METODOLOGIA CERCETĂRII ȘTIINȚIFICE

Știința încearcă să identifice fenomene și entități, forțele care le cauzează,

mecanismele prin care ele exercită aceste forțe și sursele acelor forțe în sensul structurilor
interne ale acestor fenomene și entități. Etimologia cuvantului stiința provine din latinescul
(scientia) si înseamnă cunoaștere.
Cercetarea științifică este un proces sistematic de colectare şi analiză a informaţiei
(rezultatelor) realizat cu scopul îmbunătăţirii înţelegerii noastre asupra unui aspect.În sens
larg, prin metodologie se înțelege ansamblul unor metode folosite în cercetarea științifică
sau, pur si simplu, știința efectuării cercetării. Scopul fundamental al metodologiei este acela
de a ne ajuta sa înțelegem nu atât produsele științei, cât procesul de cunoaștere însuși.
Metodologia cercetării ştiinţifice reprezintă:
 sistemul de metode, procedee, tehnici, reguli, principii şi instrumente precum
şi know-how-ul aferent ,toate angajate în procesul cunoaşterii ştiinţifice;
 totalitatea tehnicilor de a observa şi de a acumula cunoştinţe necesare
întocmirii şi prezentării unei lucrări ştiinţifice.

ETAPE GENERICE SPECIFICE UNEI CERCETĂRI ȘTIINȚIFICE

    În științele economice, cercetarea științei economice are ca obiect principal prezentarea,

explicarea și înțelegerea faptelor, proceselor și fenomenelor economice care s-au desfășurat
și se desfășoară în societate, precum și efectele, predicțiile lor viitoare și presupun:
a) stabilirea ariei tematice, alegerea temei de cercetare;
b) cunoașterea metodologiei de cercetare științifică;
c) documentarea;
d) cercetarea propriu-zisă, cu două subetape importante:
 formularea ipotezei (momentul creator) și
 verificarea ipotezei și a concluziilor științifice (momentul critic-
valorizator);
e) redactarea și susținerea publică a rezultatului cercetării, publicarea lucrării de cercetare.

1
M. Popa – Aplicaţii SPSS (Regresia liniară simplă)
Cornelia Nistor, Elemente de statistică, Ed. Cartea Universitară, Bucureşti, 2005.
Dorin Jula, Introducere în econometrie, Ed. PROFESSIONAL CONSULTING, Bucureşti, 2003
Suport curs metodologia cercetarii –Purica I
 REGRESIA LINIARA

La fel ca în multe alte domenii de activitate şi în particular în domeniul economic,

respectiv cel al afacerilor se întâlnesc adesea situaţii care presupun luarea unor
decizii,efectuarea de analize micro sau macroeconomice,bazate pe prognoze ,sau care pun
în evidenţă nevoia de a cunoaşte modul în care anumite mărimi importante la nivel de
entitate depind unele de altele,este folosita cu success si rezultate mai mult decat notabile
,modelul liniar de regresie.
Modelul linear de regresie simpla se bazează pe seriile de date pentru cele două
caracteristici, fiind reprezentate prin vectorii x (variabila factorială) şi y (variabila rezultativă)
Determinarea parametrilor modelului liniar se face, de regulă, prin utilizarea metodei celor
mai mici pătrate sau a verosimilităţii maxime si presupune identificarea variabilelor pentru
definirea modelului şi precizarea variabilei reziduale; contextul în care este utilizat modelul
de regresie. Pentru analiza datelor seriilor cronologice (de timp) se utilizează o funcţie
temporală care, în esenţă, este tot de regresie,cu o variabilă de timp (t). Scopul folosirii
modelului de regresie este acela de a obţine parametrii ce corespund setului de variabile
formulat, prin analiza dependenţei dintre variabile, în cazul în care seriile de date sunt
înregistrate la nivelul unităţilor statistice pentru o perioadă sau un moment, precum şi
pentru evidenţierea dependenţei dintre variabile într-un anumit orizont de timp.
Regresia liniară simplă este o procedură de predicţie, pe baza corelaţiei dintre două
variabile cantitative (X/Y).
Precizia predicţiei este dată de valoarea coeficientului de corelaţie Pearson r dintre
variabile. Cu cât r este mai mare, cu atât predicţia valorilor unei variabile (numită criteriu)
pornind de la valorile celeilalte variabile (numită predictor) este mai bună. La limită, când
r=1, predicţia este perfectă.
Modelul de regresie se exprimă grafic printr-o dreaptă, al cărui traseu prin norul de puncte
minimizează distanţele dintre punctele dreptei şi cele ale scatterplot-ului corelaţiei.
Ecuaţia de regresie, în termenii scorurilor brute este Y’=ayx+byx*X, unde Y’ reprezintă
valorile prezise, ayx reprezintă punctul de origine al liniei de regresie, byx înclinarea
acesteia, iar X, valorile variabilei predictor.
Functia de regresie poat fi :

