Cuprins

I. Introducere
II. Descrierea datelor ce vor fi utilizate în modelul econometric
III. Specificarea modelului econometric unifactorial
a) Estimațiile parametrilor modelului
b) Validitatea modelului de regresie
c) Semnificaţia statistică a parametrului pantă (𝛽𝛽1 ).
d) Verificaţi îndeplinirea ipotezelor modelului clasic de regresie liniară
d.1) Homoscedasticitatea erorilor aleatoare
d.2) Non-autocorelarea erorilor aleatoare
d.3) Normalitatea erorilor aleatoare și reprezentarea diagramei qq-plot
e) Corectați modelul de regresie
f) Previzionaţi, atât punctual cât și printr-un interval de încredere 95%, valoarea variabilei
dependente Y dacă variabila explicativă creşte cu 10% faţă de ultima valoare înregistrată,
utilizând modelul econometric corectat.

IV. Specificarea modelului econometric multifactorial

a) Să se estimeze parametrii modelului şi să se interpreteze valorile obţinute
pentru parametrii pantă.
b) Verificaţi existenţa multicoliniarităţii variabilelor explicative
c) Deoarece nu exista multicoliniaritate, nu este nevoie sa transformam modelul.
d) Verificaţi îndeplinirea ipotezelor modelului clasic de regresie liniară
V. Concluzii
VI. Bibliografie
I. Introducere
S&P500 reprezintă denumirea abreviată a indicelui Standard & Poor's 500 care este
indicele celor mai mari companii americane (în funcţie de valoare) listate la NYSE şi NASDAQ.
Indicele cuprinde cele 500 de companii principale şi aproximativ o acoperire de 80% a
capitalizării disponibile a pieţei cu Apple, Microsoft şi Exxon în calitate de primele trei cele mai
mari companii. La fel ca toţi indicii principali, indicele S&P 500 utilizează Standardul global de
clasificare industrială (GICS) pentru a diviza companiile în sectoare, precum energie, sănătate,
finanţe, tehnologia informaţiei şi retail.
Datele folosite în model sunt prezentate în tabelul de mai jos:

Rata șomajului Rata inflației

An- Lună Prețul S&P500 ($) (%) (%)
Oct-17 2,575.26 4.1 2.04
Nov-17 2,647.58 4.1 2.2
Dec-17 2,673.61 4.1 2.11
Jan-18 2,823.81 4.1 2.07
Feb-18 2,713.83 4.1 2.21
Mar-18 2,640.87 4 2.36
Apr-18 2,648.05 3.9 2.46
May-18 2,705.27 3.8 2.8
Jun-18 2,718.37 4 2.87
Jul-18 2,816.29 3.9 2.95
Aug-18 2,901.52 3.9 2.7
Sep-18 2,913.98 3.7 2.28
Oct-18 2,711.74 3.8 2.52
Nov-18 2,760.17 3.7 2.18
Dec-18 2,506.85 3.9 1.91
Jan-19 2,704.10 4 1.55
Feb-19 2,784.49 3.8 1.52
Mar-19 2,834.40 3.8 1.86
Apr-19 2,945.83 3.6 2
May-19 2,752.06 3.6 1.79
Jun-19 2,941.76 3.7 1.65
Jul-19 2,980.38 3.7 1.81
Aug-19 2,926.46 3.7 1.75
Sep-19 2,976.74 3.5 1.71
Oct-19 3,037.56 3.6 1.76
Nov-19 3,140.98 3.5 2.05
Dec-19 3,230.78 3.5 1.81
Jan-20 3,225.52 3.6 2.25
Feb-20 2,954.22 3.6 2.49
Mar-20 2,584.59 4.4 1.54
 Indicele datează din 1923, dar a fost extins la 500 de companii în ianuarie 1957. Dacă
priveşti un grafic al modului în care indicele s-a manifestat în tot acest timp, vei obţine o
perspectivă asupra fluctuaţiilor economiei americane, prin perioadele de creştere şi recesiune.
În cadrul acestui proiect am studiat regresia liniară unifactorială și multifactorială
parcurgând toate etapele necesare în identificarea unui model econometric.Ca suport economic
am studiat dependenţa între S&P 500, rata şomajului şi rata inflaţiei (datele fiind din SUA).
Acest proiect urmărește modificarea indicelui prețului în funcție de rata şomajului şi rata
inflaţiei. Se poate observa o evoluție constantă a prețului ( fiind în creștere până la sfârșitul
anului 2019 ) , urmată de o cădere bruscă ( începutul crizei).
Ca sursă a datelor am folosit www.miseryindex.us/rawdata.aspx. Pentru evoluţia S&P am
folosit site-ul investing.com.

