ordinul zero, respectiv este staţionară
(Ct ∼ I(0)).
În urma aplicării pachetului de programe EViews în vederea stabilirii
ordinului de integrare al consumului final real al populaţiei cu ajutorul
testului ADF s-au obţinut următoarele rezultate:
ADF Test Statistic -0,0181 1% Critical Value* -3,7497

5% Critical Value -2,9969
*MacKinnon critical values for rejection of hypothesis of a unit root.
Augmented Dickey-Fuller Test Equation

Dependent Variable: ∆C t

Sample(adjusted): 1981 2003
Included observations: 23 after adjusting endpoints
C t −1 -0,0020 0,1095 -0,0181 0,9857

C 11,4425 55,1744 0,2074 0,8377
Adjusted R-squared -0,0476 S.D. dependent var 32,8557
A rezultat astfel următoarea ecuaţie de regresie
∆C t = −0,002C t −1 + 11,4425
(4)
(0,1095) (55,1744)
Valoarea tabelată, preluată din tabela elaborată de MacKinnon în
vederea testării ipotezei rădăcinii unităţii, pentru un număr de observaţii
n = 23, corespunzătoare unui prag de semnificaţie de 5%, este egală cu
tα = -2,9969. Deoarece testul rădăcinii unităţii ADF = -0,0181 >-2,9969,
rezultă că ipoteza, potrivit căreia seria valorilor consumului final real al
populaţiei, Ct, este integrată cel puţin de ordinul întâi, I(1), este acceptată. În
această situaţie, este posibil ca seria valorilor consumului final real al
populaţiei, Ct, să fie integrată de ordinul doi, I(2), şi nu doar de ordinul întâi.
În consecinţă, va fi aplicat din nou testul ADF, care se bazează pe
următoarea ecuaţie de regresie:
∆(2 )C t = α 0 + α 1 ∆ C t −1 + u t (5)
care presupune testarea ipotezelor :

H0: dacă α1 = 0 rezultă că seria valorilor consumului final real al
populaţiei, Ct, este integrată cel puţin de ordinul doi (Ct ∼ I(2));
H1: dacă α1 < 0 rezultă că seria valorilor consumului final real al

populaţiei, Ct, este integrată de ordinul întâi (Ct ∼ I(1)).
Dacă ipoteza H0 este respinsă, rezultă că seria valorilor consumului
final real al populaţiei, Ct, este integrată de ordinul întâi. În caz contrar, va
trebui să se verifice dacă seria valorilor consumului final real al populaţiei,
Ct, este integrată de ordinul trei sau mai mare. În urma aplicării testului
ADF s-au obţinut următoarele rezultate:
ADF Test Statistic -4,2680 1% Critical Value* -3,7667

*MacKinnon critical values for rejection of hypothesis of a unit root.
Augmented Dickey-Fuller Test Equation

(2 )
Dependent Variable: ∆ C t
∆ Ct−1 -0,9796 0,2295 -4,2680 0,0004

C 10,3456 7,6236 1,3570 0,1899
∆(2 )C t = −0,9796∆C t −1 + 10,3456

(6)
(0,2295) (7,6236)
Deoarece testul rădăcinii unităţii, ADF = -4,2680<-3,0038, rezultă că

ipoteza nulă potrivit căreia seria valorilor consumului final real al
populaţiei, Ct, este integrată de ordinul doi, I(2), este respinsă, de unde
rezultă că seria valorilor consumului final real al populaţiei, Ct, este

integrată de ordinul întâi. Deci, seria staţionară a consumului final real al
populaţiei se obţine pe baza diferenţelor de ordinul întâi.
În vederea nivelării consumului populaţiei cu ajutorul metodei
mediilor mobile de ordinul întâi (Tănăsoiu, Iacob, 1999, p. 182-183), termenul
Cˆ 1 se va calcula sub forma unei medii aritmetice simple a m termeni
t +1
precedenţi Ct-k, t = 1, n , k = 0, m . Termenii seriei ajustate privind

consumului populaţiei vor fi determinaţi astfel:
C t + C t −1 + ... + C t −( m −1) 1 m −1
Cˆ t1+1 =
m
= ∑ Ct −k
m k =0
(7)
unde:
m = numărul de termeni din care se calculează mediile mobile;
n = numărul perioadelor observate.
Dacă evoluţia în timp a consumului populaţiei poate fi modelată cu
ajutorul unei funcţii liniare:
C t = β 0 + β 1t + u t (8)
estimatorii β0 şi β1, calculaţi cu ajutorul metodei celor mai mici pătrate, sunt
nedeplasaţi, iar ajustarea consumului populaţiei utilizând metoda mediilor
mobile de ordinul întâi se va realiza astfel:
m −1
Cˆ t1+1 = β 0 + β 1t − β1 (9)
2
În vederea nivelării seriei staţionarizate a consumului final real al

populaţiei pe baza diferenţelor de ordinul întâi cu ajutorul mediilor mobile
de ordinul întâi este necesar să se stabilească numărul de termeni, m, din
care se vor calcula mediile mobile. Acest lucru se realizează, de regulă, prin
iteraţii succesive, atribuindu-i-se lui m diferite valori: m = 3, 4, 5,… urmând
a fi aleasă acea valoare a lui m pentru care suma pătratelor diferenţelor
dintre termenii empirici, Ct, şi termenii teoretici, Ctm, calculaţi pentru
diferite valori ale lui m, este minimă, min ∑ (C t − C tm ) .
2
k
t
Valorile ajustate ale seriei staţionarizate a consumului populaţiei au

fost calculate pe baza mediilor mobile pentru un număr de m = 5 termeni
(vezi tabelul 4.4.1.2., coloana 2), m = 6 (vezi tabelul 4.4.1.2., coloana 4) şi
m = 7 termeni (tabelul 4.4.1.2., coloana 6).
Valorile ajustate ale seriei staţionarizate a consumului final real