 lineara
 nelineara
 sinusoidala
În definirea funcţiei de regresie liniară sunt considerate, cel mai frecvent, patru ipoteze:
 seriile de date nu sunt afectate de erori de înregistrare.
 pentru fiecare valoare fixată a caracteristicii factoriale, variabila reziduală
este de medie zero,
2
M. Popa – Aplicaţii SPSS (Regresia liniară simplă)
Cornelia Nistor, Elemente de statistică, Ed. Cartea Universitară, Bucureşti, 2005.
Dorin Jula, Introducere în econometrie, Ed. PROFESSIONAL CONSULTING, Bucureşti, 2003
Suport curs metodologia cercetarii –Purica I
  lipsa corelării reziduurilor exprimă faptul că între termenii reziduali nu se
manifestă fenomenul de covarianţă
 ipoteza necorelării variabilei reziduale cu cea independentă,

STUDIU DE CAZ
In vederea rezolvarii problemei propuse in studiul de caz ecuatiile au fost generate cu
ajutorul programului informatics Microsoft Mathematics, iar analiza statistica prin
intermediul programului Excel.
Pentru exemplificarea notiunilor teoretice susmentionate,in tabelul următor avem date
referitoare la 15 agenţi de asigurări angajaţi ai unei companii de asigurări de viaţă ( timpul
mediu, în minute), petrecut de un agent cu un potenţial client ( numărul de poliţe încheiate
într-o săptămână).
Dacă X reprezintă timpul mediu, iar Y reprezintă numărul de poliţe, avem urmatoarele date
astfel:
Tabel 1.1.
X Y
Nr.crt
Timp mediu(min) Polite incheiate(nr)

1 25 10

2 23 11

3 30 14

4 25 12

5 20 8

6 33 18

7 18 9

8 21 10

9 22 10

10 30 15

11 26 11

12 26 15

13 27 12

14 29 14

15 20 11

Se urmareste sa se afle :
a) Estimarea parametrilor modelului liniar de regresie
b) Semnificaţia parametrilor modelului pentru un prag de semnificaţie  = 5%;
c) Determinarea erorile reziduale;
3
M. Popa – Aplicaţii SPSS (Regresia liniară simplă)
Cornelia Nistor, Elemente de statistică, Ed. Cartea Universitară, Bucureşti, 2005.
Dorin Jula, Introducere în econometrie, Ed. PROFESSIONAL CONSULTING, Bucureşti, 2003
Suport curs metodologia cercetarii –Purica I
d) Verificarea validitatii modelului de regresie pentru un nivel de semnificaţie  = 5%;
e) Măsurarea intensitatii legăturii dintre cele două variabile folosind un indicator adecvat şi
testaţi semnificaţia acestuia pentru un nivel de încredere de 0,5%;
f) Efectuarea unei previzionari punctuale şi pe interval de încredere a numărului de poliţe
încheiate de un agent care petrece în medie 24 de minute cu un potenţial client.

Rezolvare:

Pentru a determina forma modelului de regresie se va construi corelograma,care va

reprezenta grafic legătura dintre timpul mediu in minute petrecut de un agent cu un client
şi numarul de polite incheiate,astfel:

Tabel 1.2

220
200
180
160
140
120
100
80
60
40
20
0
0 10 20 30 40 50 60 70 80

1 cm OY = 5 poliţe;1 cm OX = 2 minute

^y i=a0 +a1 x i
Parametrii a şi b se vor determina cu ajutorul metodei celor mai mici pătrate:

n n

∑ ( y i− ^y i )
i
2
min ⇔ ∑ ( y i −a0−a1 xi )
i
2
min ⇔ { na0 +a1 ∑ x i =∑ y i
n
i=1
n
i=1
n
a0 ∑ x i +a 1 ∑ x2i =∑ x i y i
i =1 i=1 i =1 n=15