II. Descrierea datelor ce vor fi utilizate în modelul econometric

Modelul de regresie liniară unifactorială este: Y = 𝜷𝜷𝟎𝟎 + 𝜷𝜷𝟏𝟏 𝐗𝐗+𝜺𝜺

Modelul de regresie liniară multifactorială este: Y = 𝜷𝜷𝟎𝟎 + 𝜷𝜷𝟏𝟏 𝑿𝑿𝟏𝟏+𝜷𝜷𝟐𝟐 𝑿𝑿𝟐𝟐 + 𝜺𝜺
Y – Prețul S%P500 masurat in dolar ( variabila dependentă)
S&P 500 este un indice bursier care conține 500 de companii publice mari, majoritatea
americane.
𝑿𝑿𝟏𝟏 – Rata șomajului masurat in procent ( variabila independentă )
Rata șomajului reprezintă raportul dintre numărul șomerilor si populația activă, exprimat
procentual.
𝑿𝑿𝟐𝟐 – Rata inflației masurat in procent ( variabila independentă )
Rata medie anuală a inflației reprezintă creșterea medie a prețurilor de consum într-un an față de
anul precedent. Aceasta rată se calculează ca un raport, exprimat procentual, între indicele mediu
al prețurilor dintr-un an și cel al anului precedent, din care se scade 100.

𝜺𝜺 – variabila eroare ( reziduuri)

Variabila eroare, aleatoare, cu proprietăți probabilistice bine-definite și care surprinde influența
tuturor factorilor reziduali asupra variabilei Y.
III. Specificarea modelului econometric unifactorial
Variabilele modelului de regresie unifactorial
Y – Prețul S%P500 măsurat in dolar ( variabila dependentă)
𝑿𝑿 – Rata șomajului măsurat in procent ( variabila independentă )

a) Estimațiile parametrilor modelului

Excel :

E Views:
File -> Import -> Import from File -> Serie de date proiect Econ..xlsx
În workfile apar 3 serii de date : an_luna , pretul_sp500, rata_somajului

Pentru estimarea modelului de regresie liniară cu prețul_sp500 ca variabilă dependentă (Y) si

rata_șomajului ca variabilă independentă (X) se procedeaza astfel:
În Workfile -> Object-> New object -> Type of object -> Equation-> Ok:

Se precizează ecuația de regresie :

pretul_sp500 c rata_somajului,
iar apoi metoda : LS si
sample: 1 30
Output:

R Studio:
PRETUL__SP500 = 5257,08216693 – 635,879642615*RATA_SOMAJULUI

𝛽𝛽0 - este parametrul intercept fiind egal cu 5257,08216693

Dacă rata șomajului este 0% , atunci prețul S&P500 ar fi de 5257,08216693 $.

