#_______________________________________________________________________________

#________________________________SEMINAR 7______________________________________
#_______________________________________________________________________________

#ANALIZA CERERII: estimarea cererii de bunuri si servicii si

#alegerea celui maibun model!!!!

#Avem la dispozitie date din SUA din 1959-2003, reprezentand cererea si preturile
#pe mai multe categ de bunuri, venitul pop si populatia

#Vom folosi urmatoarele notatii:

# FOOD - val CERERII de alimente in SUA(bunuri nondurabile)
# FURN - val CERERII de mobila (bunuri durabile)
# GAS - cheltuielile de combustibil (nondurabile)
# GASO - val tuturor tipurilor de combustibili(nondurabile)
# HOUS - cheltuielile cu intretinerea casei

#PFOOD, PFURN, PGAS.... - indicii de pret pt fiecare categ de bunuri

# PTPE - indicele preturilor bunurilor de consum (IPC)
# POP - populatia din SUA
# DPI - disposable personal income la nivel de gospodarie(in preturi nominale)

#________________________________________________________________________________

#Analizati si estimati cererea de alimente din SUA

#Stabiliti cel mai bun model si faceti o previziune

#~~~~~~~~~~~MODEL I~~~~~~~~~~~~~~
# Analizati cererea de bunuri
# MODEL 1 - folosim functia de cerere directa y=D(p)=a-bp
#estimati folosind o regresie liniara, stabiliti ce inseamna fiecare coeficient in
parte
# si stabiliti forma functionala a cererii.

#PAS 1 - analizam evolutia in timp a cererii si preturilor

#Stabilim tipul de trend si identif cei mai imp ani in care cererea s-a modif

#Introducem datele in script

a<-read.table(file="cerere.txt", header=TRUE, sep="\t")
fix(a)
attach(a)
View(a)
summary(a)

#Punem in acelasi grafic cererea si preturile pt alimente

par(mfrow=c(2,1))
plot.ts(a$FOOD, col="coral", main="Cererea pt alimente")
plot.ts(a$PFOOD, col="dark green", main="Pretul alimentelor")
#mobila
par(mfrow=c(2,1))
plot.ts(a$FURN, col="pink", main="Cererea pt mobila")
plot.ts(a$PFURN, col="blue", main="Pretul mobilei")
#combustibili
par(mfrow=c(2,1))
plot.ts(a$GAS, col="grey", main="Cererea pentru combstibili")
plot.ts(a$PGAS, col="black", main="Pretul combustibililor")
#valoarea combustibililor
par(mfrow=c(2,1))
plot.ts(a$GASO, col="green", main="Cererea pt val combustibililor")
plot.ts(a$PGASO, col="yellow" , main="Pretul de val al comb")
#valoarea cheltuielilor casnice
par(mfrow=c(2,1))
plot.ts(a$HOUS, col="coral", main="Cererea pt ob casnice")
plot.ts(a$PHOUS, col="dark blue", main="Pretul ob casnice")

#In cazul alimentelor ambele trenduri sunt crescatoare(cerere si pret)

#Deci relatia intre cerere si pret este una DIRECTA
#Din evolutia pretului ne punem problema daca aceste preturi sunt reale
#Deoarece evolutia este constanta pe 4 ani ne dam seama ca avem preturi nominale

#TRANSFORMAM PRETURILE NOMINALE in PRETURI REALE

View(a)
#Toate preturile sunt calculate pe anul de baza 2000 unde au val 100
#Transformarea se face impartind pretul nom la indicepe de consum IPC - PTPE

#Pretul real este pretul nominal*100 imp la indicele de consum

PFOODr<-(a$PFOOD*100)/a$PTPE
PFOODr

#Adaugam coloana pretului real in tabela

a<-data.frame(a, PFOODr)
View(a)

#Refacem graficul cu preturile reale

par(mfrow=c(2,1))
plot.ts(a$FOOD, col="red")
plot.ts(a$PFOODr, col="dark green")
#In acest caz se observa ca trendul se modifica si pretul scade
#Astfel, avem o relatie inversa intre cerere si pret

#PAS 2 - analizam media, abaterea si coef de variatie pt cei doi ind

#medie cerere
mean(a$FOOD)
#medie pret
mean(a$PFOODr)

#abatere cerere
sd1<-sd(a$FOOD)
sd1 #91.58 -val sunt ft imprastiate la cerere
#abatere pret
sd2<-sd(a$PFOODr)
sd2 #5.69 - val suntt ft apropiate la pret

#coef de var cerere - se calculeaza ca abatere supra medie

CV1<-sd1/mean(a$FOOD)
CV1 #0.21 valorile sunt rasp in prop de 21% in jurul mediei
#coef de variatie preturi
CV2<-sd2/mean(a$PFOODr)
CV2 #0.05 - val sunt rasp in prop de 5% in jurul mediei