al populaţiei în România în perioada 1980-2003 calculate cu ajutorul
mediilor mobile de ordinul cinci, şase şi şapte
mld. lei (1990=100) Tabelul 4.4.1.2
t ∆1t ∆1t.5 (∆1t − ∆1t.5 ) 2 ∆1t.6 (∆1t − ∆16t ) 2 ∆1t.7 (∆1t − ∆1t.7 ) 2 C t1+1
0 1 2 3 4 5 6 7 8
1980 - - - - - - - -
1981 8,8 - - - - - - -
1982 -5,8 - - - - - - -
1983 -3,2 - - - - - - -
1984 17,0 - - - - - - -
1985 -8,1 - - - - - - -
1986 6,1 1,7 18,85 - - - - -
1987 24,1 1,2 522,34 2,5 466,37 - - -
1988 41,1 7,2 1151,08 5,0 1302,12 5,5 1263,78 477,7
1989 3,4 16,0 159,29 12,8 88,58 10,2 45,63 523,4
1990 41,1 13,3 771,60 13,9 737,99 11,5 877,14 528,1
1991 -90,3 23,1 12867,17 17,9 11714,33 17,8 11684,68 575,5
1992 -35,3 3,9 1532,49 4,2 1561,39 2,5 1425,62 469,9
1993 3,7 -8,0 137,88 -2,7 40,97 -1,4 26,56 430,7
1994 11,5 -15,5 724,79 -6,0 306,11 -1,7 174,17 434,1
1995 57,9 -13,9 5155,18 -11,0 4750,34 -3,5 3780,31 443,8
1996 40,4 -10,5 2592,39 -1,9 1790,97 -1,1 1727,52 504,1
1997 -20,0 15,7 1275,12 -2,0 325,81 4,2 585,92 549,9
1998 60,6 18,7 1752,48 9,7 2586,73 -4,6 4243,95 521,1
1999 -6,4 30,1 1328,99 25,7 1028,35 17,0 545,65 603,2
2000 2,5 26,5 578,07 24,0 463,77 21,1 347,55 600,9
2001 28,4 15,4 170,09 22,5 35,43 20,9 56,68 603,2
2002 18,3 13,0 28,25 17,6 0,55 23,3 25,22 634,1
2003 44,7 20,7 575,13 13,9 946,81 17,7 727,88 646,7
Total - - 31341,19 - 28146,63 - 27538,28 -
Notă: ∆ = diferenţele de ordinul i şi mediile mobile de ordinul j.
i. j
t
Deoarece cea mai mică valoare a sumei diferenţelor pătratice dintre

valorile empirice şi valorile ajustate ale seriei de timp privind consumul
final real al populaţiei (vezi tabelul 4.4.1.2., coloanele 3, 5 şi 7) a fost
obţinută pentru un număr de şapte termeni, a fost ales m = 7 ca fiind
numărul adecvat de termeni corespunzător seriei staţionarizate a consumului
populaţiei (vezi tabelul 4.4.1.2., coloana 6). Reconstituirea seriei de timp
privind consumul populaţiei pe baza mediilor mobile de ordinul întâi, C t1+1 ,
este prezentată în tabelul 4.4.1.2., coloana 8 şi a fost realizată pe baza
relaţiei:
C t1+1 = C t + ∆1t.+71 (10)
Cu ajutorul acestui procedeu, estimarea consumului final real al

populaţiei pentru anul următor este egală cu:
- estimaţia diferenţei de ordinul unu a consumului final real al
populaţiei
1 7 −1 1
∆125 = ∑ (∆124 − k ) = (∆124 + ∆123 + ∆122 + ∆121 + ∆120 + ∆119 + ∆118 ) =
7 k =0 7
1
= (44,7 + 18,3 + 28,4 + 2,5 − 6,4 + 60,6 + 20) = 18,3 mld. lei
7
- estimaţia consumului final real al populaţiei pentru anul următor

(t = 25) se obţine din relaţia de calcul a diferenţelor de ordinul unu:
∆125 = Cˆ 25
1
− C24 ⇒ Cˆ 25
1
= C24 + ∆125 = 673,7 + 18,3 = 692 mld. lei
b) Nivelarea (lissage-ul) consumului populaţiei cu ajutorul mediilor

mobile de ordinul doi (nivelare dublă) (Tănăsoiu, Iacob, 1999, p. 185-187)
presupune calcularea altor medii mobile ( Cˆ 2 ) din mediile mobile de
t +1
ordinul unu (Ĉt1) pe baza aceluiaşi număr de termeni (m) ca şi în cazul

nivelării simple.
Termenii seriei privind consumului populaţiei, nivelată cu ajutorul

mediilor mobile de ordinul, doi se calculează astfel:
1 m −1 1 m −1 1 m −1
Cˆ t2+1 = ∑ Cˆ t1− k = ∑ ∑ C t − k −l (11)
m k =0 m k =0 m l =0
În situaţia în care consumul populaţiei poate fi modelat cu ajutorul

unei funcţii liniare, parametrii modelului vor fi estimaţi folosind valorile
ajustate cu mediile mobile de ordinul unu şi doi:
β 0t +1 = 2Cˆ t1+1 − Cˆ t2+1 (12)

2
β 1t +1 = (Cˆ t1+1 − Cˆ t2+1 ) (13)
m −1
Prognoza consumului populaţiei în acest caz, se va determina cu

ajutorul relaţiei:
( )
Cˆ t +1 = β 0t +1 + β 11t +1 ⋅ t = 2Cˆ t1+1 − Cˆ t2+1 +
2 ˆ1
m −1
( )
C t +1 − Cˆ t2+1 ⋅ t (14)
În cazul general, în vederea realizării prognozei consumului

populaţiei, se va utiliza următoarea expresie:
Cˆ t + h = β 0t + h + β 1t + h ⋅ h (15)
Nivelarea seriei de timp privind consumul final real al populaţiei, ce

prezintă tendinţă, cu ajutorul mediilor mobile de ordinul doi, presupune
( )
calcularea altor medii mobile C t2+1 din mediile mobile de ordinul întâi
(C ) , care vor fi determinate în acest caz pe baza seriei de timp iniţiale a
1
t +1
consumului populaţiei, respectiv pe baza valorilor nestaţionare ale acestuia

