Documente Academic
Documente Profesional
Documente Cultură
INTRODUCERE ....................................................................................................................... 9
5
Metoda celor mai mici pătrate ........................................................................................................................ 55
Ipotezele modelului linear unifactorial ............................................................................................................ 56
Proprietăţi ale estimatorilor ............................................................................................................................ 57
Modelul linear multifactorial ......................................................................................................................... 57
Estimarea parametrilor din modelul linear multifactorial – metoda celor mai mici pătrate........................... 58
Ipotezele modelului ......................................................................................................................................... 59
Proprietăţi ale estimatorilor calculaţi prin metoda celor mai mici pătrate ..................................................... 60
Exemple ......................................................................................................................................................... 61
Modelul linear unifactorial .............................................................................................................................. 61
Modelul linear multifactorial ........................................................................................................................... 63
Rezumat ........................................................................................................................................................ 66
Test de autoevaluare a cunoştinţelor ............................................................................................................ 67
Test de evaluare a cunoştinţelor .................................................................................................................... 68
Bibliografie .................................................................................................................................................... 68
6
Test de evaluare a cunoştinţelor .................................................................................................................... 96
Bibliografie .................................................................................................................................................... 96
7
Prognoza în cazul modelului multifactorial de regresie lineară .................................................................... 128
Exemple ....................................................................................................................................................... 129
Modelul linear unifactorial ............................................................................................................................ 129
Modelul linear multifactorial ......................................................................................................................... 130
Rezumat ...................................................................................................................................................... 132
Test de autoevaluare a cunoştinţelor .......................................................................................................... 132
Test de evaluare a cunoştinţelor .................................................................................................................. 133
Bibliografie .................................................................................................................................................. 134
8
ECONOMETRIE
Introducere
Obiectivele cursului
Competenţe conferite
9
Structura cursului
Cerinţe preliminare
Evaluarea
Nota finală este compusă din:
- 70% examen
- 30% evaluărilor pe parcurs (teme de control, verificări pe parcurs);
10
Unitatea de învăţare 1. Modelul Economic – Prezentare
Generală
Cuprins
• Consideraţii generale
• Schema generală a procesului de modelare economico-matematică
• Modelul economic
o Elementele unui model econometric
o Datele utilizate
Cuprins
După parcurgerea unităţii veţi fi în măsură să răspundeţi la întrebările:
• Care este schema generală a procesului de modelare economico-matematică?
• Ce este un model econometric?
• Care sunt elementele unui model econometric?
Obiectivele unităţii de învăţare
• Însuşirea noţiunii de model economic
• Schema generală a procesului de modelare economico-matematică
• Elementele unui model econometric
• Tipurile de date utilizate într-un model economic
Consideraţii generale
În accepţiunea comună, modelul reprezintă o normă, un ideal spre care se tinde datorită
calităţilor, chiar perfecţiunii sale. Un model ştiinţific este o construcţie, de obicei
teoretică, în anumite privinţe simplificată, care îşi propune să faciliteze înţelegerea unei
realităţi complexe prin intermediul unei imagini apropiate, cât mai fidele. Două idei sunt
esenţiale în această abordare a conceptului de model: în primul rând, ideea de
11
reprezentare simplificată a realităţii şi, în al doilea rând, cea de asemănare structurală,
funcţională, comportamentală între model şi realitate1.
b) să fie relativ bine separate, adică elementele ne-similare trebuie să facă parte din
clase diferite.
1
Jula D., 2003, Introducere în econometrie, Editura Professional Consulting, Bucureşti, pag.7.
2
Citat în Dobrescu E., 2002, Tranziţia în România: abordări econometrice, Editura Economică, Bucureşti,
pag. 33.
3
Jula D., Jula N., 1999, Economie sectorială, Editura Didactică şi Pedagogică, Bucureşti, pag. 18-21.
4
Dobrescu E., 2002, Tranziţia în România: abordări econometrice, Editura Economică, Bucureşti, pag. 24.
12
Tabel: Tipologia modelelor economice
13
în care Md este cererea monetară, Y – output-ul, P – nivelul preţurilor, iar
următoarele trei simboluri reprezintă randamentele altor forme de active în care
banii pot fi plasaţi (bonuri de tezaur), acţiuni, bunuri durabile). În model
variabilele implicate nu apar cu valori numerice, dar pot fi calculate cu ajutorul
statisticilor accesibile.
1.c – Modelele numerice. Modele de acest tip sunt, de exemplu, cele care estimează
legătura dintre şomaj şi rata inflaţiei (curba Phillips) pe baza datelor înregistrate
într-un interval corespunzător de timp, sau între venitul gospodăriilor şi consum
etc.
2.1. b – Modelele nelineare în care legătura dintre variabilele analizate are forme mai
complicate, nelineare.
14
C0 – partea stabilă a consumului, relativ autonomă în raport cu venitul (ex.
autoconsumul);
4. Scopul modelării
4.c – Modelele normative. De exemplu, prin astfel de modele pot fi urmărite obiective
de tipul: respectarea unor restricţii ecologice, restricţii privind condiţiile de
muncă, atingerea unor condiţii de performanţă – calitate, fiabilitate etc.6
5. Comportamentul temporal:
5.a – Modelele strict statice sunt folosite pentru reprezentarea unor fenomene sau
procese economice la un moment dat. Exemplu: modelul input-output.
5
Jula D., 2003, Introducere în econometrie, Editura Professional Consulting, Bucureşti, pag.7.
6
Nicolae V., Constantin D.-L., Grădinaru I., 1998, Previziune şi orientare economică, Editura Economică,
Bucureşti, pag. 174-175.
15
Schema generală a procesului de modelare economico-matematică
Într-o primă etapă, prin analiza unui obiect din realitatea economică (un proces,
un fenomen etc.) se identifică o mulţime finită de proprietăţi ale acestuia. Proprietăţile
reţinute ca fiind semnificative reprezintă teoria economică (modelul economic)
elaborată pentru obiectul respectiv din realitate.
(4) traducerea concluziilor obţinute din limbajul specific teoriei matematice în teoria
economică (interpretarea economică a rezultatelor modelului).
Modelul econometric
16
măsură. Deci, etimologic, econometria presupune aplicarea unor tehnici de măsurare în
economie.
(2) realizarea unei cercetări selective pentru generarea unor serii de date referitoare la
procesul respectiv,
7
Etapele modelării sunt prezentate în detaliu în lucrarea Jula D., 2003, Introducere în econometrie, Editura
Professional Consulting, Bucureşti, pag.7-13.
8
Thomas R.-L, 1997, Modern Econometrics: An Introduction, 2nd edition, Harlow, Longman, pag. 1-3.
9
Ramanathan R., 1992, Introductory Econometrics, Second Edition, The Dryden Press, Harcourt Brace College
Publishers, Orlando, USA, pag. 3-11.
10
Thomas R.-L, 1997, Modern Econometrics: An Introduction, 2nd edition, Harlow, Longman, pag. 1.
17
Teoria economică, experienţa
Formularea modelului
Selectarea datelor
Estimarea modelului
Variabilele modelului
Sunt endogene sau explicate acele variabile ale căror valori sunt obţinute prin
rezolvarea modelului.
Sunt exogene acele variabile pentru care starea şi evoluţia sunt determinate de
factori exteriori sistemului a cărui funcţionare este studiată cu ajutorul modelului.
11
Thomas R.L, 1997, Modern Econometrics: An introduction, 2nd edition, Harlow, Longman, pag.4.
18
Variabilele de abatere (sau erorile) reprezintă discrepanţele între evoluţia
anticipată a unei variabile şi evoluţia reală a variabilei respective.
Parametrii modelului
Ecuaţiile modelului
Ecuaţiile sau relaţiile de definiţie sunt utilizate pentru precizarea unor noţiuni
sau determinarea unor variabile. În ecuaţiile de definiţie nu intervin parametri
necunoscuţi.
Datele utilizate
Pentru estimarea parametrilor din ecuaţiile modelului sunt utilizate anumite date
economice referitoare la evoluţia fenomenelor analizate. Datele economice reprezintă
reflectări cantitative sau calitative ale dimensiunii, stării şi evoluţiei proceselor şi
fenomenelor economice. Aceste date pot fi descrise pornind de la mai multe criterii.
Astfel, ca prezentare, datele pot fi disponibile ca serii de timp (cronologice), de
distribuţie sau de tip panel.
Seriile de timp corespund unor observaţii efectuate asupra stării unui fenomen
economic la intervale regulate de timp (evoluţia cursului de schimb, dinamica preţurilor,
a consumului, a veniturilor etc.).
19
regional, localizarea activităţilor etc., structura unor agregate (structura sectorială a unei
economii, structura ocupării, structura pe elemente a costului de producţie ş.a.), sau
starea unei variabile la un moment dat într-un anumit eşantion (de exemplu, venitul şi
consumul familiilor).
Să ne reamintim...
Etapele procesului de modelare
Rezumat
În sens restrâns, econometria este definită ca o aplicaţie a statisticii matematice
în economie, astfel încât prin analiza şi prelucrarea datelor economice să se ofere un
suport empiric modelelor construite de economia matematică .
În sens larg, econometria este înţeleasă ca o ştiinţă de graniţă între economie,
matematică şi statistică.
Un studiu econometric presupune parcurgerea următoarelor etape:
(1) formularea modelului pornind de la teoria considerată adecvată pentru
explicarea evoluţiei unui proces economic,
(2) realizarea unei cercetări selective pentru generarea unor serii de date
referitoare la procesul respectiv,
(3) estimarea modelului,
(4) testarea ipotezelor teoretice folosite în construirea modelului
(5) interpretarea rezultatelor.
20
Parametrii modelului pot fi definiţi ca fiind caracteristicile cantitative ale
sistemului studiat.
Prin ecuaţiile unui model se încearcă surprinderea legăturilor dintre variabilele
endogene şi cele explicative. Într un model econometric pot apărea ecuaţii de
comportament, ecuaţii de definiţie şi ecuaţii contabile (de echilibru).
Datele economice reprezintă reflectări cantitative sau calitative ale dimensiunii,
stării şi evoluţiei proceselor şi fenomenelor economice.
Răspunsuri:
Într-o primă etapă, prin analiza unui obiect din realitatea economică (un
proces, un fenomen etc.) se identifică o mulţime finită de proprietăţi ale
acestuia. Proprietăţile reţinute ca fiind semnificative reprezintă teoria
economică (modelul economic) elaborată pentru obiectul respectiv din realitate.
21
În a doua etapă, se caută o teorie matematică în care poate fi descrisă o
structură a sistemului.
Bibliografie
1. Jula N., Jula D., 2015. Modelare economică: modele econometrice și de optimizare
– Editura Mustang; București, 330/J88
2. Jula N., Jula N.-M., 2020, Econometrie, Editura Univ. Nicolae Titulescu, București
330ID/J-88
3. Jula N.-M., Jula D., 2016, Prognoza economică: aplicații financiare, Ed. Mustang,
București 330/J88
4. Simionescu M., 2013, Econometrie avansată, Ed. Universitară, București 330/S57
5. Institutul Naţional de Statistică, Anuarul statistic al României + CD, Bucureşti,
2019, P36
Resurse online
6. Pecican E., Tanasoiu O., Iacob AI. 2020. Modele econometrice. ASE – Cursuri in
format digital. Online la http://www.biblioteca-
digitala.ase.ro/biblioteca/carte2.asp?id=196&idb=
7. Gujarati D., 2004. Basic Econometrics. (4th ed.). Palgrave Macmillan, London.
Online la http://www.research-excellence.com/ebooks/Basic%20Econometrics.pdf
8. Wooldridge J.M., 2013. Introductory Econometrics. A Modern Approach (5th ed.).
CENAGE Learning, Mason, USA.
