Curs 4: Alte tipuri de regresie

4.1. Introducere

În cursurile anterioare am studiat regresia liniară simplă şi multiplă. Modele teoretice se

prezentau astfel:

 Regresia liniară simplă

 Populaţie
E(YXi)= B0 + B1*Xi
Yi= B0 + B1*Xi + ui
 Eşantion
yˆ i  b0  b1 xi ,
yi= b0 + b1*xi + i

 Regresia liniară multiplă (cazul a două variabile independente)

 Populaţie
E(Yi)= B0 + B1X1i+B2X2i
Yi= B0 + B1X1i+B2X2i+ui
 Eşantion
yi= b0 + b1x1i + b2x2i +i
ŷ i  b0  b1 x1 i  b2 x 2 i ,

În cele două modele studiate termenul de “liniaritate” se referă la parametrii. Aşadar cele
două modele se numesc liniare în raport cu parametrii B0, B1,..., deoarece aceştia apar la
puterea 1. Întâmplarea face ca cele două modele prezentate să fie liniare şi în raport cu
variabilele x şi y deoarece şi acestea apar la puterea 1.

Există însă multe fenomene economice în care astfel de modele nu sunt cele mai
potrivite.

Tocmai de aceea în acest curs vom studia modele care nu mai sunt liniare în raport cu
variabilele şi anume:
1. modelul log-liniar;
2. modelul semilog;
3. modelul lin-log;
4. modelul reciproc
5. modele polinomiale.

De reţinut că toate modele de mai sus sunt liniare în raport cu parametrii.

1
4.2. Modele regresionale ce se reduc la modelul liniar simplu

4.2.1. Modelul log-liniar simplu

Reluăm în acest paragraf exemplul din cursul 2 referitor la legătura dintre cerere şi preţ.

Preţul
Cerere (u.c.)
(u.m.)
1 49
2 45
3 44
4 39
5 38
6 37
7 34
8 33
9 30
10 29

Folosind modelul liniar regresional simplu am obţinut următoarele:


 Cererea  49.667  2.1576 pret ;
s b = 0.1203
1

t = -17.935
r2= 0,9757
ESE = 1.09268

Vom considera în cele ce urmează că evoluţia cererii în funcţie de preţ urmează

următorul model:
Yi  AX iB1 .

Acest model, după cum se poate observa, nu este liniar în raport cu variabila x.

Logaritmând obţinem:
ln Yi  ln A  B1 ln X i ,
model care este liniar în raport cu parametrul B1.

Notând cu B0=lnA, obţinem

ln Yi  B0  B1 ln X i ,
model care este liniar în raport cu ambii parametrii.

2
Am obţinut, aşadar, un model regresional liniar simplu. Dacă, în plus, notăm
ln Yi  Yi* , ln X i  X i* , obţinem:
Yi*  B0  B1 X i*
model care este liniar atât în raport cu parametrii cât şi în raport cu cele două variabile,
caz tratat de noi în cursul 2.

La nivel de eşantion vom avea:

ŷ *i  b0  b1 x *i .

Estimând parametrii, prin metoda celor mai mici pătrate obţinem:


 ln y i  3.96  0.22 ln x i ;
s b = 0,025
1

t = - 8.8
2
r = 0,9116
E = 2.13316

Este clar că interpretările nu mai sunt la fel cu cele din cursul 2. Spre exemplu aici
coeficientul b1 ne va spune că dacă lnxi se modifică cu o unitate atunci lnyi se modifică
cu – 0.22. Pe de altă parte coeficientul de determinaţie ne arată că 91.11% din variaţia lui
lny este explicată de lnx.

Şi totuşi ce aduce nou acest model?

Ceea ce a făcut acest model atractiv, este faptul că, în acest caz, coeficientul B 1
măsoară elasticitatea lui y în raport cu x, adică măsoară modificarea procentuală a lui
y atunci când x se modifică cu un anumit procent (de obicei mic).