4
M. Popa – Aplicaţii SPSS (Regresia liniară simplă)
Cornelia Nistor, Elemente de statistică, Ed. Cartea Universitară, Bucureşti, 2005.
Dorin Jula, Introducere în econometrie, Ed. PROFESSIONAL CONSULTING, Bucureşti, 2003
Suport curs metodologia cercetarii –Purica I
 Pentru a rezolva sistemul vom folosi următorul tabel în care sunt prezentate valorile
intermediare conform tabelului 1.3:
Tabelul 1.2.

xi   yi   2
xi yi   2  
xi  
yi  
2
( yi− y ) 2
( x i−x )
25 10 625 250 100 4 0
23 11 529 253 121 1 4
30 14 900 420 196 4 25
25 12 625 300 144 0 0
20 8 400 160 64 16 25
33 18 1089 594 324 36 64
18 9 324 162 81 9 49
21 10 441 210 100 4 16
22 10 484 220 100 4 9
30 15 900 450 225 9 25
26 11 676 286 121 1 1
26 15 676 390 225 9 1
27 12 729 324 144 0 4
29 14 841 406 196 4 16
20 11 400 220 121 1 25
 
∑ xi      
=37 ∑ x 2i = ∑ x i y i= ∑ y2i =
5 ∑ yi =180 9639 4645 2262 102 264

15 a 0 + a1⋅375 =180 a0 =−1 , 73

{ a0⋅375+a1⋅9639 =4645

{
a1 =0 , 5492

Astfel:

^y i=−1, 73+0 , 5492⋅x i

b) Testarea semnificaţiei parametrilor modelului:

Ecuaţia de regresie la nivelul colectivităţii generale este:

y i=α 0 +α 1 x i +u i
iar la nivelul eşantionului este:

y i=a0 + a1 x i +ui
Testarea semnificaţiei parametrului 1:

1) se stabileşte ipoteza nulă:

H0 :  1 = 0

2) se stabileşte ipoteza alternativă:

5
M. Popa – Aplicaţii SPSS (Regresia liniară simplă)
Cornelia Nistor, Elemente de statistică, Ed. Cartea Universitară, Bucureşti, 2005.
Dorin Jula, Introducere în econometrie, Ed. PROFESSIONAL CONSULTING, Bucureşti, 2003
Suport curs metodologia cercetarii –Purica I
 H1 : 1  0, adică 1 este semnificativ diferit de zero, adică 1 este semnificativ statistic.

3) se calculează testul statistic:

deoarece n = 15  30 avem eşantion de volum redus şi pentru testare vom utiliza testul t:

a1 −α 1 a1−0 a1 0 ,5492
t= = = = =6,8
sa sa sa 0 , 08
1 1 1

2 s 2u 1 , 7199
sa = 2
= =0 , 0064
i
∑ ( x i−x ) 264
i

∑ ( y i− ^yi )2
i 22 , 35
s 2u = = = 1, 7199
n−k −1 15−2
k – reprezintă numărul variabilelor factoriale (în cazul modelului unifactorial k = 1).
15
∑ xi
i=1 375
x= = =25
15 15

Pentru un prag de semnificaţie de 5% valoarea tabelată a testului este:

t0,05/2; 13 = t0,025; 13 = 1,35

Testarea semnificaţiei parametrului 0:

1) se stabileşte ipoteza nulă: H0: 0 = 0;

2) se stabileşte ipoteza alternativă: H1: 0  0;

3) se calculează testul statistic:

a0 −α 1 a0 −0 a −1 ,73
t= = = 0 = =−0 , 84
s a0 sa0 s a0 2 , 096

1 x2 1 25
0
2
s a =s + 2
u
n ∑ ( x i− x ) 2
[
=1 , 71 +
15 264
i
=4 , 186
] [ ]
t calc=−0 ,84 >−t α /2; n−2 =−1 , 35  se acceptă ipoteza nulă, adică parametrul a 0 nu
este semnificativ statistic.