Online la https://economics.ut.ac.ir/documents/3030266/14100645/Jeffrey_M._Wo
oldridge_Introductory_Econometrics_A_Modern_Approach__2012.pdf
22
23
Unitatea de învăţare 2. Modelul de Programare Lineară
Cuprins
• Modelul matematic
Introducere
După parcurgerea unităţii veţi fi în măsură să răspundeţi la întrebările:
• Ce este algoritmul de programare linear[?
• Cum se utilizează algoritmul?
• Care sunt paşii algoritmului?
Presupunem că o fermă agricolă dispune de 100 ha teren arabil pentru cultura a patru
produse: grâu, porumb, cartofi, floarea soarelui. De asemenea, sunt disponibile 4 tipuri
de resurse (timp utilaj, forţă de muncă, două tipuri de îngrăşăminte). Se cunosc, pe baza
24
informaţiilor economice din anii precedenţi disponibilul din aceste resurse şi consumul
specific la un hectar cultivat, valori ce sunt prezentate în tabelul următor.
x1 + x2 + x3 + x4 100
5 x + 2 x + 5 x + 7 x 400
1 2 3 4
xi 0, i = 1, ,4
(
max ) Z = 5 x1 + 7 x2 + 9 x3 + 8 x4
25
x1 + x2 + x3 + x4 + s1 = 100
xi 0, i = 1,...,4; si 0, i = 1,..., 6
Datele din modelul de programare liniară sunt scrise în tabloul Simplex astfel:
Tabloul Simplex: 0
cj 5 7 9 8 0 0 0 0 0
cb Baza VVB x1 x2 x3 x4 s1 s2 s3 s4 s5
0 s1 100 1 1 1 1 1 0 0 0 0 100
0 s2 400 5 2 5 7 0 1 0 0 0 80
0 s3 300 0 3 4 3 0 0 1 0 0 75
0 s4 500 3 6 4 5 0 0 0 1 0 125
0 s5 1000 8 1 1 1 0 0 0 0 1 83.3
0 2 0
zj 0 0 0 0 0 0 0 0 0 0
cj- zj 5 7 9 8 0 0 0 0 0
În tabloul precedent, în bază sunt înscrişi vectorii ataşaţi variabilelor s1, ..., s5. Valorile
variabilelor ataşate vectorilor din bază sunt prezentate în coloana VVB. Pe linia cj sunt
scrise, pentru fiecare variabilă, costurile din funcţia obiectiv (valorile cu care contribuie
la funcţia obiectiv), iar pe coloana cb sunt scrise costurile din funcţia obiectiv pentru
variabilele ataşate vectorilor din bază. Sunt scrise, de asemenea, pe coloană vectorii
ataşaţi fiecărei variabile. Fiecare element de pe linia zj se calculează ca produs scalar al
vectorului cb şi vectorul xj (respectiv sj). Elementele cj-zj se calculează ca diferenţă între
elementele de pe liniile corespunzătoare. Elementele cj-zj sunt utilizate pentru a testa
optimalitatea soluţiei obţinute la fiecare iteraţie. Pentru problema de maxim considerată,
soluţia este optimă (algoritmul se opreşte) atunci când pe linia cj-zj nu există valori strict
pozitive.
26
Deoarece soluţia iniţială nu este optimă se continuă algoritmul. Se selectează vectorul
care intră în bază. Vectorul respectiv corespunde valorii maxime de pe linia cj-zj. În
exemplul considerat, acest vector este ataşat variabilei x3. Se calculează, pentru
elementele pozitive ale vectorului care intră în bază, rapoartele () dintre fiecare element
al din VVB şi elementul corespunzător din vectorul respectiv. Valoarea minimă a acestui
raport, corespunde vectorului care iese din bază. În cazul considerat, iese din bază
vectorul s3. Elementul situat la intersecţia coloanei ataşate vectorului care intră în bază
cu linia corespunzătoare vectorului înlocuit se numeşte pivot. Se completează următorul
tablou Simplex ţinând seama de câteva reguli (vezi manual Modelare Economică.
Modele econometrice şi de optimzare, Ed. Mustang, 2010).
Tabloul Simplex: 1
cj 5 7 9 8 0 0 0 0 0
cb Baza VVB x1 x2 x3 x4 s1 s2 s3 s4 s5
0 s1 25 1 0.25 0 0.25 1 0 -0.25 0 0 25
0 s2 25 5 -1.75 0 3.25 0 1 -1.25 0 0 5
9 x3 75 0 0.75 1 0.75 0 0 0.25 0 0
0 s4 200 3 3 0 2 0 0 -1 1 0 66.7
0 s5 100 8 1 0 1 0 0 -3 0 1 12.5
zj 675 0 6.75 9 6.75 0 0 2.25 0 0
cj- zj 5 0.25 0 1.25 0 0 -2.25 0 0
Iteraţiile următoare se desfăşoară similar. Algoritmul se opreşte atunci când toate
elementele de pe ultima linie a tabloului Simplex sunt negative sau zero.
Tabloul Simplex: 2
cj 5 7 9 8 0 0 0 0 0
cb Baza VVB x1 x2 x3 x4 s1 s2 s3 s4 s5
0 s1 20 0 0.60 0 -0.40 1 -0.20 0.00 0 0 33.3
5 x1 5 1 -0.35 0 0.65 0 0.20 -0.25 0 0
9 x3 75 0 0.75 1 0.75 0 0.00 0.25 0 0 100
0 s4 185 0 4.05 0 0.05 0 -0.60 -0.25 1 0 45.7
0 s5 60 0 3.80 0 -4.20 0 -1.60 -1.00 0 1 15.8
zj 700 5 5 9 10 0 1 1 0 0
cj- zj 0 2 0 -2 0 -1 -1 0 0
27
Tabloul Simplex: 3
cj 5 7 9 8 0 0 0 0 0
cb B VVB x1 x2 x3 x4 s1 s2 s3 s4 s5
Tabloul Simplex: 4
cj 5 7 9 8 0 0 0 0 0
cb Baza VVB x1 x2 x3 x4 s1 s2 s3 s4 s5
0 s1 3.488 0 0 0 0 1 -0.012 0.110 -0.058 -0.096
5 x1 3.488 1 0 0 0 0 -0.012 -0.390 -0.058 0.154
9 x3 20.930 0 0 1 0 0 -0.070 0.163 -0.349 0.174
8 x4 26.744 0 0 0 1 0 0.244 0.180 0.221 -0.235
7 x2 45.349 0 1 0 0 0 -0.151 -0.064 0.244 0.003
zj 737.209 5 7 9 8 0 0.209 0.512 0.047 0.477
cj- zj 0 0 0 0 0 -0.209 -0.512 -0.047 -0.477
Toate elementele de pe ultima linie a tabloului Simplex sunt negative sau zero, deci
algoritmul se opreşte. Soluţia obţinută, Z = 737.209, este optimă. Un profit maxim, poate
fi obţinut dacă se cultivă cu: grâu x1 = 3.49 ha; porumb x2 = 45.35 ha; cartofi x3 = 20.93
ha; floarea soarelui o suprafaţă x4 = 26.74 ha. Rămân necultivate s1 = 3.49 ha de teren.
28
Să ne reamintim...
Tablou Simplex final oferă şi alte informaţii utile. Valorile zj - cj
reprezintă preţurile umbră, adică măsoară importanţa relativă a
restricţiei respective în soluţia optimă: dacă disponibilul dintr-o anumită
resursă creşte cu o unitate, atunci valoarea funcţiei obiectiv se
îmbunătăţeşte cu (zj - cj) unităţi. De asemenea, prin tehnici specifice, se
poate calcula domeniul de variaţie a disponibilului din fiecare resursă,
sau a coeficienţilor din funcţia obiectiv, astfel încât structura soluţiei
optime să nu se modifice
R1 0.000 0.209
R2 0.000 0.512
R3 0.000 0.047
R4 0.000 0.477
29
Intervalul de variaţie pentru termenul liber - Right Hand Side Ranges (disponibilul de
resurse)
Se constată că viteza de creştere cea mai mare a profitului se poate obţine dacă se asigură
creşterea disponibilului din resursa R2 (resursa R2 are preţul umbră cel mai mare).
Pentru ca structura soluţiei optime să nu se modifice, creşterea disponibilului din resursa
R2 poate avea loc în limita a maximum 8.955 unităţi. Fie o creşterea a disponibilului din
resursa R2 cu 8 unităţi (de la 300 la 308 unităţi). Atunci, valoarea profitului va creşte cu
8 0.512 = 4.096 unităţi, la 741.31 unităţi. Pentru verificare, prin calcul se determină
tabloul final Simplex următor:
30
Tabloul Simplex: 4
cj 5 7 9 8 0 0 0 0 0
cb Baza VVB x1 x2 x3 x4 s1 s2 s3 s4 s5
În noua soluţie optimă (soluţia post optimizare), creşte suprafaţa neutilizată (de la 3.488
ha la 4.372 ha), scad suprafeţele cultivate cu grâu şi porumb şi cresc suprafeţele cultivate
cu cartofi şi floarea soarelui.
x1 3.488 0.372
x2 45.349 44.837
x3 20.930 22.233
x4 26.744 28.186
Tabloul Simplex: 5
cj 5 7 9 8 0 0 0 0 -M
31
cb Baza VVB x1 x2 x3 x4 s2 s3 s4 s5 A1
Obs. A1 este vectorul ataşat unei variabile auxiliare, variabilă care penalizează funcţia
obiectiv cu o valoare mare M.
Variabila Valoare
x1 15.789
x2 47.368
x3 15.789
x4 21.053
R1 0.000 0.263
R2 31.579 0.000
32
R3 0.000 0.316
R4 0.000 0.921
33
Intervalul de variaţie pentru termenul liber - Right Hand Side Ranges (disponibilul de
resurse)
Fără Fără
R2 268.421 300 31.579
limită limită
Cea mai rapidă îmbunătăţire a soluţiei se obţine prin suplimentarea disponibilului din R4
(preţului umbră al acestei restricţii este maxim, 0.921). Creşterea permisă a pentru R4,
astfel încât structura soluţiei optime să nu se modifice este de 36.364 unităţi. Adică,
pornind de la condiţiile prezentate, prin suplimentarea lui R4, soluţia problemei de
programare liniară poate fi îmbunătăţită cu 36.364 0.921 = 33.49 unităţi, de la 727.05
unităţi, la 754.54 unităţi. Noua soluţie optimă este:
x1 15.789 9.091
x2 47.368 45.454
x3 15.789 27.273
x4 21.053 18.182
În sfârşit, dacă se păstrează restricţia ca suprafaţa disponibilă să fie cultivată integral, iar
suprafaţa cultivată cu grâu să nu fie mai mică de 20 ha, suprafaţa cultivată cu porumb să
34
nu fie sub 20 ha, cea cultivată cu cartofi să fie de cel puţin 10 ha, iar floarea soarelui să
fie cultivată pe minimum 20 ha, atunci, programul de producţie va fi următorul:
Variabila Valoarea
x1 20.000
x2 46.667
x3 13.333
x4 20.000
Rezumat
Elementul situat la intersecţia coloanei ataşate vectorului care intră în bază cu
linia corespunzătoare vectorului înlocuit se numeşte pivot. Se completează următorul
tablou Simplex ţinând seama de câteva reguli, astfel:
o în coloana cb se scrie costul corespunzător vectorului introdus în bază;
o elementele de pe linia pivotului se calculează prin împărţirea elementelor
din tabloul precedent la pivot;
o vectorul care conţine pivotul va avea 1 în poziţia pivotului şi 0 celelalte
elemente;
o coloanele care au 0 la intersecţia cu linia pivotului se scriu identic în
următorul tablou;
o toate celelalte elemente din tablou se calculează prin tehnica denumită
pivotare: se construieşte un dreptunghi care are o diagonală formată din pivot şi
elementul care constituie obiectul calculului pentru noul tablou; produsul elementelor de
pe cealaltă diagonală a dreptunghiului se scade din produsul elementelor de pe diagonală
pivotului, iar rezultatul se împarte la pivot.