#Din coef de variatie este mic deci valorile variaza ft putin

#obs ca esantionul ales este reprez, la fel si media
#PAS 3 - analizati distributiile de probabilitate pentru cerere si pret
#Reprez hist, functia de densitate, calc skewness si kurtosis
library(moments)

#histograma cerere
hist(a$FOOD, col="green")
s1<-skewness(a$FOOD)
s1 #0.12 > 0 -> avem o usoara asimetrie la dreapta
k1<-kurtosis(a$FOOD)
k1 #2.16 ->distributia este platicurtica (k<3)
#densitate cerere
d1<-density(a$FOOD)
plot(d1, col="green")

#histograma preturi
hist(a$PFOODr, col="blue")
s2<-skewness(a$PFOODr)
s2 #0.53>0 -> asim la dreapta, dar mai pronuntata ca in cazul cererii => preturi
mari inreg
k2<-kurtosis(a$PFOODr)
k2 #2.30 ->distributia este platicurtica
#densitate preturi
d2<-density(a$PFOODr)
plot(d2, col="blue")

#Facem graficele impreuna

par(mfrow=c(2,2))
hist(a$FOOD, col=" dark green", main="Histograma cererii")
plot(d1, col="green", main="Functia de densitate pentru cerere")
hist(a$PFOODr, col="coral", main="Histograma preturilor")
plot(d2, col="red", main="Functia de densitate pentru preturi")

#din hist CERERII se obs ca aceasta nu are o rep uniform distribuita

#ea prezinta o usoasa asim la dreapta
#din hist PRETURILOR se obs ca aceasta are o repartitie uniform distribuita
#ea prezinta o usoata asim la dreapta

#PAS4 - Identif outilerii daca exista si ii afis in acelasi grafic langa hist
#pt.cerere
par(mfrow=c(2,1))
hist(a$FOOD, col="red")
boxplot(a$FOOD, col="yellow")
#Se observa ca nu avem outlieri (daca aveam outlieri linia era continua)

#pt. preturi
par(mfrow=c(2,1))
hist(a$PFOODr, col="green")
boxplot(a$PFOODr, col="yellow")
#Nici in cazul preturilor nu avem outlieri

#PAS5 - reprez grafic depdendenta intre functia de cerere dir si pret

plot(a$PFOODr, a$FOOD, col="red", main="Functia de cerere directa - liniara")
#Se poate observa ca functia de cerere atinge valori maxime atunci cand pretul se
afla in primul interval

#Verificam dependenta calculand corelatia

cor(a$PFOODr, a$FOOD)
#este -0.63 deci avem o relatie inversa

# PAS 6- estimati f de cerere liniara si interp indicatori aplicand un model de

regresie liniara

#a.Adaugam la grafic o dreapta de regresie

plot(a$PFOODr, a$FOOD, col="red", main="Functia de cerere directa - liniara")
abline(lm(FOOD~PFOODr), col="blue")

#b.Analizati rezultatele regresiei si identif functai de cerere

model1<-lm(FOOD~PFOODr) #cerere in functie de pret
summary(model1)

#Rsquare este 40% modelul nu este 100% reprez

#P-value = 2,23 <0.5 - modelul este bun
#Cand avem e-0.6 inseamna ca avem o val extrem de mica

#ANALIZA REZULTATELOR REGRESIEI

#1)Analizam rezidurile
#Rezidurile reprez diferenta dintre val variabilei analizate si val obt dupa apl
regresiei
#Ne dorim reziduri cat mai mici
#In cazul nostru rezidurile sunt destul de mari si departate (min=-130, max=129)

#2)Verificam daca in urma regresiei coef sunt semnif statistici

#Atat coef pt cerere cat si pt pret sunt semnificativi in proportie de 100% (***)
#daca avem ** este 99.9%, daca avem * este 99%

#3)Interpretam coeficientii estimati

#Intercept = alfa = 1515.487 ->daca pretul este 0, cererea va fi 1515.487
#Beta=-10.28 reprezinta efectul marginal al pretului asupra cererii

#4)Eroarea standard a COEFICIENTILOR ESTIMATI trebuie sa fie mica

#O comparam cu gradul de marime al indicat
#Pt cerere 200.6<1514.487

#5)Statistica t din coef e folosita pt a arata daca coef sunt semnificativi

#si se foloseste pt a calcula p-value.