(Ct). Alegerea numărului de termeni din care vor fi calculate mediile mobile
de ordinul întâi se va realiza pe baza unor iteraţii succesive, atribuindu-i se
lui m următoarele valori: m = 3, 4, 5,… şi reţinându-se acel număr de
termeni pentru care suma pătratică a abaterilor dintre termenii reali şi cei
ajustaţi este minimă.
În urma calculelor efectuate s-a constat că numărul termenilor
corespunzători mediilor mobile care respectă restricţia de mai sus a fost egal
cu: m = 3 (vezi tabelul 4.4.1.3., coloanele 3, 5 şi 7).
Valorile ajustate ale seriei de timp nestaţionare privind consumul final

real al populaţiei în România în perioada 1980-2003 calculate cu
ajutorul mediilor mobile de ordinul trei, patru şi cinci
mld. lei (1990 = 100) Tabelul 4.4.1.3
Consumul
Anii
(t)
final real al
pop.
C t1+.31 (C t − Ct1+.31 )
2
C t1+.41 (C t − C t1+.41 )
2
C t1+.51 (C t − C t1+.51 )
2
(Ct)
0 1 2 3 4 5 6 7
1980 433,3 - - - - - -
1981 442,1 - - - - - -
1982 436,3 - - - - - -
1983 433,1 437,2 17,37 - - - -
1984 450,1 437,2 166,44 436,2 191,99 - -
1985 442,0 439,8 4,76 440,4 2,60 439,0 9,13
1986 448,1 441,7 40,43 440,4 59,43 440,7 54,22
1987 472,1 446,7 645,77 443,3 830,57 441,9 913,14
1988 513,2 454,1 3498,53 453,1 3617,90 449,1 4114,68
1989 516,6 477,8 1506,67 468,8 2281,66 465,1 2654,80
1990 557,7 500,6 3255,40 487,5 4928,17 478,4 6288,88
1991 467,4 529,2 3814,78 514,9 2256,23 501,5 1164,93
1992 432,1 513,9 6687,39 513,7 6658,76 505,4 5369,67
1993 435,9 485,7 2487,10 493,5 3316,27 497,4 3786,64
1994 447,3 445,1 4,81 473,3 673,26 481,9 1198,11
1995 505,3 438,4 4466,17 445,7 3550,81 468,1 1382,79
1996 545,7 462,8 6868,80 455,2 8199,76 457,6 7761,87
1997 525,7 499,4 687,43 483,5 1773,19 473,3 2744,99
1998 586,2 525,5 3681,87 506,0 6437,17 492,0 8884,06
1999 579,8 552,5 745,83 540,7 1530,63 522,0 3340,84
2000 582,3 563,9 338,21 559,4 526,28 548,5 1139,53
2001 610,7 582,8 781,57 568,5 1784,15 563,9 2190,13
2002 629,1 591,0 1452,06 589,8 1543,69 577,0 2715,83
2003 673,7 607,4 4403,72 600,5 5364,55 597,6 5790,52
Total 12165,8 - 45555,10 - 55527,06 - 61504,76

Notă: Ct +1 = consumul final al populaţiei calculat pe baza mediilor mobile de ordinul
1.m
întâi dintr-un număr de termeni, m, m = 3, 4, 5.

Revenind la seria iniţială a consumului final real al populaţiei se

constată că tendinţa acestuia poate fi descrisă cu ajutorul unei funcţii liniare
- vezi figura 4.4.1.1.:
620
600
580
560
540
mld. lei p. ct.
520
500
480
460
440
420 t
400
1979 1981 1983 1985 1987 1989 1991 1993 1995 1997 1999 2001 2003
Figura 4.4.1.1 Evoluţia consumului final real al populaţiei (1990= 100),

în România, în perioada 1980-2003
În continuare, se vor calcula valorile ajustate ale consumului

populaţiei cu ajutorul mediilor mobile de ordinul doi, determinate pe baza
mediilor mobile de ordinul întâi din trei termeni (m = 3), prin intermediul
următoarelor relaţii:
1
C t1+1 = (C t + C t −1 + C t − 2 ) (16)
3
1
C t2+ 2 = (C t1+1 + C t1+ 2 + C t1+ 3 ) (17)
3
Valorile ajustate ale consumului populaţiei cu ajutorul mediilor

mobile de ordinul întâi şi doi sunt prezentate în cadrul tabelului 4.4.1.4.,
coloanele 1 şi 2.
Valorile ajustate ale seriei de timp privind consumul final real

al populaţiei obţinute cu ajutorul nivelării mediilor mobile de ordinul
întâi şi doi, calculate din trei termeni în România în perioada 1980-2003
mld. lei (1990 = 100) Tabelul 4.4.1.4

Consumul final real al populaţiei estimat cu ajutorul
metodei mediilor mobile
Ani medii mobile de ordinul întâi medii mobile de ordinul doi
1 2
( C t +1 ) ( Ct + 2 )
0 1 2
1980 - -
1981 - -
1982 - -
1983 437,2 -
1984 437,2 -
1985 439,8 -
1986 441,7 438,1
1987 446,7 439,6
1988 454,1 442,7
1989 477,8 447,5
1990 500,6 459,5
1991 529,2 477,5
1992 513,9 502,5
1993 485,7 514,6
1994 445,1 509,6
1995 438,4 481,6
1996 462,8 456,4
1997 499,4 448,8
1998 525,5 466,9
1999 552,5 495,9
2000 563,9 525,8
2001 582,8 547,3
2002 591,0 566,4
2003 607,4 579,2
Deoarece tendinţa seriei iniţiale a consumului final real al populaţiei

poate fi aproximată cu ajutorul unei funcţii liniare, parametrii acestui model
vor trebui estimaţi pe baza valorilor ajustate cu mediile mobile de ordinul
unu şi doi cu ajutorul relaţiilor:
β 0t +1 = 2Ct1+1 − Ct2+1 (18)

2
β1t +1 = (Ct1+1 − Ct2+1 ) (19)
m −1
În continuare, se deduce că previziunea fenomenului se poate face cu

ajutorul relaţiei:
( )
Ct +1 = β ot +1 + β11t +1 ⋅ t = 2Ct1+1 − Ct2+1 +
2
m −1
( )
Ct1+1 − Ct2+1 ⋅ t (20)
sau, generalizând, rezultă că:
Ct + h = β 0t + h + β1t + h ⋅ h (21)
Deci
2
Cˆ 25 = (2C25
1
− C252 ) + 1
(C25 − C252 ) ⋅ 1
3 −1
sau
Y25 = β 025 + β125 ⋅ 1
unde :
β 025 = 2C25
1
− C252
2
β125 = 1
(C25 − C252 )
3 −1
Pe baza datelor din tabelul nr. 4.4.1.3., coloanele 3 şi 4, estimarea

prognozei consumului final real al populaţiei se obţine astfel:
2
Cˆ 25 = (2 ⋅ 637,8 − 593,7) + (637,8 − 593,7) ⋅ 1 = 726,1 mld. lei
3 −1
De reţinut că lisajul seriilor de timp cu mediile mobile de ordinul