Algoritmul se opreşte atunci când toate elementele de pe ultima linie a tabloului
Simplex sunt negative sau zero.
35
Test de autoevaluare a cunoştinţelor
1. Cine este autorul algoritmului Simplex?
2. Cum se identifică elementul pivot?
3. Cum se calculează elementele de pe linia pivotului?
Răspunsuri:
1. G. B. Danzig
2. Elementul situat la intersecţia coloanei ataşate vectorului care intră în bază cu
linia corespunzătoare vectorului înlocuit se numeşte pivot.
3. Elementele de pe linia pivotului se calculează prin împărţirea elementelor din
tabloul precedent la pivot
Bibliografie
1. Jula N., Jula D., 2015. Modelare economică: modele econometrice și de
optimizare – Editura Mustang; București, 330/J88
2. Jula N., Jula N.-M., 2020, Econometrie, Editura Univ. Nicolae Titulescu, București
330ID/J-88
3. Jula N.-M., Jula D., 2016, Prognoza economică: aplicații financiare, Ed. Mustang,
București 330/J88
4. Simionescu M., 2013, Econometrie avansată, Ed. Universitară, București 330/S57
5. Institutul Naţional de Statistică, Anuarul statistic al României + CD, Bucureşti,
2019, P36
Resurse online
36
6. Pecican E., Tanasoiu O., Iacob AI. 2020. Modele econometrice. ASE – Cursuri in
format digital. Online la http://www.biblioteca-
digitala.ase.ro/biblioteca/carte2.asp?id=196&idb=
7. Gujarati D., 2004. Basic Econometrics. (4th ed.). Palgrave Macmillan, London.
Online la http://www.research-excellence.com/ebooks/Basic%20Econometrics.pdf
8. Wooldridge J.M., 2013. Introductory Econometrics. A Modern Approach (5th ed.).
CENAGE Learning, Mason, USA.
Online la https://economics.ut.ac.ir/documents/3030266/14100645/Jeffrey_M._Wo
oldridge_Introductory_Econometrics_A_Modern_Approach__2012.pdf
37
Unitatea de învăţare 3. Modele de optimizare
Cuprins
Introducere
După parcurgerea unităţii veţi fi în măsură să răspundeţi la întrebările:
• Când se foloseşte un algoritm de optimizare?
• Care sunt modelele de optimizare a stocului?
• Problema de transport - enunţ şi rezolvare.
• Ce reprezintă teoria firelor de aşteptare?
38
Stocurile de materii prime
Prin stoc se înţelege o cantitate oarecare de resurse, de orice fel, existentă la un
moment dat şi nefolosită într-un proces de transformare, indiferent de natura acestuia. În
general se spune că o resursă oarecare intră în stoc atunci când este înmagazinată într-
un mod oarecare. În mod asemănător, se spune că o resursă iese din stoc atunci când este
consumată efectiv.
Volumul stocurilor este determinat de caracterul procesului de producţie, natura
materiilor prime, modul de aprovizionare şi eventualele dificultăţi ale acestui proces
(frecvenţa şi regularitatea sosirii lor în întreprindere, starea mijloacelor şi a căilor de
transport ş.a.).
Stocul curent reprezintă cantitatea de materiale care trebuie să asigure
continuitatea producţiei în intervalul dintre două aprovizionări. Stocul de siguranţă
reprezintă cantitatea de materiale necesară pentru a preveni întreruperile din producţie
determinate de unele dificultăţi în aprovizionare, dificultăţi cauzate de evenimente cu
caracter aleatoriu. Stocul sezonier cuprinde materialele care sunt utilizate în producţie
şi/sau sunt aduse în întreprindere numai în anumite perioade ale anului. Această situaţie
este determinată, în special, de ciclul producţiei industriale.
Elementele principale analizate în cadrul unui proces de stocare sunt: cererea de
resurse, aprovizionarea, costurile implicate, parametrii legaţi de timp.
Satisfacerea cererii de materii prime (resurse) este scopul procesului de stocare.
Cererea apare ca urmare a procesului de producţie şi depinde de nivelul producţiei şi
consumurile specifice. Volumul şi ritmul aprovizionării sunt determinate de cererea de
resurse, durata de livrare a produselor (intervalul dintre lansarea comenzii şi sosirea
materiilor prime) şi costurile implicate în acest proces.
Costurile implicate în cazul unui proces de stocare se pot grupa în trei categorii:
cl - cheltuielile de lansare a comenzii sunt compuse din suma cheltuielilor efectuate până
la intrarea produselor în stoc (cheltuielile legate de formularea comenzii, cheltuieli
administrative determinate de operaţia de reaprovizionare);
cs - cheltuielile de stocare compuse din cheltuielile de depozitare, întreţinere, asigurare,
imobilizare a capitalului financiar etc. Costul stocării este, de obicei, proporţional cu
cantitatea de bunuri stocată şi cu durata depozitării;
cp - costul de penalizare (cheltuielile de rupere a stocului) reprezintă pierderile
înregistrate în situaţiile în care cererea de resurse este superioară stocului (amenzi,
întreruperea producţiei, plata despăgubirilor pentru producţia nelivrată etc.). De
obicei, aceste cheltuieli sunt proporţionale cu cantitatea cerută din resursa respectivă
şi nesatisfăcută şi cu durata penuriei.
39
– intervalul de timp dintre două aprovizionări succesive este:
2 T cl
t opt =
V cs
– mărimea comenzii de aprovizionare este:
2 V cl
vopt =
T cs
Atunci, nivelul minim al cheltuielilor totale este:
C opt = 2 V T cl cs
Simbolurile utilizate au următoarele semnificaţii:
topt - intervalul optim între două aprovizionări succesive;
vopt - mărimea lotului optim;
Copt - volumul minim al cheltuielilor totale (lansare a comenzii plus stocare a
produselor);
T - intervalul de timp pentru care se face gestiunea;
V - cererea totală de produse pe intervalul T;
cl - cheltuielile de lansare;
cs - costul de stocaj pe unitatea de produs stocat.
În condiţiile de ruptură a stocului, elementele prezentate mai sus se calculează
prin introducerea unui factor de indisponibilitate:
cp
= .
cs + c p
Atunci:
– intervalul de timp dintre două aprovizionări succesive este:
2 T cl cs + c p
t opt =
V cs cp
– mărimea comenzii de aprovizionare este:
2 V cl cs + c p
vopt =
T cs cp
– stocul optim este:
2 V cl cp
s opt =
T cs cs + c p
Nivelul minim al cheltuielilor totale este:
40
cp
C opt = 2 V T cl c s
cs + c p
Simbolurile utilizate au următoarele semnificaţii:
topt - intervalul optim între două aprovizionări succesive;
vopt - mărimea lotului optim;
Copt - volumul minim al cheltuielilor totale (lansare a comenzii plus stocare a
produselor);
sopt - mărimea stocului optim;
T - intervalul de timp pentru care se face gestiunea;
N - cererea totală de produse pe intervalul T;
cl - cheltuielile de lansare;
cs - costul de stocaj, pe unitatea de produs stocat;
cp - costul de penalizare.
Exemplu
41
– lotul optim pentru evitarea ruperii stocului:
1
vopt = 372.7 441 (tone)
0.71
– stocul optim:
sopt = 4410.71 = 313 (tone)
– perioada între două aprovizionări succesive:
1
t opt = 27 32 (zile)
0.71
– costul total minim al gestiunii stocului:
Problema de transport
42
Exemplu
În 3 depozite Ai, 1 i 3 se află un produs solicitat de 5 consumatori Bj, 1 j 5.
Cantităţile disponibile în fiecare depozit, cantităţile solicitate de fiecare consumator şi
costurile unitare de transport de la fiecare depozit la fiecare consumator sunt prezentate
în tabelul următor. Se cere să se determine un program de transport, astfel încât
cheltuielile totale de transport să fie minime.
B1 B2 B3 B4 B5 Disponibil
A1 15 8 12 6 12 2500
A2 5 20 15 10 4 1500
A3 12 10 8 12 8 2000
Soluţia iniţială, obţinută prin metoda costului minim din tabel este:
B1 B2 B3 B4 B5 Disponibil
v1 v2 v3 v4 v5
u1 8 6
u2 5 4
u3 12 10 8
43
Sistemul obţinut este:
u1 + v2 = 8 u1 + v4 = 6
u + v = 5 u + v = 4
2 1 2 5
u 3 + v1 = 12 u3 + v2 = 10
u 3 + v3 = 8
ui + v j − c ij v1 = 12 v2 = 10 v3 = 8 v4 = 8 v5 = 11
u1 = -2 -5 0 -6 0 -3
u2 = -7 0 -17 -14 -9 0
u3 = 0 0 0 0 -4 3*
Dacă toate aceste diferenţe sunt negative sau zero soluţia este optimă. Dacă există
diferenţe pozitive, algoritmul continuă. Se alege valoarea maximă dintre diferenţele
pozitive. Poziţia acestei diferenţe pozitive maxime este marcată cu (*). Se construieşte,
potrivit algoritmului prezentat, ciclul corespunzător diferenţei respective. Acest ciclu
este, de asemenea, marcat în tablou.
B1 B2 B3 B4 B5 Disponibil
A3 700 500
2000
800(-) (+) *
B1 B2 B3 B4 B5 Disponibil
A2 1500 0 1500
44
Testarea optimalităţii pentru noua soluţie de bază se realizează similar iteraţiei
precedente. Calculăm, în primul rând, valorile ui şi vj din condiţiile ui + vj = cij, pentru
fiecare cuplu (i, j) corespunzător soluţiei de bază.
v1 v2 v3 v4 v5
u1 8 6
u2 5 4
u3 10 8 8
ui + v j − c ij v1 = 9 v2 = 10 v3 = 8 v4 = 8 v5 = 8
u1 = -2 -8 0 -6 0 -6
u2 = -4 0 -14 -11 -6 0
u3 = 0 -3 0 0 -4 0
Toate diferenţele ui + v j − c ij sunt negative sau zero, deci soluţia este optimă.
Această soluţie propune ca programul optim de transport să fie următorul:
A1 B2 1300
A1 B4 1200
A2 B1 1500
A3 B2 700
A3 B3 500
A3 B5 800
45
Valoarea funcţiei obiectiv pentru programul de transport optim:
Z = 13008 + 12006 + 15005 + 70010 + 5008 + 8008 = 42500.