6
M. Popa – Aplicaţii SPSS (Regresia liniară simplă)
Cornelia Nistor, Elemente de statistică, Ed. Cartea Universitară, Bucureşti, 2005.
Dorin Jula, Introducere în econometrie, Ed. PROFESSIONAL CONSULTING, Bucureşti, 2003
Suport curs metodologia cercetarii –Purica I
 c) Erorile reziduale sunt ui = y i− ^y i şi sunt prezentate în tabelul de mai jos:

ui -14,99 -27,57 -0,91 18,38 16,58 7,37 5,03

-20,62 9,90 27,22 -19,95 -17,48 -5,09 5,42 16,70

d) Testarea validităţii modelului de regresie:

1) se stabileşte ipoteza nulă: H 0: împrăştierea valorilor ^y t datorate factorului nu

diferă semnificativ de împrăştierea aceloraşi valori datorate întâmplării, deci modelul nu este valid.

2) se stabileşte ipoteza alternativă: H1: modelul este valid;

3) se calculează testul F:
2
sx 79 , 64
F= = = 46 , 3
s2
u
1 , 71

∑ ( ^y i − y )2
i 79 ,64
s 2x= = =79 , 64
k 1

∑ ( y i− ^yi )2
i 22 , 35
s 2u = = = 1, 71
n−k −1 15−2
15
∑ yi
i =1 180
y= = =12
15 15

F calc=F α ; n−k−1 =F0 , 05 ;1 , 13=4 ,67

Deoarece Fcalc  Ftab  modelul este valid.

e) Intensitatea legăturii dintre cele două variabile se face cu coeficientul de corelaţie

liniară:

n ∑ x i y i −∑ x i⋅∑ y i
r= =
2 2
√[ n ∑ x2
i− ( ∑ xi) ][ n ∑ y2
i −(∑ yi) ]
15⋅4645 −375⋅180
= =0 , 88 → 1 >0
√ [ 15⋅9639−375 2 ] [ 15⋅2262−1802 ]
Rezultă că între cele două variabile există o legătură directă foarte puternică.

Testarea semnificaţiei coeficientului de corelaţie:

7
M. Popa – Aplicaţii SPSS (Regresia liniară simplă)
Cornelia Nistor, Elemente de statistică, Ed. Cartea Universitară, Bucureşti, 2005.
Dorin Jula, Introducere în econometrie, Ed. PROFESSIONAL CONSULTING, Bucureşti, 2003
Suport curs metodologia cercetarii –Purica I
 - se stabileşte ipoteza nulă: H0:  nu este semnificativ statistic;

- se stabileşte ipoteza alternativă: H1:  este semnificativ statistic;

- se calculează testul t:

r r √ n−2 0 , 88⋅√ 13
t= = = =6 ,75
sr √ 1− r 2
√ 1−0 , 88 2

t calc >t α ; n−k −1=t 0 , 05 ; 13=2, 16 

Coeficientul de corelaţie este semnificativ statistic.

Măsurarea intensităţii legăturii cu raportul de corelaţie R:

R=

√ ∑ ( ^y i − y )2
i= 1
n
∑ ( yi− y )
i= 1
2
= 0 , 88

Deoarece R = r = 0,88, apreciem că există o legătură liniară, puternică şi directă între cele două
variabile.

Testarea raportului de corelaţie se face cu testul F:

2
R n− k−1 0 ,78 13
F= 2
⋅ = ⋅ =46 , 09
1−R k 1−0 , 78 1

Cum:

F calc >F0 , 05 ; 1 ; 13=4 ,67 

R este semnificativ statistic.

f) ^y n+1=−1, 73+0 , 5492⋅24=11 , 45 ~ 12 poliţe (aceasta este estimarea punctuală).

Pentru estimarea pe interval de încredere vom avea:

^y n+ 1− t α / 2 ;n−k −1⋅s y^ ≤ y n+1 ¿ ^y n+1 + t α /2 ; n−k −1 ¿ s ^y

n+1 n+1

12−t 0 ,025 ;13⋅1 , 35≤ y n+1 ≤12+t 0 , 025 ; 13⋅1 ,35

8
M. Popa – Aplicaţii SPSS (Regresia liniară simplă)
Cornelia Nistor, Elemente de statistică, Ed. Cartea Universitară, Bucureşti, 2005.
Dorin Jula, Introducere în econometrie, Ed. PROFESSIONAL CONSULTING, Bucureşti, 2003
Suport curs metodologia cercetarii –Purica I
 2 2
1 ( x n+ 1−x )
2
n+1
2
s ^y =su 1+ +
[
n ∑ ( xi −x )2
1 (24−25)
=1,71 1+ +
15
i
264
=1,82
] [ ]

s ^y =1 , 35
n+1

10 ,1775 ≤ y n+ 1 ≤13 ,8225

Intervalul de încredere pentru numărul de poliţe încheiate este:

10≤ y n+1 ≤14

Se rezolva problema cu ajutorul programului informatic EXCEL şi se obţin următoarele
rezultate:

SUMMARY OUTPUT

Regression Statistics

Multiple R 0.883621

R Square 0.780786

Adjusted R 0.763923
Square

Standard Error 1.311483

Observations 15.000000

ANOVA

df SS MS F Significance F

Regression 1.000000 79.640152 79.64015 46.30272 0.000013

2 7

Residual 13.000000 22.359848 1.719988

Total 14.000000 102.000000

Coefficients Standard t Stat P-value Lower Upper

Error 95%
95%

Intercept -1.731061 2.046120 -0.846021 0.412843 -6.151434 2.68931

3

X Variable 1 0.549242 0.080716 6.804611 0.000013 0.374866 0.72361

9

9
M. Popa – Aplicaţii SPSS (Regresia liniară simplă)
Cornelia Nistor, Elemente de statistică, Ed. Cartea Universitară, Bucureşti, 2005.
Dorin Jula, Introducere în econometrie, Ed. PROFESSIONAL CONSULTING, Bucureşti, 2003
Suport curs metodologia cercetarii –Purica I
RESIDUAL OUTPUT

Observation Predicted Y Residuals

1.000000 12.000000 -2.000000

2.000000 10.901515 0.098485

3.000000 14.746212 -0.746212

4.000000 12.000000 0.000000

5.000000 9.253788 -1.253788

6.000000 16.393939 1.606061

7.000000 8.155303 0.844697

8.000000 9.803030 0.196970

9.000000 10.352273 -0.352273

10.000000 14.746212 0.253788

11.000000 12.549242 -1.549242

12.000000 12.549242 2.450758

13.000000 13.098485 -1.098485

14.000000 14.196970 -0.196970

15.000000 9.253788 1.746212

Explicitarea datelor din tabelele de mai sus:

SUMMARY OUTPUT

Regression Statistics
n n

Multiple R
Raportul de corelatie (R)

R Square
0.883621 Ry , x =

√ √
Δ2y /x
∑ ( y^ i − ȳ )2
i=1
n
∑ ( y i −ȳ )2
i=1

Δ 2e
= 1−

n
∑ ( y i− y^ i )2
i=1
n
∑ ( y i −ȳ )2
i=1

∑ ( ^y i− y ) 2
i=1
Coeficientul (gradul ) de 0.780786 R2 = =1− =
Δ2y Δ2y n

determinaţie ∑ ( y i− y ) 2
i=1

Adjusted R Square
Valoarea ajustată a
0.763923
coeficientului de Δ 2u /n−k−1
R2 =1− 2
determinaţie Δ y /n−1
10
M. Popa – Aplicaţii SPSS (Regresia liniară simplă)
Cornelia Nistor, Elemente de statistică, Ed. Cartea Universitară, Bucureşti, 2005.
Dorin Jula, Introducere în econometrie, Ed. PROFESSIONAL CONSULTING, Bucureşti, 2003
Suport curs metodologia cercetarii –Purica I
 Standard Error n

Abaterea medie pătratică a

erorilor în eşantion
Observations
1.311483
su=
√ Δ 2u
n−2
=
√ ∑ ( y i− y^ i )2
i =1
n−2

15
Numărul observaţiilor (n)

Tabel 2.

ANOVA

df MS =SS/df
Sursa SS (varianţa)
(grade de (media pătratelor) F Significance F
variaţiei (suma pătratelor)
libertate) (dispersia corectată)

Regression
Testul
(variaţia n Δ 2x 0.000013< 0.05
s 2x= F=46.302727
1 (k) Δ 2x = ∑ ( y^ i − y ) 2
k =
datorată SSR= i=1 = 2 2 (resping H0 –
regresiei) 79.640152 79.640152 F=
sx /
su model valid)

Residual n Δ 2u
s 2u =
13 (n-k-1) Δ 2u=∑ ( y i− ^y i )2 n−k −1 =
(variaţia SSE= i=1 =
reziduală) 22.359848 1.719988
n
Δ 2y =∑ ( y i − y )2
SST= i=1 = Δ 2y
14 (n-1) s 2y =
102.000000   n−1
Total (variaţia
totală) SST=SSR + SSE    