Aşadar în cazul exemplului nostru coeficientul B1 ne va spune că dacă preţul se modifică

cu 1%, atunci cererea se modifică cu 0.22% , adică elasticitatea preţ a cererii este – 0.22.
Teoria economică ne spune că dacă elasticitatea preţ a cererii este, în valoare absolută
mai mică decât 1, atunci cererea este inelastică ceea ce se întâmplă şi în cazul exemplului
nostru.

În ceea ce priveşte testarea semnificaţiei modelului regresional, nu există nicio diferenţă

faţă de cazul prezentat în cursul 2. Observăm că intervalul corespunzător lui B1 nu-l
conţine pe 0, ceea ce ne conduce la concluzia că, cu o probabilitate de 95%, B1≠0.

Vom verifica dacă B1<1:

b1  1  0.22  1
t= =  48.8 .
sb 1
0.025
Cum valoarea critică este t0.05;8=1.86, observăm că valoarea calculată este mai mică decât
valoarea critică. În concluzie, cu o probabilitate de 95%, B1<1.

Acest lucru ne conduce la ideea că, cu o probabilitate de 95%, cererea este inelastică.

3
Se pune acum întrebarea, pertinentă de altfel, care dintre cele două modele trebuie ales?

Modalităţi de comparare a celor două modele

1. Compararea coeficienţilor de determinaţie

O greşeală ce se face în general este aceea de a alege modelul în funcţie de valoarea

coeficientului de determinaţie, adică este mai bun acel model pentru care r2 este mai
mare. Acest lucru este fundamental greşit deoarece coeficienţii de determinaţie a două
modele diferite pot fi comparaţi doar dacă variabilele dependente sunt în aceeaşi formă.
În cazul nostru, în modelul liniar variabila dependentă este y pe când în modelul log-
liniar variabila dependentă este lny. Ar fi totuşi posibilă această metodă dacă,
determinându-l pe y din relaţie am recalcula valorile acestuia iar apoi coeficientul de
determinaţie dintre y şi x.

x y y=e3.96x-0.22
4
1
9 52.46
4
2
5 45.04
4
3
4 41.19
3
4
9 38.67
3
5
8 36.82
3
6
7 35.37
3
7
4 34.19
3
8
3 33.20
3
9
0 32.35
1 2
0 9 31.61

În acest caz obţinem r2=0.8577 pe care comparându-l cu cel obţinut în cazul liniar
2
r =0.9757, am putea concluziona că modelul liniar este mai bun.

2. Compararea liniilor de regresie

O altă modalitate este aceea de a compara liniile de regresie. Vom reprezenta y în funcţie
de x în cazul liniar, respectiv lny în funcţie de lnx în cazul log-liniar.

4
Observaţie
În cele două grafice sunt trasate liniile de regresie, precum şi limitele intervalelor de
estimare. Cum în cazul liniar majoritatea punctelor se află între limitele de estimare,
putem concluziona că modelul liniar este mai bun.

3. Compararea elasticităţilor

O altă modalitatea ar fi cea a comparării elasticităţii. Problema care apare aici este cea a
elasticităţii în cazul modelului liniar. Dacă în cazul modelului log-liniar, elasticitatea lui y
în raport cu x, este constantă (B1), în cazul modelului liniar ea se schimbă la fiecare
punct. În practică, de cele mai multe ori, se calculează o elasticitate medie preţ a cererii
folosind formula:
x
elasticitatea medie  B1 .
y
În cazul exemplului nostru vom avea x =5.5, y =37.8 şi astfel
5.5
elasticitatea medie  2.1576  0.314 .
37.8
Cum în cazul modelului liniar, elasticitatea preţ a cererii, în valoare absolută, este mai
mare putem opta pentru acest model.
4. Compararea erorilor standard a estimărilor (ESE)

5
În cazul modelului liniar ESEliniar=1.09268 iar în cazul log-liniar Elog-liniar=2.13316. Cum
în cazul liniar eroarea standard este mai mică putem considera acest model ca fiind mai
bun.

Observaţie
Am prezentat mai sus patru modalităţi de comparare a celor două modele.
Important de reţinut este faptul că nu ne putem baza doar pe una din cele patru metode.
Ar trebui încercate toate. Pe lângă acestea mai trebuie sa ţinem cont de semnificaţia
modelelor precum şi de puţin fler.