Formularea problemei
Timpul de aşteptare în vederea servirii şi durata servirii propriu-zise sunt în
funcţie de ritmul sosirii solicitanţilor şi operativitatea răspunsului oferit de sistemul de
servire.
Studiul problemelor legate de procesele de aşteptare a generat metode specifice
de analiză, grupate în teoria matematică a sistemelor de aşteptare12
Modelul matematic
Dacă există o singură staţie de servire, venirile în sistem sunt întâmplătoare,
independente unele de altele şi nelimitate, numărul de sosiri pe unitatea de timp este o
variabilă aleatoare repartizată Poisson cu media λ, serviciile sunt independente între ele
şi nu depind de sosiri, durata serviciului fiind o variabilă aleatoare cu o repartiţie
exponenţial negativă de parametru µ, iar ordinea de servire este primul venit - primul
servit (FIFO), clienţii fiind serviţi în ordinea sosirii13, atunci se demonstrează ca14:
(a) numărul mediu de solicitanţi în şirul de aşteptare (nf);
(b) numărul mediu de solicitanţi în sistem (în şir sau în curs de servire) (ns);
(c) timpul mediu de aşteptare în şir (ts);
(d) timpul mediu de aşteptare în sistem (ts)
se calculează astfel:
2
nf =
1-
12
Primele lucrări în domeniul teoriei aşteptării sunt cele ale lui Karl Erlang (1908) efectuate pentru compania de
telefoane din Copenhaga. Terminologia utilizată în modelele din teoria sistemelor de aşteptare s-a impus după
prezentarea de către D.G. Kendall la Societatea Regală de Statistică din Londra a cărţii Some Problems in the
Theory of Quenes, J.Ray Statist. Soc., Ser. B, 13, No.2, 1951 (vezi A.M.Lee, Teoria aşteptării cu aplicaţii,
Bucureşti, Editura Tehnică, 1976, p.15-16). În limba română, pot fi consultate, pe lângă lucrarea menţionată, şi
altele. Cităm doar: Gh.Mihoc, G. Ciucu, Introducere în teoria aşteptării, Bucureşti, Editura Tehnică, 1967; Gh.
Mihoc, G. Ciucu, A. Muja, Modele matematice ale aşteptării , Bucureşti, Editura Academiei, 1973.
13
Această regulă este numită FIFO (first in first out). Există şi alte reguli de servire: LIFO (last in first out), adică
ultimul venit, primul servit (de exemplu produsele sunt ambalate în cutii şi aşezate în stivă lângă vânzător;
servirea se va face prima dată din cutia aşezată deasupra, adică ultima adusă etc.); servire aleatoare - când fiecare
cerere poate fi servită cu aceeaşi probabilitate; servire cu aplicarea unor reguli de prioritate; disciplină de servire
de tipul următor: prima cerere din şirul de aşteptare este servită numai o perioadă de timp (cuantă), după care,
dacă cererea a fost satisfăcută integral, solicitantul părăseşte sistemul, dacă nu, intră din nou în şirul de aşteptare
pentru continuarea serviciului (metodă utilizată, de exemplu, pentru servirea solicitanţilor unui sistem de calcul) .
14
Pentru demonstrarea acestor formule vezi, de exemplu, acad. O. Onicescu, Probabilităţi şi procese aleatoare,
Bucureşti, Editura Ştiinţifică şi Enciclopedică, 1977, p.486-502; A. M. Lee, Teoria aşteptării cu aplicaţii,
Bucureşti, Editura Tehnică, 1976, p.31-38; G. Boldur Lăţescu, I. Săcuiu, E. Ţigănescu, Cercetare operaţională cu
aplicaţii în economie, Bucureşti, Editura Didactică şi Pedagogică, 1979, p.232-240 ş.a.
46
ns =
1-
tf =
(1 - )
1
ts =
(1 - )
unde:
=
este denumit factorul de serviciu, iar:
λ - parametrul ce caracterizează sosirile în sistem (media sosirilor);
µ - parametrul ce caracterizează durata servirii (numărul mediu al solicitanţilor serviţi
în unitatea de timp).
Mai mult, probabilitatea ca un solicitant să aştepte în şir un timp mai mare
decât un timp dat t0 este:
P( t f > t0 ) = e-t 0 (1- )
probabilitatea ca un solicitant să aştepte:
P(tf > 0) = ρ
şi, de aici, probabilitatea ca unitatea de servire să nu fie ocupată este:
P(ns = 0) = 1 – ρ
Timpul mediu de inactivitate al unităţii de servire într-un anumit interval T
este:
Tn = (1 – ρ)T
Exemplu
47
tf = 1.67 minute;
- timpul mediu de aşteptare al unei persoane în sistem:
ts = 2 minute;
- probabilitatea ca un solicitant să aştepte un timp mai mare de 5 minute:
P(tf > 5) = 6.84%;
- probabilitatea ca unitatea să nu fie ocupată, să nu existe nici un solicitant:
P(ns = 0) = 16.7%;
- timpul mediu de inactivitate al unităţii de servire într-o oră:
Tn(1 oră) = 10 minute.
În cazul în care există mai multe unităţi de servire, relaţiile de determinare a
numărului de solicitanţi ce aşteaptă să fie serviţi şi a timpului de aşteptare sunt mai
complicate.
Notând ca mai înainte ρ = λ/µ şi ρ* = ρ/s, unde s = numărul de unităţi care sunt
la dispoziţia solicitanţilor, atunci:
s *
n f = p0
s! (1 - * )2
s*
ns = p0 +
s! (1 - * )2
s 1
t f = p0
s s! (1 - * )2
1
ts = t f +
unde p0 este probabilitatea ca în sistemul de aşteptare să nu fie nici o persoană şi:
-1
s -1 n n
p0 = + *
n=0 n! s! (1 - )
Probabilitatea ca toate punctele de servire să fie ocupate la un moment dat (P s0)
se calculează:
s
Pso = p0
s! s-
Probabilitatea ca timpul de aşteptare a unui solicitant în firul de aşteptare să nu
depăşească un timp dat t0 este:
s
P( t f < t 0 ) = e-(s - )t 0 p0
s! s -
Dacă s = 2 (numărul de unităţi sau puncte de servire), timpul de aşteptare în şir
este dat de relaţia
48
1
2 2
t f = / 1 - ,
2 2
iar numărul de solicitanţi în firul de aşteptare
2
2
n f = / 1 - .
2 2
De asemenea, timpul de aşteptare în sistem
1
ts = t f + ,
iar numărul de solicitanţi
ns = nf + ρ.
Să presupunem că pentru un produs se înregistrează în medie 90 solicitanţi pe
oră, iar timpul necesar pentru satisfacerea unei cereri urmează o lege de repartiţie
exponenţială negativă şi este în medie 1.2 minute. În acest caz, dacă unitatea de timp
considerată este ora,
λ = 90 persoane pe oră;
µ = 60/1.2 = 50 persoane pe oră,
deci
ρ = 90/50 = 1.8
Deoarece ρ > 1, dacă solicitanţii ar fi serviţi de un singur vânzător, în sistem s-ar
produce o aglomerare nelimitată. Dacă servirea este asigurată de doi vânzători, pentru
şirul de aşteptare format, factorul de servire va fi
ρ* = ρ/2 = 0.9 < 1
Atunci, potrivit relaţiilor prezentate mai sus:
- timpul mediu de aşteptare al unui solicitant la coadă:
tf = 5.1 minute;
- timpul mediu de aşteptare al unui solicitant în sistem:
ts = 6.3 minute;
- numărul mediu de persoane în şirul de aşteptare:
nf = 7.67 persoane;
- numărul mediu de persoane în sistem:
ns = 9.47 persoane.
Să ne reamintim...
49
servire, populaţia din care sosesc solicitanţii, capacitatea staţiilor de
servire etc.
50
adică o economie de 42.8 minute.
În ambele cazuri se realizează o importantă economie de timp (ca valoare
medie).
Rezumat
Procesul de stocare reprezintă acumularea unor bunuri în vederea satisfacerii
unei cereri viitoare.
Prin stoc se înţelege o cantitate oarecare de resur¬se, de orice fel, existentă la un
moment dat şi nefolosită într un proces de transformare, indiferent de natura acestuia.
Algoritmul pentru rezolvarea problemei de transport se bazează pe teorema
ecarturilor complementare: dacă ui şi vj sunt variabile ataşate în problema duală
restricţiilor din problema de transport, atunci ansamblul de valori ale variabilelor xij, ui
şi vj (i = 1, ..., m; j = 1, ..., n) constituie programe optimale ale cuplului de probleme de
transport dacă şi numai dacă:
n m
ij x = a i , i = 1, m; xij = b j , j = 1, n
j =1 i =1
x 0 i = 1, m , j = 1, n, c − u − v 0; x (c − u − v ) = 0
ij ij i j ij ij i j
Din ultima relaţie se deduce faptul că, dacă xij ≠ 0 (adică, dacă xij este în bază)
atunci cij – ui – vj = 0, echivalent cu ui + vj = cij..
Studiul problemelor legate de procesele de aşteptare a generat metode specifice
de analiză, grupate în teoria matematică a sistemelor de aşteptare.
Răspunsuri:
51
3. Costurile implicate în cazul unui proces de stocare se pot grupa în trei categorii:
cl - cheltuielile de lansare a comenzii sunt compuse din suma cheltuielilor
efectuate până la intrarea produselor în stoc (cheltuielile legate de
formularea comenzii, cheltuieli administrative determinate de operaţia
de reaprovizionare);
cs - cheltuielile de stocare compuse din cheltuielile de depozitare, întreţine-
re, asigurare, imobilizare a capitalului financiar etc. Costul stocării este,
de obicei, proporţional cu cantitatea de bunuri stocată şi cu durata
depozitării;
cp - costul de penalizare (cheltuielile de rupere a stocului) reprezintă pierde-
rile înregistrate în situaţiile în care cererea de resurse este superioară
stocului (amenzi, întreruperea producţiei, plata despăgubirilor pentru
producţia nelivrată etc.). De obicei, aceste cheltuieli sunt proporţionale
cu cantitatea cerută din resursa respectivă şi nesatisfăcută şi cu durata
penuriei.
4. Problema de transport este echilibrată dacă suma cantităţilor din depozite este
egală cu suma solicitărilor.
Temă de control
Construiți și rezolvați o problemă de transport echilibrată, cu 6 clienți și 4
depozite, suma de echilibru fiind 10000.
Bibliografie
1. Jula N., Jula D., 2015. Modelare economică: modele econometrice și de
optimizare – Editura Mustang; București, 330/J88
2. Jula N., Jula N.-M., 2020, Econometrie, Editura Univ. Nicolae Titulescu, București
330ID/J-88
52
3. Jula N.-M., Jula D., 2016, Prognoza economică: aplicații financiare, Ed. Mustang,
București 330/J88
4. Simionescu M., 2013, Econometrie avansată, Ed. Universitară, București 330/S57
5. Institutul Naţional de Statistică, Anuarul statistic al României + CD, Bucureşti,
2019, P36
Resurse online
6. Pecican E., Tanasoiu O., Iacob AI. 2020. Modele econometrice. ASE – Cursuri in
format digital. Online la http://www.biblioteca-
digitala.ase.ro/biblioteca/carte2.asp?id=196&idb=
7. Gujarati D., 2004. Basic Econometrics. (4th ed.). Palgrave Macmillan, London.
Online la http://www.research-excellence.com/ebooks/Basic%20Econometrics.pdf
8. Wooldridge J.M., 2013. Introductory Econometrics. A Modern Approach (5th ed.).
CENAGE Learning, Mason, USA.