Tabel 3

Standard
Error
Coefficients Lower
  (Abaterea t Stat P-value Upper 95%
(Coeficienţi) 95%
medie

patratică)

Limita inf.
a Limita sup.
a
intervalul
ui de intervalului
încredere de încredere

Intercept
sa ta 0.412843
=
(termenul a0= -1.731061 -6.151434 2.689313
0 0

=2.046120 -0.846021 > 0,05

liber)

11
M. Popa – Aplicaţii SPSS (Regresia liniară simplă)
Cornelia Nistor, Elemente de statistică, Ed. Cartea Universitară, Bucureşti, 2005.
Dorin Jula, Introducere în econometrie, Ed. PROFESSIONAL CONSULTING, Bucureşti, 2003
Suport curs metodologia cercetarii –Purica I
Timpul sa t a1 =
0.000013
a1 = 0.549242 1 0.374866 0.723619
mediu =0.080716 6.804611 < 0,05

Tabel 4.

RESIDUAL OUTPUT

Predicted
^y i Residuals
Observatio
n y i− ^yi
Numărul de poliţe

1 338.5796 -14.9986

2 371.2542 -27.5722

3 376.1748 -0.9108

4 332.8525 18.3895

5 311.8281 16.5889

6 310.6962 7.3728

7 325.9235 5.0355

8 287.8659 -20.6299

9 310.9763 9.9067

10 382.3073 27.2277

11 336.2188 -19.9568

12 369.2938 -17.4878

13 338.7504 -5.0954

14 367.2528 5.4262

15 346.0917 16.7043

Interpretare rezultate din tabelul SUMMARY OUTPUT:

 R= 0.883621 arată că între numărul de poliţe încheiate şi timpul mediu petrecut cu un

potenţial client există o legătură puternică.
 R2 =0.780786 arată că 78% din variaţia numărului de poliţe încheiate este explicată de
timpul mediu petrecut de un agent cu un potenţial client.

 Abaterea medie patratica a erorilor

s u = 1.311483. În cazul în care acest indicator este
zero înseamnă că toate punctele sunt pe dreapta de regresie.

Interpretare rezultate din tabelul ANOVA:

12
M. Popa – Aplicaţii SPSS (Regresia liniară simplă)
Cornelia Nistor, Elemente de statistică, Ed. Cartea Universitară, Bucureşti, 2005.
Dorin Jula, Introducere în econometrie, Ed. PROFESSIONAL CONSULTING, Bucureşti, 2003
Suport curs metodologia cercetarii –Purica I
 În acest tabel este calculat testul F pentru validarea modelului de regresie. Întrucât
F=46.302727, iar Significance F (pragul de semnificatie) este 0.000013 (valoare mai mica de 0.05)
atunci modelul de regresie construit este valid şi poate fi utilizat pentru analiza dependenţei dintre
cele două variabile.

Interpretarea rezultatelor din tabelul 4:

 Intercept este termenul liber, deci coeficientul a0 este -1.731061. Termenul liber este punctul
în care variabila explicativă (factorială) este 0. Deci numărul de poliţe încheiate, dacă timpul
ta
petrecut este 0. Deoarece 0 = -0.846021iar pragul de semnificaţie P-value este
0.412843>0,05 înseamnă că acest coeficient este nesemnificativ. De altfel faptul că limita
inferioară a intervalului de încredere (-6.151434 ¿ α 0≤ 2.689313) pentru
acest parametru este negativă, iar limita superioară este pozitivă arată că parametrul din
colectivitatea generală este aproximativ zero.
 Coeficientul a1 este 0.549242, ceea ce însemnă că la creşterea timpului petrecut cu un minut,

numărul de poliţe încheiate va creşte cu 0,549242. Deoarece

t a1 = 6.804611 iar pragul de
semnificaţie P-value este 0.000013<0,05 înseamnă că acest coeficient este semnificativ.

Intervalul de încredere pentru acest parametru este 0.374866

¿ α 1 ≤ 0.723619.

13
M. Popa – Aplicaţii SPSS (Regresia liniară simplă)
Cornelia Nistor, Elemente de statistică, Ed. Cartea Universitară, Bucureşti, 2005.
Dorin Jula, Introducere în econometrie, Ed. PROFESSIONAL CONSULTING, Bucureşti, 2003
Suport curs metodologia cercetarii –Purica I