𝛽𝛽1 - este parametrul pantă fiind egal cu -635,879642615 (rata șomajului)

Dacă rata șomajului crește cu un procent , atunci prețul S&P500scade in medie cu
635,879642615 $.

b) Validitatea modelului de regresie

𝐻𝐻0 : modelul de regresie Y = 𝜷𝜷𝟎𝟎 + 𝜷𝜷𝟏𝟏 𝐗𝐗+𝜺𝜺 nu este valid sau nu este semnificativ statistic
𝐻𝐻1 : modelul de regresie Y = 𝜷𝜷𝟎𝟎 + 𝜷𝜷𝟏𝟏 𝐗𝐗+𝜺𝜺 este valid sau semnificativ statistic

Excel:

Eviews:
R Studio:

𝐹𝐹𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 =40,87177 >𝐹𝐹0.05;1;28 =4,195972 , înseamnă că 𝐹𝐹𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 se găsește în regiunea critică ,

adică respingem 𝐻𝐻0 la nivelul de semnificație 0,05 , concluzionând că datele de selecție sunt în
favoarea ipotezei alternative H1, adică modelul de regresie este valid statistic.

c) Semnificaţia statistică a parametrului pantă (𝛽𝛽1 ).

𝐻𝐻0 : 𝛽𝛽1 = 0 (parametrul este nesemnificativ statistic sau parametrul nu este semnificativ diferit
de 0)

𝐻𝐻1 : 𝛽𝛽1 ≠0 (parametrul este semnificativ statistic sau parametrul este semnificativ diferit de
0)

Excel:
Eviews:

R Studio:

𝑡𝑡0.05;28 = 2.048
2

𝑡𝑡𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 = -6.393103
Rc : t < -𝑡𝑡𝛼𝛼;𝑛𝑛−2 sau t > 𝑡𝑡𝛼𝛼;𝑛𝑛−2
2 2

Cum 𝑡𝑡𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 < - 𝑡𝑡𝛼𝛼;𝑛𝑛−2 acceptăm 𝐻𝐻1 la nivelul de semnificație de 5% , iar parametrul 𝛽𝛽1
2
este semnificativ statistic

Interpretaţi intervalul de încredere 95% pentru acest parametru:

Excel:
Eviews:
View → Coefficient Diagnostics → Confidence intervals , iar la Confidence levels se păstrează
doar 0.95.

R Studio:

Cum intervalul de încredere 95% al parametrului 𝛽𝛽1 nu conține valoarea 0 , atunci acest
parametru este semnificativ diferit de 0.
• Intervalul [-839,6211; -432,1382] acoperă valoarea adevarată a lui 𝛽𝛽1 , adică dacă rata
inflației crește cu un procent, prețul S&P500 scade, in medie , cu o valoare acoperită de
intervalul [432,1382; 839,6211].
d) Verificaţi îndeplinirea ipotezelor modelului clasic de regresie liniară
d.1) homoscedasticitatea erorilor aleatoare
𝐻𝐻0 : 𝛼𝛼1 = 𝛼𝛼2 =0 (nu există heteroscedasticitate sau erorile aleatoare sunt homoscedastice)
𝐻𝐻1 : (∃)𝛼𝛼𝑖𝑖 ≠0 (există heteroscedasticitate sau erorile aleatoare sunt heteroscedastice)
Definim :
• SERIES REZIDUURI = RESID
• SERIES PRETUL__SP500_FITTED = PRETUL__SP500 – REZIDUURI
• SERIES SQUARED_REZIDUURI = REZIDUURI^2

Testul White
Excel:

Pentru a calcula homoscedasticitatea in Excel am descărcat extensia XLSTAT , unde avem

testul White.
𝐻𝐻0 : 𝛼𝛼1 = 𝛼𝛼2 =0 (nu există heteroscedasticitate sau erorile aleatoare sunt homoscedastice)
𝐻𝐻1 : (∃)𝛼𝛼𝑖𝑖 ≠0 (există heteroscedasticitate sau erorile aleatoare sunt heteroscedastice)

EViews:
Creăm seria pătratelor reziduurilor 𝜀𝜀̂𝑖𝑖2 prin comanda:
series squared_ reziduuri = reziduuri^2, iar în workfile va apărea noua variabilă
squared_ reziduuri.
View / Residual diagnostics / Heteroskedasticity Tests și la Test Type se alege White, iar apoi se
specifică regresorii din noul model de regresie, în cazul acesta c rata_somajului.
 R Studio:

Ecuația de regresie auxiliară estimată este:

𝜀𝜀̂𝑖𝑖2 = 517912.9 -248496.1⋅ 𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑖𝑖 +30393.24 ⋅ 𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑖𝑖2

𝑊𝑊𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 = Obs*R-squared = 0.939862

Probabilitatea asociată : Prob.Chi-Square(2) = 0.625 > 0.05

2 2 2
𝜒𝜒𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 = 𝜒𝜒𝛼𝛼;𝑑𝑑𝑑𝑑 =𝜒𝜒0.05;2 = 5.99

𝑊𝑊𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 = 0.939862 < 𝜒𝜒0.05;2

2
= 5.99 , deci respingem 𝐻𝐻1 si acceptăm 𝐻𝐻0 , adică erorile
aleatoare sunt homoscedastice.

Testul Glejser

H0: 𝜆𝜆1 = 0, (𝑛𝑛𝑛𝑛 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒ă ℎ𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒, 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎ă 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒ă ℎ𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜)

H1: 𝜆𝜆1 ≠ 0, (există heteroscedasticitate)

|𝜀𝜀̂𝑖𝑖 | = 𝜆𝜆0 + 𝜆𝜆1 𝑥𝑥𝑖𝑖 + 𝜈𝜈𝑖𝑖

|𝜀𝜀̂𝑖𝑖 | = 𝜆𝜆0 + 𝜆𝜆1 𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑖𝑖 + 𝜈𝜈𝑖𝑖
Eviews:
Retinem reziduurile:
series reziduuri = resid
View / Residual diagnostics / Heteroskedasticity Tests și la Test Type se alege Glejser, iar apoi
se specifică regresorii din noul model de regresie, în cazul acesta c rata_somajului.

R Studio:
------
t-Statistic = -0.700318
|𝜀𝜀̂𝑖𝑖 | = 259.5244 − 44.57853 ⋅ 𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑖𝑖
se = (132,1962) ( 34,51822)

Coeficientul pantă 𝜆𝜆1 nu este semnificativ statistic (t-Statistic =-0, 700318 şi Prob= p value =
0,4895),deci erorile aleatoare ale modelului original de regresie sunt homoscedastice.

d.2) Non-autocorelarea erorilor aleatoare

Testul Durbin-Watson
Excel:
Eviews:

R Studio:

Interpretarea testului:
H0 : Reziduurile nu sunt autocorelate (order = 1)
H1 : rho ≠ 0 (exista autocorelarea erorilor)

d1 = 1.352 d2 = 1.489
DW = 1,091425
0<DW<d1
DW se încadrează în Regiunea 1, rezultă că Respingem H0 și acceptăm H1, există o autocorelare
de ordinul întâi a erorilor aleatoare.

Testul Breusch-Godfrey

Ipoteze
H0 : erorile nu sunt autocorelate
H1 : există autocorelare a erorilor aleatoare

Eviews:

View → Residual Diagnostics → Serial Correlation LM Test

R Studio:

𝐿𝐿𝐿𝐿𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 = Obs*R-squared = =6.149

2 2 2
𝜒𝜒𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 = 𝜒𝜒𝛼𝛼;𝑑𝑑𝑑𝑑 =𝜒𝜒0.05;2 = 5.991

p-value=0.0462
Deoarece valoarea LM calculat este mai mare decât valoarea critica, respingem ipoteza
nulă H0 și acceptăm ipoteza alternativă H1 , deci există autocorelare a erorilor modelului
de regresie.

d.3) Normalitatea erorilor aleatoare și reprezentarea diagramei qq-plot

Testul Jarque-Bera

H0: Reziduurile provin dintr-o distribuţie normală (S=0 şi K=3 ), unde S=Skewness, K=Kurtosis
H1: Reziduurile nu provin dintr-o distribuţie normală