doi, în comparaţie cu mediile mobile de ordinul unu, prezintă avantajul că
poate fi utilizat şi în cazul seriilor de timp cu tendinţă. Inconvenientul major
al metodei mediilor mobile aplicate în domeniul prognozei consumului
populaţiei constă în construirea unei serii de timp cu lungimea de cel puţin
(2m-1) perioade.
c) În mod clasic, previziunea consumului final real al populaţiei pe

baza seriei cronologice iniţiale se poate face cu ajutorul unui model de timp
în două componente:
Ct = f(t) + ut
unde:
f(t) = componenta trend;
ut = componenta aleatoare.
Pe baza graficului seriei de timp - vezi figura 4.4.1.1 - componenta
trend a acestei serii poate fi aproximată cu ajutorul unei funcţii liniare:
f(t) = Ct = a + b·t
unde:
a, b = parametrii modelului ce vor fi estimaţi cu ajutorul M.C.M.M.P.;
t = variabila timp ( t = 1,24 ).
Utilizând pachetul de programe EViews s-au obţinut următoarele rezultate:
Dependent Variable: Ct
Sample: 1980 2003
C 399,0833 17,4484 22,8723 0,0000
t 8,6260 1,2211 7,0639 0,0000

Pe baza acestor rezultate modelul de timp devine:
Cˆ t = 399,0833 + 8,626 t ; R = 0,680

(17,4484) (1,2211) d = 0,79
su) = 41,4106
În urma verificării ipotezelor corespunzătoare metodei celor mai

mici pătrate, se constată existenţa fenomenului de autocorelaţie a erorilor,
care a fost eliminat prin intermediul procedeului iterativ Cochran-Orcutt
(Gujarati, 1995, p. 431-432) după o iteraţie, rezultând următorul model:
Dependent Variable: C t′
C 107,5072 16,2304 6,6238 0,0000
t’ 11,5076 3,2360 3,5561 0,0019
Cˆ t′ = 107,5072 + 11,5076 t ′; R 2 = 0,376

(16,2304) (3,2360) d = 1,70
s v) = 30,9101
În cazul noului model, pe baza analizei rezultatelor obţinute, se

constată că ipotezele corespunzătoare metodei celor mai mici pătrate sunt
verificate, însă valoarea coeficientului de determinare R 2 = 0,376 este ( )
scăzută, sugerând că aproximativ 38% din variaţia consumului real al
populaţiei este explicată de către factorul timp. De asemenea, estimatorii
parametrilor modelului sunt semnificativi pentru un prag de semnificaţie de
5%, modelul fiind şi el semnificativ pentru acelaşi prag de semnificaţie.
Pentru a verifica valabilitatea ipotezei de stabilitate relativă în timp a
legităţii de evoluţie a consumului real al populaţiei s-a aplicat testul Chow
(Maddala, 1992, p. 168-173). În vederea aplicării acestui test au fost
construite trei modele de corelaţie pe următoarele perioade de timp: 1981-
1989, 1990-2003 şi 1981-2003. Relaţia de calcul a testului Chow este
următoarea:
V02u − Vau2 T − 2 ⋅ (k + 1)
Fc = ⋅ (7)
Vau2 k +1
unde:
n
V02u = ∑ u02t reprezintă suma pătratelor valorilor variabilei reziduale
t =1
înregistrate în perioada 1981-2003;

V =V
2
au
2
a1u +V 2
a2 u
n1
Va21u = ∑ u12t reprezintă suma pătratelor valorilor variabilei reziduale
t =1
înregistrate în perioada 1981-1989 (n1 = 9 ) ;

T
Va22 u = ∑u
t = n1 + 1
2
2t reprezintă suma pătratelor valorilor variabilei reziduale
înregistrate în perioada 1990-2003 (n2 = 14 ) ;

T = numărul total de observaţii (T = n1 + n2 = 23) ;

k = numărul variabilelor exogene ( k = 1) .
Testarea ipotezei de stabilitate constă în alegerea uneia din

următoarele ipoteze:
H 0 : Dacă V02u ≅ Vau2 rezultă că legitatea de evoluţie a legăturii dintre
consumul populaţiei şi factorii săi este stabilă în timp, şi, ca atare, modelul
poate fi utilizat în vederea efectuării prognozei;
H1 : DacăV02u ≠ Vau2 rezultă că legitatea de evoluţie a legăturii dintre
consumul populaţiei şi factorii săi nu este stabilă în timp, iar modelul nu va
putea fi utilizat în vederea efectuării prognozei.
În cazul în care Fc ≤ Fα ;v1 ;v2 se alege ipoteza H 0 , iar
dacă Fc > Fα ;v1 ;v2 se alege ipoteza H1 (unde: α = 0,05 , pragul de semnificaţie
şi v1 = k + 1 şi v 2 = T − 2 ⋅ (k + 1) , numărul gradelor de libertate).
În urma aplicării testului Chow (F
c = 2,5161 < F0,05; 2;19 = 3,52) se
constată că poate fi acceptată ipoteza unei stabilităţi relative în timp a
legăturii dintre consumul populaţiei şi factorul său de influenţă, timpul, şi,
ca atare, acest model ar putea fi folosit în vederea simulării şi prognozei
acestuia.
Cu ajutorul acestui model, prognoza consumului populaţiei pentru
anul următor este egală cu:
- previziune punctuală
′ = 105,5072 + 11,5076·8,2062 = 201,941 ≈ 201,9 mld. lei

Ĉ25
- previziune pe baza unui interval de încredere
( [
′ ∈ Cˆ 25
P C25 ′ ± tα ;v ⋅ sCˆ ′
25
]) = 1 − α
Lucrând cu un prag de semnificaţie α = 0,05 şi cu un număr de grade

de libertate v = 21, din tabela distribuţiei Student, valoarea argumentului t
este egală cu: t 0,05;21 = 2,08.
Eroarea de previziune, sĈ ′ , se va calcula cu ajutorul relaţiei:

25
⎛ (t − t ′ ) 2 ⎞ ⎛ ⎞
⎟ = 955,4333 ⋅ ⎜1 + 1 + (8,2062 − 4,6031) ⎟ = 60,2744
2
1
sCˆ ′ = sv2ˆ ⋅ ⎜1 + + p ⎜ 23 ⎟
⎜ n − 1 ∑ (t ′ − t ′ ) ⎟
2
4,7055
25
⎝ ⎠ ⎝ ⎠
iar intervalul de prognoză al consumului populaţiei pentru anul următor va

fi:
′ ∈ [201,9 ± 2,08 ⋅ 60,2744]) = 1 − 0,05 = 0,95

P(C25
Rezultă, deci, că valoarea reală a consumului final al populaţiei

pentru anul următor va fi cuprinsă între 76,57 şi 327,31 mld. lei, şansele de
realizare a acestei predicţii fiind de 95%.
Deşi modelul obţinut în urma eliminării fenomenului de
autocorelaţie a erorilor este semnificativ în raport cu testele statistice
adecvate acestui scop (ipotezele corespunzătoare M.C.M.M.P. sunt
verificate, estimatorii parametrilor şi raportul de corelaţie sunt
semnificativi), iar ipoteza stabilităţi relative în timp a legăturii dintre
consumul populaţiei şi factorul său de influenţă, timpul, este verificată, ca
urmare a faptului că mărimea coeficientului de determinare este mică (sub
0,5), se poate considera că acest model poate fi folosit în scopuri
explicative, statistice şi economice, dar nu şi în scopuri de simulare şi
prognoză deoarece prezintă o capacitate slabă de previziune, reliefată şi prin
intermediul testelor de verificare bazate pe erorile de previziune.
Aprecierea prognozei consumului final real al gospodăriilor
populaţiei pe baza modelului se poate face cu ajutorul a două noţiuni,
siguranţa prognozei şi precizia prognozei (Pecican, Tănăsoiu, Iacob, 2001,
p. 73), noţiuni care se află în relaţie invers proporţională.
Siguranţa prognozei este dată de probabilitatea (p) cu care este

estimat intervalul de încredere, iar precizia prognozei se determină pe baza
următoarelor relaţii:
- eroarea absolută
ea = y n* + v − yˆ n* + v = tα ⋅ s yˆ * = 2,08 ⋅ 60 , 2744 = 125 ,3707
n+v
- eroarea relativă
ea tα ⋅ s yˆ * 125 ,3707
er (%) = *
⋅ 100 = *
n+v
⋅ 100 = ⋅ 100 = 62 ,1 %
yˆ n + v yˆ n + v 201,941
În urma calculării erorii relative de prognoză (ep%) corespunzătoare
modelului se constată că, acesta conduce la erori de peste 15%, ceea ce
denotă că acest model nu poate fi acceptat ca semnificativ pentru realizarea
de previziuni.
Cu toate acestea, analiza capacităţii de prognoză a modelului liniar
se va continua cu o discuţie ex-post, realizată pe baza indicatorilor statistici
propuşi de H. Theil (Pindyck, Rubinfeld, 1981, p. 364-366).
În urma calculelor efectuate cu ajutorul pachetului de programe
EViews în cazul modelului liniar folosit la estimarea tendinţei consumului
populaţiei în perioada 1981-2003, au rezultat următoarele informaţii:
Rezultatele testării capacităţii de prognoză a modelului liniar privind

consumul populaţiei în România în perioada
1981-2003
Tabelul 4.4.1.7
Simbolul
Denumirea indicatorului Valoarea indicatorului
indicatorului
0 1 2
Coeficientul Theil T 0,0904
Ponderea abaterii TA 0,0000
Ponderea dispersiei TD 0,2399
Ponderea covarianţei TC 0,7601
Cu toate că în cazul acestui model se înregistrează un nivel scăzut în

cazul coeficientului Theil, al ponderii abaterii şi a dispersiei s-a renunţat la
acesta în vederea efectuării prognozei ca urmare a valorii scăzute a

coeficientului de determinare.
În continuare se va realiza, de asemenea, o analiză comparativă a
capacităţii de prognoză a celor două modele de ajustare obţinute pe baza
nivelării seriei de timp privind consumul final real al populaţiei în România
în perioada 1980-2003 cu ajutorul metodei mediilor mobile de ordinul întâi
şi doi pe baza indicatorilor statistici propuşi de H. Theil, în vederea alegerii
celui mai bun model de ajustare. În urma calculelor efectuate cu ajutorul
pachetului de programe EViews pentru cele două modele folosite la
estimarea tendinţei consumului populaţiei în perioada 1980-2003, au
rezultat următoarele informaţii:
Rezultatele testării capacităţii de prognoză a modelelor obţinute pe

baza nivelării seriei de timp privind consumul final real al populaţiei
în România în perioada 1980-2003 cu ajutorul metodei mediilor mobile
Tabelul 4.4.1.8
Denumirea indicatorului metodei mediilor mobile
medii mobile medii mobile
de ordinul întâi de ordinul doi
0 1 2
Coeficientul Theil 0,0456 0,0682
Ponderea abaterii 0,1855 0,2090
Ponderea dispersiei 0,1206 0,1370
Ponderea covarianţei 0,6939 0,6540
În urma analizării rezultatelor prezentate în cadrul tabelului 4.4.1.8

se constată că metoda mediilor mobile de ordinul întâi dispune de cea mai
bună capacitate de prognoză, ca urmare a înregistrării în cazul acesteia a
celui mai scăzut coeficient Theil, aceasta posedând şi cea mai mică valoare
a ponderii abaterii şi dispersiei.
În aceste condiţii, prognoza consumului final real al populaţiei pe
anul următor, estimată cu ajutorul metodei mediilor mobile de ordinul întâi
este egală cu:
Cˆ 25
1
= C24 + ∆125 = 673,7 + 18,3 = 692 mld. Lei
4.1.4.2 Ajustarea seriilor de timp cu ajutorul metodei nivelării

exponenţiale
Utilizând datele din tabelul 4.4.1.1. din cadrul problemei 4.1.4.1., se

cere:
a) Să se estimeze consumul final real al gospodăriilor populaţiei cu
ajutorul metodei nivelării (lisajului) exponenţiale de ordinul unu;
b) Să se estimeze consumul final real al gospodăriilor populaţiei cu
ajutorul metodei nivelării exponenţiale de ordinul doi;
c) Să se facă discuţia rezultatelor obţinute la punctele a) şi b) şi să
justifice soluţia corectă.
Rezolvare:
Aplicarea metodei nivelării exponenţiale simple (Tănăsoiu, Iacob,

1999, p. 190-195) în cazul consumului final al populaţiei se bazează pe
ipoteza că seria privind consumul final al populaţiei este staţionară (nu
prezintă tendinţă şi nici oscilaţii sezoniere). În acest caz se utilizează
următorul model de prognoză:
(
Cˆ t +1 = α C t + (1 − α )Cˆ t = Cˆ t + α C t − Cˆ t ) (1)
unde:
Cˆ t +1 = valoarea previzionată a consumului populaţiei, C, efectuată în
perioada „t” pentru perioada „t+1”;
Ct = valoarea reală a consumului populaţiei, C, înregistrată în perioada
„t”;
α = constanta de nivelare, 0< α <1;
t = variabila timp, t = 1, n ;
n = numărul termenilor observaţi.
Valorile constantei „α” sunt stabilite arbitrar, în funcţie de numărul
de iteraţii ale acesteia, respectiv: 0,1; 0,2; ...0,9. În final se va utiliza acea
valoare pentru care se realizează condiţia: min ∑ (Ct − Cˆ t j ) 2 , unde j =

j
numărul iteraţiei, j = 1,9 .

