Documente Academic
Documente Profesional
Documente Cultură
4.1. Introducere
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.
1
4.2. Modele regresionale ce se reduc la modelul 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
t = -17.935
r2= 0,9757
ESE = 1.09268
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.
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.
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.
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).
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?
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.
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.
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.
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
800
700
600
500
valoarea
400
300
200
100
0
1972 1974 1976 1978 1980 1982 1984 1986 1988
anul
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%.
Exemplu
Legătura dintre Produsul Intern Brut şi masa monetară în US în perioada 1973-1987.
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
3500
3000
2500
Produsul Intern Brut
2000
1500
1000
500
0
1972 1974 1976 1978 1980 1982 1984 1986 1988
Masa Monetară
t = 27.486
r2 = 0.9832.
9
4.3. Modele ce se reduc la modelul regresional 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 ,
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.
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.
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
11