Excel:

Interpretarea testului:
Deoarece p-value calculat este mai mare decât nivelul de semnificație α = 0,05, nu
se poate respinge ipoteza nulă H0 .
Eviews:

În eq_1 : View→Residual Tests→Histogram-Normality Test

Jarque_bera = 0,038011
Probability = 0,981171

R Studio:

Deoarece probabilitatea asociată statisticii J-B este > 0,05, adică Probability = 0,981171
> 0,05, nu putem respinge H0 că reziduurile provin dintr-o distribuţie normală. Nu avem
suficiente motive să respingem ipoteza nulă H0, prin urmare nu excludem posibilitatea ca
variabila eroare să urmeze o repartiție normală.

Reprezentarea diagramei qq-plot:

E-Views:
Comanda: qqplot

R Studio:
 Din diagrama QQ-plot se poate deduce ca reziduurile provin dintr-o distributie normala.

e) Corectați modelul de regresie

Corectarea autocorelarii
Eviews:
Estimam rho folosind comanda scalar rho=1-@dw/2
rho=0.454287
Pentru a estima modelul transformat de regresie 𝑦𝑦𝑡𝑡∗ = 𝛽𝛽0∗ + 𝛽𝛽1 𝑥𝑥𝑡𝑡∗ + 𝑢𝑢𝑡𝑡 folosim
comenzile:
series y_star = y -rho*y(-1)
series x_star = x - rho*x(-1)
Estimăm ecuația de regresie pentru modelul transformat:
y_star c x_star
scalar beta0=c(1)/(1-rho)
 R Studio:

Ecuatia modelului corectat:

PRETUL__SP500 = 2568.288 – 489.6105*RATA_SOMAJULUI

Folosim Testul Durbin-Watson pentru a testa autocorelarea erorilor:

H0 : Reziduurile nu sunt autocorelate (order = 1)
H1 : rho ≠ 0 (exista autocorelarea erorilor)
DW=1.7558
Din tabelul cu valorile critice ale statisticii DW, pentru nivelul de semnificaţie 5%, n=29, pentru
k=1, găsim:
d1=1,341 d2=1.483
Deoarece d2<DW<4-d2, regiunea in care se incadreaza DW este Regiunea 3, rezulta ca
nu respingem H0 , deci fenomenul de autocorelare a fost eliminat.
 Verificarea homoscedasticitatii
𝐻𝐻0 : 𝛼𝛼1 = 𝛼𝛼2 =0 (nu există heteroscedasticitate sau erorile aleatoare sunt homoscedastice)
𝐻𝐻1 : (∃)𝛼𝛼𝑖𝑖 ≠0 (există heteroscedasticitate sau erorile aleatoare sunt heteroscedastice)
View → Residual Diagnostics → Heteroskedasticity Tests → White

Deoarece Prob. Chi-Square(2) = 0.6558 > 0.05, respingem 𝐻𝐻1 si acceptăm

𝐻𝐻0 , adică erorile aleatoare sunt homoscedastice.
Testarea semnificaţiei statistice a parametrilor modelului transformat
 𝐻𝐻0 : 𝛽𝛽1 = 0 (parametrul este nesemnificativ statistic sau parametrul nu este
semnificativ diferit de 0)

𝐻𝐻1 : 𝛽𝛽1 ≠0 (parametrul este semnificativ statistic sau parametrul este semnificativ diferit de
0)

𝑡𝑡0.05;27 = 2.05
2

Parametrul pantă 𝛽𝛽1 este semnificativ statistic deoarece 𝑡𝑡𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 =-4.445<-2.05 .

𝐻𝐻0 : 𝛽𝛽0 = 0 (parametrul este nesemnificativ statistic sau parametrul nu este semnificativ diferit
de 0)

𝐻𝐻1 : 𝛽𝛽0 ≠0 (parametrul este semnificativ statistic sau parametrul este semnificativ diferit de
0)

Parametrul 𝛽𝛽0 este semnificativ statistic deoarece 𝑡𝑡𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 =11.13> 2.05.