4.2.2. Modelul semilog (exponenţial)

În general, economiştii, oamenii de afaceri şi în special guvernele, sunt interesate în a afla

rata de creştere a unor variabile economice. Cum modelul log-liniar furniza coeficientul
de elasticitate se pune întrebarea:

Ce fel de model trebuie să determinăm astfel încât acesta să ne furnizeze rata de

creştere (adică modificarea procentuală a variabilei dependente corespunzătoare unor
modificări absolute ale variabilei independente)?

Răspunsul la această întrebare este dat de modelul semilog:

Yi  e Bo  B1 X i .

Acest model, după cum se poate observa, nu este liniar în raport cu variabila x.

Logaritmând obţinem:
ln Yi  B0  B1 X i ,
model care este liniar în raport cu ambii parametrii.

La nivel de eşantion vom avea:


ln y i  b0  b1 x i .

Exemplu
Rata de creştere a creditelor de consum în Statele Unite în perioada 1973-1987.
Anu
Valoare (mil. USD)
l
1973 190,601
1974 199,365
1975 204,963
1976 228,162
1977 263,808
1978 308,272

6
 1979 347,507
1980 349,386
1981 366,597
1982 381,115
1983 430,382
1984 511,768
1985 592,409
1986 646,055
1987 685,545

Evoluţia creditelor de consum în US în perioada 1973-1987

800

700

600

500
valoarea

400

300

200

100

0
1972 1974 1976 1978 1980 1982 1984 1986 1988
anul

Se observă că valoarea creditelor de consum în perioada supusă studiului are o evoluţie

exponenţială. Aşadar putem considera că:

ln valoare  b0  b1 timp

Variabila timp (t) ia valorile 1, 2, ..., 15.

7
Utilizând formulele din cazul modelului regresional liniar simplu vom obţine:

 ln valoare  12  0.0946 timp ;
s b = 0,0035
1

t = 27.028
r2 = 0.9824

Acest model furnizează rata de creştere a valorii creditelor de consum. Aceasta este
dată de coeficientul B1. Cum acesta este aproximat a fi 0,0946 reiese că rata anuală de
creştere a valorii creditelor de consum este de 9,46%.

4.2.3. Modelul lin-log (logaritmic în x)

În paragraful anterior am văzut cum se determină modificarea relativă a variabilei

dependente corespunzătoare unor modificări relative a variabilei independente. Se pune
însă întrebarea cum determinăm modificarea absolută a variabilei dependente
corespunzătoare unor modificări relative a variabilei independente?

Răspunsul la această întrebare este dat de modelul regresional lin-log,

Yi  B0  B1 ln X i ,
model care este liniar în raport cu ambii parametrii.

Acest model se reduce la modelul regresional liniar simplu dacă notăm ln X i  X i* ,

obţinând
Yi  B0  B1 X i*
model care este liniar atât în raport cu parametrii cât şi în raport cu cele două variabile,
caz tratat de noi în cursul 4.

La nivel de eşantion vom avea:


y i  b0  b1 ln x i .

Exemplu
Legătura dintre Produsul Intern Brut şi masa monetară în US în perioada 1973-1987.

Anu Produs Intern

Masa Monetară
l Brut
1973 1359,3 861,0
1974 1472,8 908,5
1975 1598,4 1,023,2
1976 1782,8 1163,7
1977 1990,5 1286,7
1978 2249,7 1389,0
1979 2508,2 1500,2
1980 2723,0 1633,1

8
 1981 3052,6 1795,5
1982 3166,0 1954,0
1983 3405,7 2185,2
1984 3772,2 2363,6
1985 4014,9 2562,6
1986 4240,3 2807,7
1987 4526,7 2901,0

Evoluţia PIB în funcţie de Masa monetară

3500

3000

2500
Produsul Intern Brut

2000

1500

1000

500

0
1972 1974 1976 1978 1980 1982 1984 1986 1988
Masa Monetară

Considerând modelul logaritmic vom obţine:


PIB  b0  b1 ln masa

 PIB  16329  2584.8 ln masa ;
s b = 94.04
1

t = 27.486
r2 = 0.9832.