Prin dezvoltarea relaţiei (1) se obţine relaţia:
t −1
Cˆ t +1 = α ∑ (1 − α ) C t − k + (1 − α ) Cˆ t −1
k t
(2)
k =0
Prognoza consumului final al populaţiei este determinată ca o sumă

ponderată descrescătoare a valorilor reale ale consumului populaţiei, Ct.
Metoda nivelării exponenţiale duble (Tănăsoiu, Iacob, 1999, p.
195-199) poate fi utilizată şi în cazul care consumul final al populaţiei
urmează o traiectorie liniară, fără oscilaţii sezoniere.
Termenii seriei staţionare privind consumul final al populaţiei,
obţinuţi cu ajutorul nivelării exponenţiale duble, ( Cˆ 2 ), sunt determinaţi
t +1
utilizând valorile obţinute cu ajutorul metodei nivelării exponenţiale simple

(Ĉt1), respectiv:
Cˆ t2+1 = αĈt1+ (1-α)Ĉt2 (3)

Ĉt1= αCt-1+ (1-α) Cˆ t1−1 (4)
În cazul în care consumul populaţiei urmează o traiectorie liniară,

termenii seriei vor fi determinaţi astfel:
Cˆ t2+ h = at + bt ⋅ h (5)
unde:h = orizontul de prognoză, h = 1,2,…

⎧at = 2 Cˆ t1 − Cˆ t2
⎪
⎨ α (6)
⎪bt = (C t − Cˆ t ) ⋅
1 2
⎩ 1−α
Prognoza consumului populaţiei, în cazul aplicării acestei metode, se

determină astfel:
α
Cˆ t2+ h = 2 (Cˆ t1 − Cˆ t2 ) + (Cˆ t1 − Cˆ t2 ) ⋅ ⋅h (7)
1−α
De reţinut că, la aplicarea metodelor de nivelare ca metode de

ajustare a unei serii de timp, se porneşte de la acceptarea ipotezei: Cˆ = C , 2 1
adică valoarea de prognoză în perioada t = 2, este egală cu valoarea

înregistrată în prima perioadă a seriei (t = 1).
Aplicarea corectă a metodei nivelării exponenţiale simple impune
utilizarea seriei de timp staţionare a consumului populaţiei. Pentru a
determina valorile ajustate ale seriei de timp staţionare privind consumul
final al populaţiei (obţinută în urma calculării diferenţelor de ordinul întâi)
cu ajutorul metodei nivelării exponenţiale simple, utilizând relaţia (1),
constantei de nivelare i s-au atribuit valorile α = 0,1, α = 0,2, α = 0,3 - vezi
tabelul 4.4.2.1, coloanele 3, 5 şi 7.
Tabelul 4.4.2.1
t ∆1t Ct(α = 0,1) ( ∆1t -Ct)2 Ct(α = 0,2) ( ∆1t -Ct)2 Ct(α = 0,3) ( ∆1t -Ct)2
1 2 3 4 5 6 7 8
1980 - - - - - - -
1981 8,8 - - - - - -
1982 -5,8 8,75 211,20 8,75 211,20 8,75 211,20
1983 -3,2 7,30 110,84 5,84 82,35 4,39 58,09
1984 17,0 6,25 115,28 4,03 167,76 2,10 221,32
1985 -8,1 7,32 236,60 6,62 215,59 6,57 214,07
1986 6,1 5,78 0,09 3,68 5,71 2,18 15,17
1987 24,1 5,81 332,74 4,16 395,59 3,35 428,65
1988 41,1 7,63 1119,31 8,14 1085,75 9,56 994,26
1989 3,4 10,98 57,37 14,73 128,23 19,02 243,74
1990 41,1 10,22 952,77 12,46 819,36 14,33 715,83
1991 -90,3 13,31 10733,09 18,19 11768,20 22,36 12690,56
1992 -35,3 2,95 1461,30 -3,51 1009,43 -11,44 568,49
1993 3,7 -0,87 21,34 -9,86 185,13 -18,59 498,78
t ∆1t Ct(α = 0,1) ( ∆1t -Ct)2 Ct(α = 0,2) ( ∆1t -Ct)2 Ct(α = 0,3) ( ∆1t -Ct)2
1 2 3 4 5 6 7 8
1994 11,5 -0,41 140,85 -7,14 345,80 -11,89 544,94
1995 57,9 0,77 3268,28 -3,42 3765,57 -4,88 3947,42
1996 40,4 6,49 1151,85 8,85 997,19 13,96 700,49
1997 -20,0 9,89 896,10 15,17 1240,26 21,90 1760,07
1998 60,6 6,89 2881,09 8,12 2750,31 9,32 2626,57
1999 -6,4 12,26 347,64 18,61 624,94 24,69 965,87
2000 2,5 10,40 62,99 13,61 124,43 15,37 166,69
2001 28,4 9,60 355,13 11,38 291,18 11,50 287,31
2002 18,3 11,49 46,736 14,80 12,441 16,58 3,032
2003 44,7 12,17 1055,865 15,50 850,483 17,10 759,563
Total - - 25558,44 - 27076,91 - 28622,11
Tabelul 4.4.2.2
t ∆1t Ct(α= 0,11) ( ∆1t -Ct) 2
Ct(α= 0,12) ( ∆1t -Ct) 2
Ct(α = 0,13) ( ∆1t -Ct)2
1 2 3 4 5 6 7 8
1980 - - - - - - -
1981 8,8 - - - - - -
1982 -5,8 8,75 211,20 8,75 211,20 8,75 211,20
1983 -3,2 7,46 114,23 7,47 114,54 7,49 114,85
1984 17,0 6,51 109,73 6,53 109,23 6,55 108,73
1985 -8,1 7,44 240,31 7,45 240,66 7,46 241,01
1986 6,1 6,06 0,0002 6,08 0,0001 6,11 0,00
1987 24,1 6,06 323,66 6,08 322,81 6,11 321,96
1988 41,1 7,66 1117,47 7,67 1117,23 7,67 1116,99
1989 3,4 10,64 52,29 10,61 51,85 10,58 51,42
1990 41,1 9,99 966,96 9,97 968,23 9,95 969,49
1991 -90,3 12,76 10619,80 12,71 10609,57 12,66 10599,36
1992 -35,3 3,59 1510,66 3,65 1515,15 3,70 1519,65
1993 3,7 0,13 13,07 0,22 12,42 0,31 11,78
1994 11,5 0,45 121,10 0,53 119,34 0,61 117,60
1995 57,9 1,43 3193,69 1,49 3186,70 1,56 3179,68
1996 40,4 6,46 1153,96 6,46 1153,96 6,46 1153,94
1997 -20,0 9,48 872,22 9,45 870,20 9,42 868,22
1998 60,6 6,86 2885,02 6,85 2885,19 6,85 2885,32
1999 -6,4 11,64 324,77 11,58 322,79 11,53 320,82
t ∆1t Ct(α= 0,11) ( ∆1t -Ct)2 Ct(α= 0,12) ( ∆1t -Ct)2 Ct(α = 0,13) ( ∆1t -Ct)2
1 2 3 4 5 6 7 8
2000 2,5 10,03 57,36 10,00 56,87 9,97 56,39
2001 28,4 9,36 364,37 9,34 365,20 9,31 366,03
2002 18,3 11,06 52,788 11,02 53,356 10,98 53,927
2003 44,7 11,70 1086,377 11,66 1089,203 11,62 1092,035
Total - - 25391,02 - 25375,72 - 25360,40
Pe baza datelor din tabelul 4.4.2.2. se constată că:

- pentru α = 0,1 - ∑ (∆
t
1
t − Ct ) 2 = 25558,44– coloana 4, total;
- pentru α = 0,2 - ∑ (∆
t
1
t − Ct ) 2 = 27076,91 – coloana 5, total;
- pentru α = 0,3 - ∑ (∆
t
1
t − Ct ) 2 = 28622,11 – coloana 8, total;
minimul ∑ (∆t
1
t − Ct ) se află în intervalul α ∈ [0,1;0,2].
2
În tabelul 4.4.2.3. se continuă iteraţiile pentru valorile lui α din

intervalul [0,1;0,2] – vezi coloanele 3, 5 şi 7.
Deoarece
- pentru α = 0,11 - ∑ (∆1t − Ct ) 2 = 25391,02;
t
- pentru α = 0,12 - ∑ (∆t

1
t − Ct ) 2 = 25375,72;
- pentru α = 0,13 - ∑ (∆t

1
t − Ct ) 2 = 25360,40,
se reţine valoarea α = 0,13, pentru care s-a obţinut cea mai mică valoare a
abaterilor pătratice dintre valorile empirice ( ∆1t ) şi valorile teoretice (Ct).
Valorile seriei ajustate a consumului final al populaţiei cu ajutorul
metodei nivelării exponenţiale simple sunt prezentate în cadrul tabelului
4.4.2.3., coloana 2.
Nivelarea exponenţială dublă presupune calcularea de noi termeni pe
baza valorilor obţinute cu ajutorul metodei nivelării exponenţiale simple
utilizând relaţiile (3) şi (4)- vezi tabelul 4.4.2.3., coloana 3.
Nivelarea exponenţială simplă şi dublă a consumului final

real al populaţiei (1990=100) în România în perioada 1980-2003
mld. lei (1990 = 100) Tabelul 4.4.2.3

Consumul final real al populaţiei estimat
Consumul final real al
Anii cu ajutorul metodei nivelării exponenţiale
populaţiei
(t)
(Ct) nivelare simplă nivelare dublă
0 1 2 3
1980 433,3 - -
1981 442,1 - -
1982 436,3 445,1 -
1983 433,1 440,6 445,1
1984 450,1 456,6 444,7
1985 442,0 449,5 445,7
1986 448,1 454,2 446,0
1987 472,1 478,2 446,7
1988 513,2 520,9 449,5
1989 516,6 527,2 455,7
1990 557,7 567,7 461,9
1991 467,4 480,1 471,1
1992 432,1 435,8 471,9
1993 435,9 436,2 468,8
1994 447,3 447,9 465,9
1995 505,3 506,8 464,4
1996 545,7 552,2 468,0
1997 525,7 535,1 475,4
1998 586,2 593,1 480,6
1999 579,8 591,4 490,4
2000 582,3 592,3 499,1
2001 610,7 620,1 507,2
2002 629,1 640,0 517,1
2003 673,7 685,3 527,8
Pe baza acestor date, s-a realizat o analiză comparativă a capacităţii

de prognoză a celor două modele de ajustare utilizând indicatorii statistici
propuşi de H. Theil, în vederea alegerii celui mai bun model de ajustare.
Rezultatele obţinute în urma calculării indicatorilor propuşi de H.

Theil sunt prezentate în cadrul tabelului 4.4.2.4.:
Rezultatele testării capacităţii de prognoză a modelelor obţinute pe baza nivelării

seriei de timp privind consumul final real al populaţiei în România în perioada
1980-2003
Tabelul 4.4.2.4
Denumirea indicatorului metodei nivelării exponenţiale
nivelare simplă nivelare dublă
0 1 2
Coeficientul Theil 0,0079 0,0700
Ponderea abaterii 0,8291 0,4238
Ponderea dispersiei 0,0556 0,4629
Ponderea covarianţei 0,1153 0,1133
În urma analizării rezultatelor prezentate în cadrul tabelului 4.4.2.4.

se constată că metoda nivelării exponenţiale duble dispune de cea mai bună
capacitate de prognoză, ca urmare a înregistrării în cazul acesteia a celui mai
scăzut coeficient Theil, aceasta posedând şi cea mai mică valoare a ponderii
abaterii.
Prognoza consumului final al populaţiei pentru anul următor cu
ajutorul metodei nivelării exponenţiale duble este următoarea:
(
C242 +1 = C252 = 2 C24
1
− C242 + C24
1
) (
− C242 ⋅ ) 1 −αα ⋅ 1
Pentru α = 0,13 şi, pe baza datelor din tabelul 4.4.2.3., coloanele 2 şi