Online la https://economics.ut.ac.ir/documents/3030266/14100645/Jeffrey_M._Wo
oldridge_Introductory_Econometrics_A_Modern_Approach__2012.pdf
53
Unitatea de învăţare 4. Modele Econometrice – Modelul Linear
de Regresie
Cuprins
Introducere
După parcurgerea unităţii veţi fi în măsură să răspundeţi la întrebările:
• Ce este modelul linear unifactorial de regresie?
• Ce este modelul linear multifactorial de regresie?
• Care sunt proprietăţile estimatorilor calculaţi prin aceste modele?
Modele econometrice
Începem acest modul prin analiza unui exemplu ipotetic privind dinamica masei
monetare şi a inflaţiei într-o perioadă dată de timp. Din teoria economică se cunoaşte
faptul că masa monetară şi rata inflaţiei sunt două variabile care nu evoluează
54
independent una de alta. Admitem faptul că masa monetară depinde – în mare măsură –
de nivelul preţurilor.
Reţinem ideea că masa monetară depinde linear de nivelul preţurilor, adică
M = f(P, e),
unde prin e am simbolizat ceilalţi factori care contribuie la dinamica masei monetare.
În cazul general, se notează cu Y variabila explicată (în exemplul prezentat
M ≡ Y) şi X – variabila explicativă (în exemplul prezentat P ≡ X). Scriem atunci relaţia
precedentă astfel:
Y = f(X, e),
unde Y este variabila endogenă, X – variabila exogenă, iar e reprezintă un factor
perturbator, de natură aleatoare.
Ecuaţia de regresie
Ecuaţia de regresie poate fi scrisă astfel:
Y = a0 + a1X + e,
unde Y este variabila endogenă (variabila explicată prin model), X este variabila
exogenă (variabila explicativă), a0 şi a1 sunt parametrii modelului, iar e reprezintă
eroarea sau abaterea dintre valoarea anticipată a endogenei şi valoarea efectiv
înregistrată.
Forma exactă a ecuaţiei de regresie nu este cunoscută. Se admite, în acest punct,
doar ipoteza că relaţia dintre Y şi X este lineară. În aceste condiţii, problema modelării
legăturii dintre masa monetară şi preţuri este aceea de a determina, folosind datele
disponibile, o formă cât mai adecvată a relaţiei dintre cele două variabile.
55
Y
Ŷ = â0 + â1X
Yt
• • • •
ut
• • •
• • • • •
• • • • •
• • Ŷt = â0 + â 1X t
Xt X
Grafic, criteriul aplicat în cazul metodei celor mai mici pătrate este
următorul: dreapta care asigură cea mai bună ajustare a punctelor
empirice (dreapta de regresie) este aceea pentru care se minimizează
suma pătratelor abaterilor dintre punctele de pe grafic şi punctele care
au aceiaşi abscisă pe dreapta de regresie, abaterile fiind măsurate
vertical.
t Y = naˆ 0 + aˆ 1 Xt
t =1 t =1
n n n
X t Yt = aˆ 0 X t + aˆ1 X t2
t =1 t =1 t =1
56
Ipoteza I-6: erorile nu sunt autocorelate.
Să ne reamintim...
Dacă în modelul de regresie lineară, variabila exogenă are dispersia nenulă, dar
finită şi este independentă faţă de erori, iar erorile sunt variabile aleatoare independente
între ele, normal distribuite, cu medie zero şi dispersia constantă, atunci estimatorii
obţinuţi prin metoda celor mai mici pătrate sunt lineari, nedeplasaţi (consistenţi),
eficienţi, normal distribuiţi şi de maximă verosimilitate.
15
Pentru demonstraţia proprietăţilor vezi Jula D., 2003, Introducere în econometrie, Editura Professional
Consulting, Bucureşti, cap.2, anexele 2.A.6 – 2.A.10, pag.56-70.
57
evoluţia unei variabile Y nu depinde de un singur factor, ci de o serie de factori. De
exemplu, inflaţia este un proces economic deosebit de complex, care depinde de evoluţia
salariilor în economie, de dinamica productivităţii muncii, de cursul de schimb al
monedei naţionale, de ratele dobânzii, de preţurile la energie pe plan internaţional etc.
58
– A este un vector coloană, de dimensiuni (k+1) 1, care include cei k+1 parametri
ai modelului;
– e este un vector coloană, de dimensiuni n 1, care include cele n valori ale
variabilei de abatere (erorile din ecuaţie de regresie)
Cu aceste notaţii, sistemul poate fi scris matriceal astfel:
Y = XA + e.
Dacă se selectează valorile obţinute în înregistrarea t pentru variabilele din ecuaţia
precedentă, atunci
Ŷt = â0 + â1X1t + â2X2t + ... + âkXkt.
Valoarea înregistrată Yt nu coincide cu valoarea calculată Ŷt pe baza modelului,
diferenţa dintre cele două mărimi fiind un estimator al erorilor din ecuaţia de regresie.
Notăm estimatorul respectiv cu ut şi îl denumim variabila reziduală. Atunci:
Yt = Ŷ + ut, oricare ar fi t = 1, 2, ..., n,
Ecuaţiile pot fi scrise sub formă matriceală astfel:
Y = XÂ + u,
unde  şi u sunt vectorii ataşaţi estimatorilor, respectiv variabilei reziduale.
aˆ 0 u1
aˆ1 u2
Aˆ = aˆ 2 , u = u 3
aˆ u
k n
Valorile  şi u depind de eşantionul selectat şi de metoda de estimare aleasă.
Ipotezele modelului
Estimarea parametrilor din ecuaţia de regresie multifactorială se bazează, la fel
ca în cazul unifactorial, pe o serie de ipoteze referitoare la forma dependenţei dintre
variabile, la variabila explicativă şi la variabila de abatere.
59
I–2M: Ipotezele referitoare la variabilele explicative
d. Nu există nici o relaţie lineară între două sau mai multe variabile
explicative (absenţa colinearităţii)
Proprietăţi ale estimatorilor calculaţi prin metoda celor mai mici pătrate
60
Exemple
Modelul linear unifactorial
Pentru exemplificarea modului de calcul a estimatorilor din modelul linear
unifactorial analizăm legătura dintre veniturile populaţiei şi volumul economiilor.
Datele înregistrate pentru 20 momente diferite de timp sunt prezentate în tabelul
următor:
Veniturile
Nr. Volumul
populaţiei
crt. economiilor (Y)
(X)
1 100 20
2 110 25
3 120 28
4 125 30
5 130 33
6 140 35
7 150 36
8 155 42
9 170 44
10 170 42
11 180 45
12 185 50
13 190 47
14 200 48
15 205 52
16 210 58
17 215 54
18 220 55
19 220 58
61
20 225 60
62
aˆ0 − 3925500
0ˆ
a = = = −6.40793
612600
aˆ1 = aˆ1 = 177360 = 0.28952
612600
Valorile estimate pentru variabila endogenă se determină astfel:
Ŷt = -6.40793 + 0.28952∙Xt.
Dreapta de regresie este prezentată în figura 2-3.
Valorile calculate sunt prezentate în col.5 a tabelul anterior. De asemenea, se pot
calcula reziduurile din ecuaţia de regresie, adică abaterile dintre valorile înregistrate ale
variabilei endogene (Yt) şi valorile estimate pe baza modelului (Ŷt):
ut = Yt – Ŷt
Valorile variabilei reziduale ut sunt date în coloana 6 a tabelului 2-1.
70
60 Y = - 6.4079 +0.2895X
2
50 R = 0.9719
40
30
20
10
75 100 125 150 175 200 225 250
63
6 2.3 4.2 1.4
7 1.2 3.8 0.2
8 1.0 3.9 0.7
9 0.8 3.9 0.0
10 0.0 3.8 -0.7
11 -0.6 3.8 -1.0
12 2.2 3.8 1.3
13 1.4 4.2 1.0
14 2.0 3.9 1.2
15 2.3 4.2 1.7
16 1.1 3.8 0.4
17 0.8 3.9 0.6
18 -0.5 4.1 -0.9
19 -1.4 3.9 -1.4
20 0.2 4.1 -0.2
21 1.8 4.2 1.5
22 2.2 3.8 0.9
23 2.1 4.1 1.0
24 1.5 4.2 0.7
25 1.8 3.8 1.2
Datele sunt reprezentate grafic în figura următoare. Modelul linear bi-factorial
se scrie:
Yt = a0 + a1X1t + a2X2t + et.
Vectorul estimatorilor  se calculează după relaţia:
 = (X'X)-1X'Y.
Matricea X3,3 se construieşte astfel: în prima coloană apare valoarea 1; în coloana
următoare sunt trecute valorile variabilei X1t (dinamica veniturilor populaţiei), iar în
ultima coloană, valorile variabilei X2t (evoluţia ratei reale a dobânzii pasive). Vectorul
Y25,1 conţine elementele înregistrate pentru variabila dinamica depozitelor bancare.
5.0 X1 X2 Y
4.0
3.0
2.0
1.0
0.0
1 3 5 7 9 11 13 15 17 19 21 23 25
-1.0
-2.0
64
Figura: Modelul linear multifactorial
t X1t X2t Yt Ŷt ut = Yt – Ŷt
1 0.5 4.1 0.3 0.1218 0.1782
2 1.0 4.2 0.8 0.5865 0.2135
3 1.2 4.0 0.3 0.5657 -0.2657
4 -0.3 4.1 -0.5 -0.4840 -0.0160
5 2.1 3.8 0.8 1.0750 -0.2750
6 2.3 4.2 1.4 1.5709 -0.1709
7 1.2 3.8 0.2 0.3935 -0.1935
8 1.0 3.9 0.7 0.3282 0.3718
9 0.8 3.9 0.0 0.1767 -0.1767
10 0.0 3.8 -0.7 -0.5151 -0.1849
65
11 -0.6 3.8 -1.0 -0.9695 -0.0305
12 2.2 3.8 1.3 1.1507 0.1493
13 1.4 4.2 1.0 0.8894 0.1106
14 2.0 3.9 1.2 1.0854 0.1146
15 2.3 4.2 1.7 1.5709 0.1291
16 1.1 3.8 0.4 0.3178 0.0822
17 0.8 3.9 0.6 0.1767 0.4233
18 -0.5 4.1 -0.9 -0.6354 -0.2646
19 -1.4 3.9 -1.4 -1.4891 0.0891
20 0.2 4.1 -0.2 -0.1054 -0.0946
21 1.8 4.2 1.5 1.1923 0.3077
22 2.2 3.8 0.9 1.1507 -0.2507
23 2.1 4.1 1.0 1.3333 -0.3333
24 1.5 4.2 0.7 0.9651 -0.2651
25 1.8 3.8 1.2 0.8479 0.3521
Rezumat
În modelul unifactoria, ecuaţia de regresie poate fi scrisă într o formă echivalentă astfel:
Y = a0 + a1X + e,
unde Y este variabila endogenă (variabila explicată prin model), X este variabila
exogenă (variabila explicativă), a0 şi a1 sunt parametrii modelului, iar e reprezintă
eroarea sau abaterea dintre valoarea anticipată a endogenei şi valoarea efectiv
înregistrată
Dacă în modelul de regresie lineară, variabila exogenă are dispersia nenulă, dar finită şi
este independentă faţă de erori, iar erorile sunt variabile aleatoare independente între ele,
normal distribuite, cu medie zero şi dispersia constantă, atunci estimatorii obţinuţi prin
metoda celor mai mici pătrate sunt lineari, nedeplasaţi (consistenţi), eficienţi, normal
distribuiţi şi de maximă verosimilitate.