#6)Analizam daca modelul e valid. Verificam ca p-value sa fie mai < 0,05.
#Observam ca modelul este valid

#7)Analizam daca modelul explica in totalitate variatia uitandu-ne la Rsquare

#Obs ca Rsquare este 0.4093
#Variatia cererii este explicata in proportie de 40,93% de pret
#Restul de 59% din variatia cererii este explicata de alti factori care trb
introdusi in model

#DECI - cererea dep de pret in proportie de 40.93% si de alti factori in proportie

de 59.07%

#8)Analizam eroarea standard a rezidurilor care reprez abaterea lor

#Aceasta trebuie sa fie proportionala cu quartilele.
#Pt o distributie normala Q1 si Q3 trebuie sa fie 1,5+/- RSE
#Dorim ca RSE sa fie cat mai mic.
#goodness of fit: Rsquare mare si RSE mic

#Eroarea standard a reziduurilor este de 71.2% pe 43 de grade de libertate

#Asadar, modelul este nu este destul de semnificativ pt ca RSE mare

#9)LA finalul fiecarui model de regre analizam distributia reziduurilor

r1<-resid(model1)
r1
hist(r1, col="blue") #Acestea nu au o distrubutie uniforma
skewness(r1) #-0.37 exista o usoara asimetrie la stanga
plot(r1, col="blue")
#Observam ca reziduurile sunt distribuite de-a lungul diagonalei si avem variatii
ff mari

#------------------------------------------------------------------------------
#-----------------------------TEMA SEMINAR 7-----------------------------------
#------------------------------------------------------------------------------

#Facem o regresie pentru modelul 2 adica functia de CERERE INDIRECTA

#Forma functiei de cerere INDIRECTA p=alfa1-beta1y
#Stabiliti daca modelul este mai bun decat cel anterior

#La modelul 1 am analizat evolutia in timp a cererii si preturilor

#Am calculat preturile nominale ca preturi reale*100/IPC
#Am adaugat coloana pretului real in tabela
#Am realizat graficul pentru preturi reale

#AM analizat media, abaterea si coef de variatie pt cerere si preturi reale

#Am analizat distributiile de probabilitate facand hist(sk&kurt), functia de dens
#Am realizat diagramele boxplot si am observat ca nu exista outlieri

#~~~~~~~~~~~MODEL II~~~~~~~~~~~~~~
PAS 5 - reprezentam grafic dependenta intre pret si cerere
plot(a$FOOD, a$PFOODr, col="red", main="Functia de cerere indirecta - liniara")
#Observam ca pretul atinge valori maxime la cele mai mici valori ale cererii
#Atunci cand cererea creste, pretul va scadea

# PAS 6- estimati f de cerere liniara si interp indicatori aplicand un model de

regresie liniara

#a.Adaugam o dreapta de regresie

plot(a$FOOD, a$PFOODr, col="red", main="Functia de cerere indirecta - liniara")
abline(lm(PFOODr~FOOD), col="blue")

#b.Analizati rezultatele regresiei si identif functai de cerere INDIRECTA

model2<-lm(PFOODr~FOOD)
model2
summary(model2)

#INTERPRETARE MODEL DE REGRESIE - MODEL 2

#1)Analizam reziduurile
#Avem o diferenta mica intre reziduri (min=-4.66, max=10.46)

#2)Verificam daca in urma regresiei coef sunt semnif stastistici

#Atat coeficientul pentru cerere cat si pentru pret este semnificativ in proportie
de 100%

#3)Interpretam coeficientii estimati

#Alfa=123.09 ->deci daca cererea este 0, pretul va fi egal cu 123.09
#La un pret de 123.09 produsul nu va mai fi cumparat
#beta=-0.03 = efectul marginal al cererii asupra pretului
#Cand cererea creste cu o unitate pretuk scade cu 0.03
#4)Eroarea standard a coef estimari trebuie sa fie mica
#Pentru pret eroarea standard este de 3.14<<<123.09 (val estimata)
#Pentru cerere eroarea standard este 0.0027>-0.03

#5)Statistica t din coef e folosita pt a arata daca coef sunt semnificativi

#si se foloseste pt a calcula p-value.

#6)Analizam daca modelul e valid. Verificam ca p-value sa fie mai < 0,05.
#Observam ca modelul este valid (p value are o val ff mica)

#7)Analizam daca modelul explica in totalitate variatia uitandu-ne la R square

#Rsquare este 0.4093
#Variatia pretului este explicata in proportie de 40.93% de cerere
#Restul de 59.07% sunt reprez de alti factori care nu sunt in model
#Deci pretul depinde de cerere in proportie de 40.93%

#8)Analizam eroarea standard a rezidurilor care reprez abaterea lor

#Aceasta trebuie sa fie proportionala cu quartilele.
#Pt o distributie normala Q1 si Q3 trebuie sa fie 1,5+/- RSE
#Dorim ca RSE sa fie cat mai mic.
#goodness of fit: Rsquare mare si RSE mic

#Se obs ca RSE=4.428, nu este prop cu quartilele

#In schimb RSE ave o valoare mica

#9)LA finalul fiecarui model de regre analizam distributia reziduurilor

r2<-resid(model2)
r2
summary(r2)
hist(r2, col="blue") #Acestea nu au o distrubutie uniforma
skewness(r2) #1.13 exista asimetrie la dreapta
plot(r2, col="blue")
#Avem variatii foarte mari ale rezidurilor