3, prognoza consumului final al populaţiei va fi:
0,13
C252 = (2 ⋅ 685,3 − 527,8) + (685,3 − 527,8) ⋅ ⋅1 = 819,4 mld. lei
1 − 0,13
4.2 Probleme propuse spre rezolvare
4.2.1. Utilizând seriile cronologice ale fenomenelor din tabelele

2.2.1. şi 2.2.2., se cere:
a) Să se descrie legităţile de evoluţie ale acestor fenomene
economice, în perioadele respective, cu ajutorul unor modele econometrice
de timp, pertinente cu evoluţia fiecărui fenomen;
b) Pe baza modelelor acceptate la punctul a), să se estimeze
prognoza fenomenelor respective pe termen scurt - 2, 3 ani – pentru
fenomenele din tabelul 2.2.1., maximum 6 luni – pentru cele din
tabelul 2.2.2.;
c) Folosind modelele explicative, reţinute ca semnificative în
capitolul II - vezi problemele. 2.2.1. şi 2.2.2. - să se estimeze prognoza
fenomenelor endogene, pe perioade egale cu cele de la punctul b), pe baza
valorilor de prognoză ale variabilelor exogene, estimate la punctul
precedent;
d) Să se compare prognozele fenomenelor, estimate cu modelele
econometrice de la punctele b) şi c), cu valorile reale ale acestor fenomene -
comunicate de Institutul Naţional de Statistică - şi să se facă o discuţie
(critică) a eventualelor abateri între aceste valori - prognoza fenomenelor
econometrice se va face pe baza unui interval de încredere şi nu pe baza
unor prognoze punctuale.

Capitol 4 Econometrie

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Capitol 4 Econometrie

Încărcat de

Drepturi de autor:

Formate disponibile

Capitolul 4

4.1 Probleme rezolvate

4 Descrierea econometrică a seriilor

4.1 Probleme rezolvate

4.1.1 Serii de timp cu două componente: trend liniar şi variabilă

Evoluţia înzestrării populaţiei cu aspiratoare de praf la 1000 de

Anul 1997 1998 1999 2000 2001 2002

a) În cazul seriilor cronologice sau a seriilor de timp, specificarea

Figura 4.1.1. Evoluţia înzestrării populaţiei cu aspiratoare de praf la 1000 de locuitori

Deoarece, în perioada analizată, evoluţia fenomenului prezintă o

b) Modelul construit la punctul a) fiind yt = yˆ t + ut , rezolvarea

Condiţia de minim a acestei funcţii rezultă din:

În urma efectuării calculelor - vezi tabelul 4.1.2., coloanele 1, 2 şi 3,

⎧ 13aˆ + 91bˆ = 1196 ⎧aˆ = 72,7346

Utilizând pachetul de programe EViews în vederea estimării

t 2,7522 b̂ 0,1746 sbˆ 15,7612 tbˆ 0,000 ()

squared 61,0441 = uˆ 2 Schwarz criterion 4,7791 SC

Semnificaţia indicatorilor necunoscuţi pe care-i calculează pachetul

77,2 75,4868 1,7132 | . | *. |

În vederea testării semnificaţiei parametrilor şi a modelului se vor

- abaterile medii pătratice ale celor doi estimatori â şi b̂

Deoarece numărul de termeni ai seriei este mai mic de 30, testarea

Deci, pentru un prag de semnificaţie de 1%, ambii estimatori sunt

- valoarea raportului de corelaţie

Testarea semnificaţiei raportului de corelaţie se realizează cu

Din tabela distribuţiei Fisher - Snedecor, pentru un prag de

Din tabela distribuţiei Durbin-Watson, pentru un prag de

White Heteroskedasticity Test:

t -3,4209 2,1182 -1,6150 0,1374

Analizând rezultatele afişate de programul EViews se constată că

Sursa de Nr. grade Dispersia Valoarea testului F

Deoarece Fc = 248,416 > F0, 01;1;11 = 9,65 , modelul este acceptat, cu

Din ecuaţia analizei variaţiei:

Rezultatele testării capacităţii de prognoză a modelului privind privind

În urma analizei rezultatelor obţinute se constată că modelul posedă

poate fi acceptat în vederea realizării unei prognoze a înzestrării populaţiei

Intervalul de încredere al prognozei fenomenului, estimat cu un prag

În concluzie, în urma efectuării calculelor, se poate aprecia că în

Aprecierea prognozei înzestrării populaţiei cu aspiratoare de praf la

ea 2003 = 3,106 ⋅ 2 ,7332 = 8, 4893

În urma calculării erorii relative de prognoză (er%) corespunzătoare

4.1.2 Serii de timp cu două componente: trend neliniar şi variabilă

Dinamica indicelui preţurilor bunurilor de consum în perioada

Oct. 1990=1 Tabelul 4.2.1

a) Să se descrie evoluţia indicelui preţurilor bunurilor de consum cu

d) Să se testeze ipoteza stabilităţii relative în timp a evoluţiei

a) Modelarea seriei de timp privind indicele preţurilor bunurilor de

Identificarea structurii modelului de ajustare în cazul seriilor de timp

Figura 4.2.1 Dinamica indicelui preţului bunurilor de consum

Graficul evoluţiei IPC (vezi figura 4.2.1.) indică o creştere

a1 ) Caracterizarea dinamicii IPC cu ajutorul modelului

În final, modelul se poate scrie:

y t'1 = a1' + b1 ⋅ t ' + u t'1

În urma efectuării calculelor (vezi tabelul 4.2.3., coloanele 1, 2, 3, 4,

⎧⎪37 aˆ1' + 99,33 bˆ1 = 77,0582

Utilizând programul EViews, au rezultat următoarele valori ale

yˆ t'1 = −0,906 + 1,1133 ⋅ t '

Valorile variabilei reziduale vor rezulta din următoarea relaţie:

u t'1 = y t'1 − yˆ t'1 - vezi tabelul 4.2.3., coloana 8.

În vederea testării semnificaţiei parametrilor â1' şi b̂1 se vor calcula:

În urma efectuării calculelor (utilizând programul EViews), a

- abaterile medii pătratice corespunzătoare celor doi estimatori

Deoarece numărul de termeni ai seriei este mai mare de 30, testarea