Modelul factorial este de forma
Y = a0 + a1X1 + a2X2 + ... + akXk + e
unde Y este variabila endogenă, X1, X2, …, Xk sunt k variabile explicative,
a0, a1, a2, …, ak sunt k+1 parametri necunoscuţi, iar e este variabila de abatere (eroarea)
din ecuaţia de regresie.
Se demonstrează că valorile â0, â1, …, âk, care minimizează suma pătratelor reziduurilor
se calculează astfel:
 = (X'X)-1X'Y
66
Test de autoevaluare a cunoştinţelor
1. Care este forma ecuaţiei de regresie in modelul unifactorial?
2. În ce constă metoda celor mai mici pătrate?
3. Care sunt ipotezele modelului multifactorial?
Răspunsuri:
2. Procedura cunoscută sub denumirea de metoda celor mai mici pătrate constă în
însumarea pătratelor abaterilor şi determinarea acelor valori ale parametrilor care
să ducă la minimizarea sumei respective.
Grafic, criteriul aplicat în cazul metodei celor mai mici pătrate este următorul:
dreapta care asigură cea mai bună ajustare a punctelor empirice (dreapta de
regresie) este aceea pentru care se minimizează suma pătratelor abaterilor dintre
punctele de pe grafic şi punctele care au aceeaşi abscisă pe dreapta de regresie,
abaterile fiind măsurate vertical.
Analitic, se demonstrează că valorile (â0, â1) care minimizează suma pătratelor
abaterilor u dintre datele înregistrate ale variabilei Y şi valorile calculate Ŷ sunt
soluţiile sistemului de ecuaţii normale:
n n
t Y = naˆ 0 + ˆ
a 1 X t
t =1 t =1
n n n
X tYt = aˆ0 X t + aˆ1 X t2
t =1 t =1 t =1
67
I–3M: Ipotezele referitoare la erori
a. Erorile et au media nulă
b. Erorile et au dispersia constantă oricare ar fi t (erorile nu sunt
heteroscedastice)
c. Erorile et sunt independente (nu sunt autocorelate)
d. Erorile et sunt normal distribuite
Bibliografie
1. Jula N., Jula D., 2015. Modelare economică: modele econometrice și de
optimizare – Editura Mustang; București, 330/J88
2. Jula N., Jula N.-M., 2020, Econometrie, Editura Univ. Nicolae Titulescu, București
330ID/J-88
3. Jula N.-M., Jula D., 2016, Prognoza economică: aplicații financiare, Ed. Mustang,
București 330/J88
4. Simionescu M., 2013, Econometrie avansată, Ed. Universitară, București 330/S57
5. Institutul Naţional de Statistică, Anuarul statistic al României + CD, Bucureşti,
2019, P36
Resurse online
6. Pecican E., Tanasoiu O., Iacob AI. 2020. Modele econometrice. ASE – Cursuri in
format digital. Online la http://www.biblioteca-
digitala.ase.ro/biblioteca/carte2.asp?id=196&idb=
7. Gujarati D., 2004. Basic Econometrics. (4th ed.). Palgrave Macmillan, London.
Online la http://www.research-excellence.com/ebooks/Basic%20Econometrics.pdf
8. Wooldridge J.M., 2013. Introductory Econometrics. A Modern Approach (5th ed.).
CENAGE Learning, Mason, USA.
Online la https://economics.ut.ac.ir/documents/3030266/14100645/Jeffrey_M._Wo
oldridge_Introductory_Econometrics_A_Modern_Approach__2012.pdf
68
69
Unitatea de învăţare 5. Teste de Semnificaţie și Coeficientul de
Determinare
Cuprins
Dispersia estimatorilor
1. Dispersia estimatorilor în modelul unifactorial de regresie lineară
2. Dispersia estimatorilor în modelul linear multifactorial
Teste privind semnificaţia estimatorilor
1. Testul de semnificaţie în cazul modelului unifactorial
2. Teste de semnificaţie a estimatorilor în modelul linear multifactorial
Coeficientul de determinare
Exemple de calcul
1. Modelul linear unifactorial
2. Modelul linear multifactorial
Introducere
După parcurgerea unităţii veţi fi în măsură să răspundeţi la întrebările:
• Ce este dispersia şi cum se calculează în cazul celor 2 tipuri de modele?
• Care sunt testele de semnificaţie în cazul modelului unifactorial, respectiv
multifactorial?
• Ce este și cum se calculează coeficientul de determinare?
70
Dispersia estimatorilor
u
t =1
2
t
s u2 =
n−2
Abaterile standard ale variabilelor aleatoare u, â0 şi â1, adică su, s â0 şi s â1 se
calculează prin extragerea rădăcinii pătrate din valorile corespunzătoare ale dispersiilor.
unde
1
su2 = u'u
n − k −1
este un estimator nedeplasat al dispersiei erorilor.
Pornind de la relaţia precedentă se calculează dispersia de selecţie pentru
2
estimatorii parametrilor din ecuaţia de regresie, notată sâ , astfel: i
16
Relaţiile de calcul pentru dispersiile estimatorilor din modelul unifactorial de regresie lineară se deduc simplu,
prin precizarea k = 1 în relaţiile de calcul a dispersiilor din modelul multifactorială de regresie lineară, relaţii
demonstrate în paragraful următor.
71
sa2ˆi = su2 d ii , unde i = 0, k .
Coeficientul de determinare
Un model este cu atât mai bun cu cât explică mai mult din variaţia lui Y, pentru întreg
eşantionul analizat. Pentru a se evita compensarea abaterilor faţă de medie, de obicei se
calculează variaţia totală a lui Y (VT) prin însumarea pătratelor abaterilor individuale,
adică prin expresia:
VT = (Yt − Y )
n
2
t =1
72
O măsură similară poate fi calculată pentru variaţia totală explicată de model
(VTM):
( )
n
VTM = Ŷt − Y
2
t =1
În sfârşit, prin analogie, se defineşte variaţia reziduală (VTR) prin expresia:
n
VTR = u 2t .
t =1
Se demonstrează că, dacă estimatorii sunt determinaţi pe baza metodei celor mai mici
pătrate, iar ecuaţia de regresie conţine şi termenul liber, atunci variaţia totală se
descompune în variaţia explicată de model şi variaţia reziduală VT = VTM + VTR:
(Yt − Y ) = (Ŷt − Y ) + u 2t
n 2 n n
2
t =1 t =1 t =1
t =1
Exemple
Modelul linear unifactorial
tabelul următor:
73
Tabel: Teste de semnificaţie – modelul linear unifactorial
t Xt Yt Ŷt ut=Yt–Ŷt u2 ∑( Xt − X )2
1 100 20 22.5441 -2.5441 6.4723 5041
2 110 25 25.4393 -0.4393 0.1930 3721
3 120 28 28.3345 -0.3345 0.1119 2601
4 125 30 29.7821 0.2179 0.0475 2116
5 130 33 31.2297 1.7703 3.1340 1681
6 140 35 34.1249 0.8751 0.7658 961
7 150 36 37.0201 -1.0201 1.0406 441
8 155 42 38.4677 3.5323 12.4773 256
9 170 44 42.8105 1.1895 1.4150 1
10 170 42 42.8105 -0.8105 0.6569 1
11 180 45 45.7057 -0.7057 0.4980 81
12 185 50 47.1533 2.8467 8.1038 196
13 190 47 48.6009 -1.6009 2.5628 361
14 200 48 51.4961 -3.4961 12.2226 841
15 205 52 52.9437 -0.9437 0.8905 1156
16 210 58 54.3913 3.6087 13.0228 1521
17 215 54 55.8389 -1.8389 3.3815 1936
18 220 55 57.2865 -2.2865 5.2280 2401
19 220 58 57.2865 0.7135 0.5091 2401
20 225 60 58.7341 1.2659 1.6025 2916
∑ 3420 862 862.0000 0.0000 74.3359 30630
s â2 = 4.148988
0
s â2 = 0.000135
1
sa = 0.0116
1
â1 0.28952
t â = = = 24.958
1
sâ
0
0.0116
74
Din tabelele distribuţiei t-Student, pentru numărul gradelor de libertate
df = n – 2 = 18,
în cazul testului unilateral se identifică următoarele valori17:
Rezultă:
deci estimatorul â0 poate fi garantat statistic cu un grad de încredere mai mare decât
99.5%, dar nu poate fi garantat 99.95%. Gradul de încredere exprimă şansele de
respingere a ipotezei nule (potrivit căreia estimatorul â0 nu diferă semnificativ de zero)
şi este calculat după relaţia (1 – α)∙100%, iar
t â = 24.958 t18
1
*
;0.0005 = 3.922 .
Variabila dependentă: Y
Metoda de rezolvare: Metoda celor mai mici pătrate
Eşantionul: 1 20
Observaţii incluse: 20
17
Vezi tabelul distribuţiei t-Student din anexele prezentate la sfârşitul manualului.
75
R2 – ajustat 0.970298 Ab.std. var.endog. 11.79161
76
3 1.2 4.0 0.3 0.5657 -0.2657 0.0706
4 -0.3 4.1 -0.5 -0.4840 -0.0160 0.0003
5 2.1 3.8 0.8 1.0750 -0.2750 0.0756
6 2.3 4.2 1.4 1.5709 -0.1709 0.0292
7 1.2 3.8 0.2 0.3935 -0.1935 0.0375
8 1.0 3.9 0.7 0.3282 0.3718 0.1382
9 0.8 3.9 0.0 0.1767 -0.1767 0.0312
10 0.0 3.8 -0.7 -0.5151 -0.1849 0.0342
11 -0.6 3.8 -1.0 -0.9695 -0.0305 0.0009
12 2.2 3.8 1.3 1.1507 0.1493 0.0223
13 1.4 4.2 1.0 0.8894 0.1106 0.0122
14 2.0 3.9 1.2 1.0854 0.1146 0.0131
15 2.3 4.2 1.7 1.5709 0.1291 0.0167
16 1.1 3.8 0.4 0.3178 0.0822 0.0068
17 0.8 3.9 0.6 0.1767 0.4233 0.1791
18 -0.5 4.1 -0.9 -0.6354 -0.2646 0.0700
19 -1.4 3.9 -1.4 -1.4891 0.0891 0.0079
20 0.2 4.1 -0.2 -0.1054 -0.0946 0.0090
21 1.8 4.2 1.5 1.1923 0.3077 0.0947
22 2.2 3.8 0.9 1.1507 -0.2507 0.0629
23 2.1 4.1 1.0 1.3333 -0.3333 0.1111
24 1.5 4.2 0.7 0.9651 -0.2651 0.0703
25 1.8 3.8 1.2 0.8479 0.3521 0.1240
∑ 26.7 99.6 11.3 11.3 0.0000 1.2952
su2 = 0.0589 .
t aˆ1 = 15.72
77
t aˆ1 = 2.86
α – testul unilateral
Numărul gradelor de libertate
0.10 0.05 0.025 0.01 0.005 0.0005
Rezultă:
deci estimatorul â0 poate fi garantat statistic cu un grad de încredere mai mare decât
99.5%, dar nu poate fi garantat 99.95%.