Acest model furnizează modificarea absolută a PIB corespunzătoare unor modificări

relative a masei monetare. Aceasta este dată de coeficientul B 1. Cum acesta este
aproximat a fi 2584,8 reiese că dacă masa monetară se modifică cu 1%, atunci PIB
mediu se modifică cu 25,84 mld. USD..

9
4.3. Modele ce se reduc la modelul regresional liniar multiplu

4.3.1. Modelul log-liniar multiplu

Modelul log liniar simplu poate fi uşor generalizat obţinându-se, modelul log-linar
multiplu. Punctul de plecare în acest model este modelul multiplicativ multiplu:
Yi  AX 1Bi1 X 2Bi2 .

Observaţie
Dacă y reprezintă producţia, x1 reprezintă cantitatea de forţă de muncă, iar x2
reprezintă cantitatea de capital atunci expresia de mai sus reprezintă celebra funcţie de
producţie Cobb-Douglas:

Logaritmând obţinem:
ln Yi  ln A  B1 ln X 1i  B2 ln X 2 i ,

ln Yi  Bo  B1 ln X 1i  B2 ln Y2 i ,

Notând ln Yi  Yi* , ln X ki  X ki* , obţinem:

Yi*  B0  B1 X 1*i  B2 X 2*i .

La nivel de eşantion vom avea:


ln y i  bo  b1 ln x 1 i  b2 ln x 2 i

Observaţie
Acest model furnizează coeficienţii de elasticitate parţială a variabilei dependente în
raport cu fiecare variabilă independentă (B1 şi B2), iar suma acestora (B1+B2) furnizează
randamentul de scară.

Exemplu
Legătura dintre produsul intern brut, forţa de muncă şi cantitatea de capital în Mexic în
perioada 1965-1974.

Produs Intern Forţa de

Anu Cantitatea de capital fix
Brut muncă
l (mil. pesos)
(mil. pesos) (mii persoane)
1965 212323 11746 315715
1966 226977 11521 337642
1967 241194 11540 363599
1968 260881 12066 391847
1969 277498 12297 422382
1970 296530 12955 455049

10
 1971 306712 13338 484677
1972 329030 13738 520553
1973 354057 15924 561531
1974 374977 14154 609825

ln PIBi  bo  b1 ln munca  b2 ln capital

 ln PIBi  1.3  0.013 ln munca  0.85 ln capital
s b = 0.0673
1
sb = 0.032
2

t1 = 0.196 t2 = 26.735
2
R =99.82%, 2
R  99.77%

Observaţie
Se observă că PIB este inelastic atât în raport cu cantitatea de forţă de muncă (B1<1) cât
şi în raport cu cantitatea de capital (B2<1). Pe de altă parte randamentul de scară (B1+
B2) este 0.863 ceea ce înseamnă o scădere a randamentului de scară ceea ce sugerează
faptul că economia Mexicană a avut această tendinţă în perioada supusă studiului.

4.3.2. Modelul polinomial

În acest paragraf vom considera modele de următoarea formă:

Yi  B0  B1 X i  B2 X i2  B3 X i3  ...  Bk X ik ,
care la nivel de eşantion vor avea forma:

y i  b0  b1 x i  b2 x i2  b3 x i3  ...  bk x ik .

Un bun exemplu aici este funcţia costului total (TC) care, matematic, poate fi exprimată
astfel:
Yi  B0  B1 X i  B2 X i2  B3 X i3 .
Exemplu

TC 193 226 240 244 257 260 274 297 350 420
Q 1 2 3 4 5 6 7 8 9 10

Liniarizând, prin notarea puterilor xk cu xk şi aplicând formulele din cazul

regresiei liniare multiple vom obţine:

 TC i  141.76  63.47 Q  12.96 Q 2  0.93Q 3 ;
 R2=99.83%, 2
R  99.75% .

y i  b0  b1 x 1 i  b2 e x  b3 ln x 3 i
2i

11