Testarea validității modelului de regresie

𝐻𝐻0 : modelul de regresie 𝒚𝒚∗𝒕𝒕 = 𝜷𝜷∗𝟎𝟎 + 𝜷𝜷𝟏𝟏 𝒙𝒙∗𝒕𝒕 + 𝒖𝒖𝒕𝒕 nu este valid sau nu este semnificativ statistic.
𝐻𝐻1 : modelul de regresie 𝒚𝒚∗𝒕𝒕 = 𝜷𝜷∗𝟎𝟎 + 𝜷𝜷𝟏𝟏 𝒙𝒙∗𝒕𝒕 + 𝒖𝒖𝒕𝒕 este valid sau semnificativ statistic.
𝐹𝐹𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 =19.76 >𝐹𝐹0.05;1;27=4.21 , înseamnă că 𝐹𝐹𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 se găsește în regiunea critică , adică respingem
𝐻𝐻0 la nivelul de semnificație 0,05 , concluzionând că datele de selecție sunt în favoarea ipotezei
alternative H1, adică modelul de regresie este valid statistic.
 În concluzie, modelul 𝒚𝒚∗𝒕𝒕 = 𝜷𝜷∗𝟎𝟎 + 𝜷𝜷𝟏𝟏 𝒙𝒙∗𝒕𝒕 poate fi considerat ca fiind reprezentativ pentru a
descrie legătura dintre Prețul S%P500 şi Rata Somajului.

f) Previzionaţi, atât punctual cât și printr-un interval de încredere 95%, valoarea variabilei
dependente Y dacă variabila explicativă creşte cu 10% faţă de ultima valoare înregistrată,
utilizând modelul econometric corectat.

Eviews:

new_val=3.04095
scalar t_critic = @qtdist(1-0.025,28)
series ci_lower = pretul_star_f - t_critic * se_prediction
series ci_upper = pretul_star_f+
t_critic * se_prediction

t_critic=2.048407
Astfel, de pe ultima linie a grupului, adică de pe linia 31, citim că previziunea punctuală a
profitului este 𝑦𝑦�31 = 1079.407 $ , la intervalul de încredere 95% al nivelului profitului Y ,dacă
variabila explicativă creşte cu 10% faţă de ultima valoare înregistrată ( adică 3.04095) este
𝐶𝐶𝐼𝐼95% ( Prețul_SP500 rata_somajului) = [770.6247;1388.189] $.
In selectii repetate, 95 din 100 intervale ca cel obtinut vor acoperi valoarea adevarata a
Pretului S&P, daca rata somajului este 3.04095.

R Studio:
IV. Specificarea modelului econometric multifactorial
Y – Prețul S%P500 masurat in dolar ( variabila dependentă)
S&P 500 este un indice bursier care conține 500 de companii publice mari, majoritatea
americane.
𝑿𝑿𝟏𝟏 – Rata șomajului masurat in procent ( variabila independentă )
Rata șomajului reprezintă raportul dintre numărul șomerilor si populația activă, exprimat
procentual.
𝑿𝑿𝟐𝟐 – Rata inflației masurat in procent ( variabila independentă )
Rata medie anuală a inflației reprezintă creșterea medie a prețurilor de consum într-un an față de
anul precedent. Aceasta rată se calculează ca un raport, exprimat procentual, între indicele mediu
al prețurilor dintr-un an și cel al anului precedent, din care se scade 100.

a) Să se estimeze parametrii modelului şi să se interpreteze valorile obţinute

pentru parametrii pantă.