La fel ca în cazul modelului unifactorial, gradul de încredere exprimă şansele de
respingere a ipotezei nule (potrivit căreia estimatorul â0 nu diferă semnificativ de zero)
şi este calculat după relaţia (1 – α)∙100%.
Estimatorul â1 este semnificativ diferit de zero cu un grad de încredere mai mare
de 99.95%, deoarece
t aˆ1 = 15.72 t 22
*
;0.0005 = 3.792 .
De asemenea,
Variabila dependentă: Y
Metoda de rezolvare: Metoda celor mai mici pătrate
Eşantionul: 1 25
Observaţii incluse: 25
78
X2 0.860999 0.301339 2.857241 0.0092
Rezumat
Se poate demonstra că o estimare nedeplasată a dispersiei erorilor, calculată pornind
de la dispersia de selecţie a variabilei reziduale, este dată de expresia:
n
u 2
t
su2 = t =1
n−2
Prin calcul direct se pot deduce dispersiile estimatorilor â0 şi â1 obţinuţi prin metoda
celor mai mici pătrate. Se demonstrează că dacă se respectă ipotezele I-5 (erorile nu
sunt heteroscedastice) şi I-6 (erorile nu sunt autocorelate), atunci se pot calcula
estimările nedeplasate pentru dispersiile estimatorilor din modelul unifactorial de
regresie lineară:
1 X2
s a2ˆ0 = su2 +
n
(X t − X )
2
1
s a2ˆ1 = su2
(X t − X )
2
79
1
S A2ˆ = su2 ( X ' X )
−1 s u2 = u' u
, unde n − k −1
este un estimator nedeplasat al dispersiei erorilor.
Pornind de la relaţia precedentă se calculează dispersia de selecţie pentru estimatorii
s2
parametrilor din ecuaţia de regresie, notată aˆi , astfel:
sa2ˆi = su2 dii
, unde i = 0, k .
Procedura uzuală aplicată pentru testarea semnificaţiei parametrilor din modelul
unifactorial de regresie lineară urmăreşte testarea ipotezei nule H0: parametrii nu
diferă semnificativ de zero, contra ipotezei alternative H1: parametrii din ecuaţia de
regresie sunt, în valoare absolută, strict pozitivi. Atunci, sub ipoteza H0, statistica
aˆ i
t aˆi =
s aˆi
urmează o distribuţie Student cu n – 2 grade de libertate (i = 0 sau 1). Se respinge
ipoteza nulă H0: âi = 0 (X nu influenţează Y) dacă valoarea absolută a acestui test
este mai mare decât o valoare critică obţinută din tabelele distribuţiei t (Student).
Răspunsuri:
u 2
t
su2 = t =1
n−2
2. Pentru a calcula dispersia estimatorului âi se înmulţeşte dii – elementul aflat pe
poziţia i (i = 0, 1, 2, …, k) în diagonala matricei (X'X)-1 cu dispersia constantă a
2
valorilor variabilei reziduale su .
80
Temă de control A
Construiţi un model de regresie, calcualți și interpretați estimatorii, coeficientul
de determinare şi testaţi semnificaţia estimatorilor parametrilor.
Temă de control B
Fie următoarele serii de date, înregistrate în 20 momente diferite de timp:
t Xt Yt t Xt Yt
1 5.23 24.74 11 3.45 15.71
2 6.23 27.15 12 8.27 34.77
3 2.34 14.09 13 3.59 20.52
4 5.44 25.52 14 6.35 27.92
5 6.49 27.68 15 4.22 20.15
6 6.52 29.77 16 7.51 32.78
7 4.40 21.08 17 6.37 27.52
8 4.70 24.04 18 5.59 24.86
9 6.59 28.34 19 5.40 23.45
10 5.57 20.15 20 3.17 17.53
Yt = a0 + a1Xt + et.
Bibliografie
1. Jula N., Jula D., 2015. Modelare economică: modele econometrice și de optimizare
– Editura Mustang; București, 330/J88
2. Jula N., Jula N.-M., 2020, Econometrie, Editura Univ. Nicolae Titulescu, București
330ID/J-88
3. Jula N.-M., Jula D., 2016, Prognoza economică: aplicații financiare, Ed. Mustang,
București 330/J88
4. Simionescu M., 2013, Econometrie avansată, Ed. Universitară, București 330/S57
5. Institutul Naţional de Statistică, Anuarul statistic al României + CD, Bucureşti,
2019, P36
81
Resurse online
6. Pecican E., Tanasoiu O., Iacob AI. 2020. Modele econometrice. ASE – Cursuri in
format digital. Online la http://www.biblioteca-
digitala.ase.ro/biblioteca/carte2.asp?id=196&idb=
7. Gujarati D., 2004. Basic Econometrics. (4th ed.). Palgrave Macmillan, London.
Online la http://www.research-excellence.com/ebooks/Basic%20Econometrics.pdf
8. Wooldridge J.M., 2013. Introductory Econometrics. A Modern Approach (5th ed.).
CENAGE Learning, Mason, USA.
Online la https://economics.ut.ac.ir/documents/3030266/14100645/Jeffrey_M._Wo
oldridge_Introductory_Econometrics_A_Modern_Approach__2012.pdf
82
Unitatea de învăţare 6. Heteroscedasticitatea erorilor
Cuprins
Introducere
După parcurgerea unităţii veţi fi în măsură să răspundeţi la întrebările:
• Ce este heteroscedasticitatea?
• Care sunt consecinţele ignorării acestui fenomen?
• Care sunt principalele teste pentru depistarea ei?
Heteroscedasticitatea erorilor
Proprietatea erorile de a nu avea o dispersie constantă se numeşte heteroscedasticitate.
În prezentul capitol sunt analizate problemele legate de testarea modului în care se
respectă ipoteza privind distribuţia erorilor cu o dispersie constantă, consecinţele
nerespectării acestei ipoteze şi procedurile de atenuare a fenomenului respectiv.
83
Consecinţe ale heteroscedasticităţii
Dacă fenomenul de heteroscedasticitate a erorilor din modelul de regresie lineară
este ignorat, iar pentru estimarea parametrilor se foloseşte metoda celor mai mici pătrate,
atunci, sintetic, cele mai importante consecinţe ale ignorării fenomenului de
heteroscedasticitate a erorilor sunt următoarele:
Testarea heteroscedasticităţii
Deoarece fenomenul de heteroscedasticitate a erorilor invalidează testele
statistice aplicate asupra semnificaţiei parametrilor, este necesar ca prezenţa
fenomenului respectiv să fie testată şi atunci când este semnalat, să fie aplicate proceduri
de eliminare.
Pentru modelul unifactorial de regresie, cea mai simplă metodă de detectare a
fenomenului de heteroscedasticitate a erorilor constă în reprezentarea grafică într-un
sistem de coordonate XOY a cuplurilor de puncte (Xt,Yt). Evident, procedura grafică
este imprecisă, este într-o anumită măsură subiectivă şi, ca atare, are aplicabilitate
limitată. De aceea, au fost construite teste statistice care să identifice
heteroscedasticitatea erorilor. Cele mai cunoscute sunt: testul Goldfeld–Quandt, testul
Breusch–Pagan şi testul White.
Testul Goldfeld–Quandt
Procedura Goldfeld–Quandt este folosită pentru testarea ipotezei nule H0, care
presupune lipsa heteroscedasticităţii erorilor, contra ipotezei alternative H1, care admite
faptul că dispersia erorilor este corelată cu valorile uneia dintre variabilele explicative
(de exemplu, dispersia erorilor creşte pe măsură ce cresc valorile acelei variabile
explicative care este considerată ca fiind relevantă). Pentru aplicarea testului se admite
faptul că o astfel de variabilă explicativă relevantă poate fi identificată.
Testul Breusch-Pagan
84
Testul Breusch-Pagan se bazează pe multiplicatorii Lagrange. Să presupunem că
dispersia erorilor σ 2t nu este constantă ci este asociată cu un număr p de variabile Z1, Z2,
…, Zp (câteva, sau toate dintre aceste variabile pot fi selectate dintre variabilele
explicative X ale modelului de regresie). Considerăm modelul, în forma generală
Yt = a0 + a1X1t + a2X2t + ... + akXkt + et, t = 1, 2, ..., n
şi
t2 = α0 + α1Z1t + α2Z2t + … + αpZpt,
unde
t2 = Var(et).
Dacă
α1 = α2 = ... = αp = 0,
atunci dispersia estimatorilor este constantă t2 = 0 şi erorile nu sunt heteroscedastice.
De aceea, prin procedura propusă de Breusch şi Pagan se testează ipoteza nulă
H0: α1 = α2 = ... = αp = 0, contra ipotezei alternative H1: există cel puţin o valoare αi
nenulă (i ≠ 0).
Testul White
Procedura White este următoarea:
1. Se estimează ecuaţia de regresie prin metoda celor mai mici pătrate şi se calculează
ut = Yt –(â0 + â1X1t + â2X2t + ... + âkXkt), t = 1, 2, ..., n
2. Se calculează modelul
u 2t = α0 + α1Z1t + α2Z2t + … + αpZpt + εt,
pentru care se calculează coeficientul de determinare multiplă R2. Dacă oricare
dintre parametrii α este semnificativ, valoarea coeficientului de determinare R2 va
fi semnificativă.
3. Dacă nR 2 p2 (0.05) atunci fenomenul de heteroscedasticitate a erorilor este
prezent cu o probabilitate de 95%.
Atenuarea heteroscedasticităţii
Să ne reamintim...
85
erorile să fie heteroscedastice. Aceasta deoarece eroarea din modelul redus substituie
variabila omisă din model, astfel încât dispersia erorilor depinde de valorile variabilei
neincluse în specificarea modelului. Atenuarea heteroscedasticităţii se poate realiza, în
această situaţie, printr-o specificare corectă a modelului.
Exemple
86
10 înregistrări (pentru t de la 1 la 10), iar cea de-a doua parte, ultimele 10 înregistrări
(pentru t de la 11 la 20).
Seria 1 Seria 2
t Xt Yt t Xt Yt
1 100 20 11 180 45
2 110 25 12 185 50
3 120 28 13 190 47
4 125 30 14 200 48
5 130 33 15 205 52
6 140 35 16 210 58
7 150 36 17 215 54
8 155 42 18 220 55
9 170 44 19 220 58
10 170 42 20 225 60
87
Eşantionul: 1 10
Observaţii incluse: 10
Modelul M–2 este estimat prin metoda celor mai mici pătrate, pornind de la eşantionul
prezentat în tabelul 4-2 sub denumirea de "seria 2". Au fost obţinute următoarele
rezultate:
M – 2: Ŷt = -6.97778 + 0.291111∙Xt.
Rezolvarea în detaliu este prezentată în tabelul EViews următor:
Variabila dependentă: Y
Metoda de rezolvare: Metoda celor mai mici pătrate (vezi modulele anterioare)
88
Eşantionul: 11 20
Observaţii incluse: 10
VTR2 u 2
t
47.4222
Fc = = t =11
10
= = 2.29
u
VTR1 2 20.7234
t
t =1
89
Rezultă
Fc = 2.29 < 3.44 = F8,8(0.05)
deci, erorile et din modelul iniţial nu sunt heteroscedastice.