Excel:
Eviews:

R Studio:

Parametrul pantă 𝛽𝛽1 corespunzător variabilei 𝑿𝑿𝟏𝟏 (Rata somajului): estimația este
�
𝛽𝛽1 = -631.67.
Interpretare: dacă rata somajului creşte cu 1 procent, pretul S&P500 va scădea, în medie,
cu 631.67 dolari, menținând constant nivelul celorlalte variabile explicative din model.
 Parametrul pantă 𝛽𝛽2 corespunzător variabilei 𝑿𝑿𝟐𝟐 (Rata inflatiei): estimația este
�2 = -20.64.
𝛽𝛽
Interpretare: dacă rata inflatiei creşte cu 1 procent, pretul S&P500 va scădea, în medie, cu
20.64 dolari, menținând constant nivelul celorlalte variabile explicative din model.

b) Verificaţi existenţa multicoliniarităţii variabilelor explicative

Eviews:
EQ1/ Proc / Make Regressor Group -> View / Covariance Analysis/ Method(Correlation)

𝑟𝑟𝑥𝑥1 ,𝑥𝑥2 =0,114198 rezultă că coeficientul de corelatie Pearson intre 𝑋𝑋1 și 𝑋𝑋2 este apropiat de
valoarea 0 , adică nu există corelație (asociere aleatoare).

R Studio:
Calculam factorul de inflaţie a varianţei (Variance Inflationary Factor)

Valoarea VIF este 1.0132, o valoare apropiata de 1, deci nu exista multicoliniaritate.

c) Deoarece nu exista multicoliniaritate, nu este nevoie sa transformam modelul.

d) Verificaţi îndeplinirea ipotezelor modelului clasic de regresie liniară
Homoscedasticitatea erorilor aleatoare
Testul White

𝑊𝑊𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 = Obs*R-squared = 2.49

Probabilitatea asociată : Prob.Chi-Square(2) = 0.77> 0.05

2 2 2
𝜒𝜒𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 = 𝜒𝜒𝛼𝛼;𝑑𝑑𝑑𝑑 =𝜒𝜒0.05;5 = 11.07
2
𝑊𝑊𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 = 0.939862 < 𝜒𝜒0.05;2 = 11.07 , deci respingem 𝐻𝐻1 si acceptăm 𝐻𝐻0 , adică erorile
aleatoare sunt homoscedastice.

Non-autocorelarea erorilor aleatoare

 Testul Durbin-Watson

Interpretarea testului:
H0 : Reziduurile nu sunt autocorelate (order = 1)
H1 : rho ≠ 0 (exista autocorelarea erorilor)
d1 = 1.284 d2 = 1.567
DW = 1.071291
0<DW<d1
DW se încadrează în Regiunea 1, rezultă că Respingem H0 și acceptăm H1, există o autocorelare
de ordinul întâi a erorilor aleatoare.

Normalitatea erorilor aleatoare

Testul Jarque-Bera

H0: Reziduurile provin dintr-o distribuţie normală (S=0 şi K=3 ), unde S=Skewness, K=Kurtosis
H1: Reziduurile nu provin dintr-o distribuţie normală

Deoarece probabilitatea asociată statisticii J-B este > 0,05, adică Probability = 0.9737
> 0,05, nu putem respinge H0 că reziduurile provin dintr-o distribuţie normală. Nu avem
suficiente motive să respingem ipoteza nulă H0, prin urmare nu excludem posibilitatea ca
variabila eroare să urmeze o repartiție normală.

V. Concluzii

Modelul studiat ne-a arătat dependenţa S&P de şomaj şi inflaţie. Însă acest model
pare a fi valabil doar într-o recesiune, deoarece de obicei S&P şi oricare indice
bursier cresc într-o situaţie inversă celei prezente. O inflaţie scăzută şi şomaj înalt
determină o stagnare în creştere economică şi eventual în indici. Dar după cîte constatam
din model perioadele de criză se caracterizează prin disproporţii economice.

VI. Bibliografie
http://www.miseryindex.us/rawdata.aspx
https://www.investing.com/indices/us-spx-500-historical-data
https://capital.com/ro/indice-s-p-500-definitie