90
Yt = a0 + a1X1t + a2X2t + et.
Vectorul estimatorilor  se calculează după relaţia:  = (X'X)-1X'Y.
Aplicarea testului Goldfeld–Quandt presupune, în primul rând, aranjarea
observaţiilor în ordinea crescătoare a valorilor factorului care ar putea explica apariţia
fenomenului de heteroscedasticitate a erorilor. Presupunem că acest factor ar putea fi:
dinamica veniturilor populaţiei (X1t). În tabelul următor s-a realizat acest lucru.
91
Tabel: Selectarea seriilor pentru
aplicarea procedurii Goldfeld–Quandt,
modelul multifactorial
Seria 1 Seria 2
t X1t X2t Yt t X1t X2t Yt
1 -1.4 3.9 -1.4 14 1.2 3.8 0.2
2 -0.6 3.8 -1.0 15 1.4 4.2 1.0
3 -0.5 4.1 -0.9 16 1.5 4.2 0.7
4 -0.3 4.1 -0.5 17 1.8 4.2 1.5
5 0.0 3.8 -0.7 18 1.8 3.8 1.2
6 0.2 4.1 -0.2 19 2.0 3.9 1.2
7 0.5 4.1 0.3 20 2.1 3.8 0.8
8 0.8 3.9 0.0 21 2.1 4.1 1.0
9 0.8 3.9 0.6 22 2.2 3.8 1.3
10 1.0 4.2 0.8 23 2.2 3.8 0.9
11 1.0 3.9 0.7 24 2.3 4.2 1.4
12 1.1 3.8 0.4 25 2.3 4.2 1.7
92
X2 0.823990 0.455063 1.810718 0.1036
Modelul M–2 este estimat prin metoda celor mai mici pătrate, pornind de la
eşantionul prezentat anterior, sub denumirea de "seria 2". Au fost obţinute următoarele
rezultate:
M – 2: Ŷt = -3.967 + 0.77354∙X1t+ 0.9097∙X2t.
Rezolvarea în detaliu cu ajutorul programului EViews este prezentată în tabelul
următor.
Variabila dependentă: Y
Metoda de rezolvare: Metoda celor mai mici pătrate
Data: 11/20/03 Ora: 12:47
Eşantionul: 14 25
Observaţii incluse: 12
93
Parametrii Estimatorii Ab.std t-Statistic alfa
VTR2 u 2
t
0.6590
Fc = = t =14
12
= = 1.56
u
VTR1 2 0.4216
t
t =1
94
Rezultă
Fc = 1.56 < 2.98 = F10,10(0.05)
deci, erorile et din modelul iniţial nu sunt heteroscedastice.
Rezumat
Proprietatea erorile de a nu avea o dispersie constantă se numeşte
heteroscedasticitate.
Consecinţe ale ignorării fenomenului de heteroscedasticitate a erorilor
a. Estimatorii parametrilor din model sunt nedeplasaţi şi consistenţi.
b. Estimatorii parametrilor din model nu sunt eficienţi.
c. Estimatorii calculaţi pentru dispersia şi covarianţa parametrilor sunt
deplasaţi, nu sunt consistenţi şi nu sunt eficienţi.
d. Testul t Student aplicat pentru analiza semnificaţiei estimatorilor nu este
valid.
e. Estimatorii parametrilor nu au proprietatea de maximă verosimilitate.
95
3. Cele mai cunoscute sunt: testul Goldfeld–Quandt, testul Breusch–Pagan şi testul
White.
Bibliografie
1. Jula N., Jula D., 2015. Modelare economică: modele econometrice și de optimizare
– Editura Mustang; București, 330/J88
2. Jula N., Jula N.-M., 2020, Econometrie, Editura Univ. Nicolae Titulescu, București
330ID/J-88
3. Jula N.-M., Jula D., 2016, Prognoza economică: aplicații financiare, Ed. Mustang,
București 330/J88
4. Simionescu M., 2013, Econometrie avansată, Ed. Universitară, București 330/S57
5. Institutul Naţional de Statistică, Anuarul statistic al României + CD, Bucureşti,
2019, P36
Resurse online
6. Pecican E., Tanasoiu O., Iacob AI. 2020. Modele econometrice. ASE – Cursuri in
format digital. Online la http://www.biblioteca-
digitala.ase.ro/biblioteca/carte2.asp?id=196&idb=
7. Gujarati D., 2004. Basic Econometrics. (4th ed.). Palgrave Macmillan, London.
Online la http://www.research-excellence.com/ebooks/Basic%20Econometrics.pdf
8. Wooldridge J.M., 2013. Introductory Econometrics. A Modern Approach (5th ed.).
CENAGE Learning, Mason, USA.
Online la https://economics.ut.ac.ir/documents/3030266/14100645/Jeffrey_M._Wo
oldridge_Introductory_Econometrics_A_Modern_Approach__2012.pdf
96
Unitatea de învăţare 7. Testarea şi atenuarea
heteroscedasticităţii erorilor - Testul White
Cuprins
Introducere
După parcurgerea unităţii veţi fi în măsură să răspundeţi la întrebările:
• Cum se testează heteroscedasticitatea prin testul White?
• Cum se atenuează hetersocedasticitateaîîn cazul în care aceasta este depistată?
Exemple
18
Datele sunt extrase din Bilanţul monetar agregat al băncilor – pasive interne – depozite ale clienţilor nebancari
– Economii ale populaţiei (milioane lei, la sfârşitul perioadei) – Banca Naţională a României, Buletin lunar,
1/1997-9/2003.
97
Tabelul: Evoluţia economiilor populaţiei şi a câştigului salarial în perioada 1997-2003
Economiile Câştigul salarial
populaţiei (mediu nominal net)
Luna
– mil.lei (EP) – mil.lei/pers (SNN)
EPt D(EPt) SNNt D(SNNt)
Ianuarie - 97 9.368 – 0.397 –
Februarie - 97 10.017 0.649 0.456 0.059
Martie - 97 10.981 0.965 0.507 0.051
Aprilie - 97 12.052 1.071 0.592 0.085
Mai - 97 13.491 1.439 0.568 -0.024
Iunie - 97 14.566 1.075 0.581 0.013
Iulie - 97 15.405 0.839 0.622 0.041
August - 97 15.766 0.361 0.651 0.029
Septembrie - 97 16.287 0.521 0.710 0.060
Octombrie - 97 16.934 0.647 0.797 0.087
Noiembrie - 97 17.701 0.767 0.821 0.024
Decembrie - 97 20.166 2.464 0.940 0.120
Ianuarie - 98 20.793 0.628 0.884 -0.056
Februarie - 98 21.891 1.098 0.879 -0.006
Martie - 98 22.426 0.536 0.954 0.076
Aprilie - 98 23.380 0.954 1.045 0.091
Mai - 98 24.429 1.049 0.999 -0.046
Iunie - 98 25.153 0.724 1.041 0.041
Iulie - 98 25.797 0.644 1.099 0.058
August - 98 26.368 0.570 1.123 0.024
Septembrie - 98 26.627 0.259 1.140 0.017
Octombrie - 98 27.306 0.679 1.171 0.031
Noiembrie - 98 28.227 0.921 1.192 0.021
Decembrie - 98 30.967 2.739 1.360 0.169
Ianuarie - 99 32.484 1.517 1.241 -0.119
Februarie - 99 32.959 0.475 1.294 0.053
Martie - 99 32.110 -0.849 1.411 0.117
Aprilie - 99 30.943 -1.167 1.480 0.068
Mai - 99 29.674 -1.269 1.460 -0.019
Iunie - 99 30.215 0.541 1.514 0.053
Iulie - 99 32.209 1.994 1.604 0.090
August - 99 33.221 1.012 1.624 0.020
Septembrie - 99 34.178 0.957 1.630 0.006
Octombrie - 99 34.710 0.532 1.657 0.027
Noiembrie - 99 35.086 0.376 1.752 0.095
Decembrie - 99 39.238 4.152 1.990 0.238
Ianuarie - 00 40.735 1.497 1.726 -0.264
Februarie - 00 41.922 1.187 1.748 0.022
Martie - 00 42.988 1.066 1.907 0.159
Aprilie - 00 43.039 0.051 2.136 0.229
Mai - 00 42.599 -0.440 2.030 -0.106
Iunie - 00 43.253 0.654 2.104 0.074
Iulie - 00 43.624 0.371 2.172 0.068
98
August - 00 43.090 -0.534 2.220 0.048
Septembrie - 00 42.328 -0.762 2.273 0.053
Octombrie - 00 41.095 -1.233 2.357 0.084
Noiembrie - 00 40.827 -0.268 2.497 0.140
Decembrie - 00 44.549 3.722 2.912 0.414
Ianuarie - 01 45.829 1.280 2.738 -0.174
Februarie - 01 46.923 1.094 2.596 -0.142
Martie - 01 48.382 1.459 2.819 0.223
Aprilie - 01 49.755 1.374 3.025 0.206
Mai - 01 50.697 0.942 2.915 -0.110
Iunie - 01 52.348 1.651 2.981 0.066
Iulie - 01 53.138 0.790 3.124 0.142
August - 01 54.030 0.892 3.135 0.011
Septembrie - 01 55.327 1.297 3.125 -0.010
Octombrie - 01 56.761 1.434 3.210 0.086
Noiembrie - 01 58.670 1.909 3.314 0.104
Decembrie - 01 63.706 5.037 3.660 0.345
Ianuarie - 02 65.542 1.836 3.672 0.012
Februarie - 02 67.766 2.224 3.464 -0.207
Martie - 02 70.378 2.612 3.666 0.202
Aprilie - 02 72.443 2.065 3.966 0.299
Mai - 02 73.852 1.409 3.795 -0.170
Iunie - 02 75.447 1.594 3.806 0.011
Iulie - 02 77.508 2.061 3.919 0.113
August - 02 79.337 1.829 3.898 -0.021
Septembrie - 02 79.946 0.609 3.855 -0.043
Octombrie - 02 82.290 2.344 3.967 0.112
Noiembrie - 02 83.837 1.547 4.038 0.071
Decembrie - 02 88.894 5.057 4.526 0.488
Ianuarie - 03 90.509 1.615 4.731 0.205
Februarie - 03 92.753 2.244 4.452 -0.279
Martie - 03 93.098 0.345 4.638 0.186
Aprilie - 03 94.126 1.029 4.955 0.318
Mai - 03 93.633 -0.494 4.729 -0.226
Iunie - 03 93.926 0.293 4.706 -0.023
Iulie - 03 93.961 0.035 4.864 0.158
August - 03 94.990 1.029 4.808 -0.056
Sursa datelor: Banca Naţională a României, Buletin lunar, 1/1997-9/2003, Bucureşti
Să ne reamintim...
99
simplu, este posibil ca seriile să urmeze o tendinţă asemănătoare datorită inflaţiei. Din
această cauză, s-a eliminat tendinţa prin diferenţierea seriilor:
D(EPt) = EPt – EPt-1
D(SNNt) = SNNt – SNNt-1.
Seriile astfel obţinute sunt staţionare. În aceste condiţii, econometric, se testează
legătura dintre seriile staţionare D(EPt) şi D(SNNt). Admitem pentru început ipoteza că
între cele două variabile există o legătură lineară.
D(EP) = a0 + a1D(SNN) + et
Estimarea acestei ecuaţii prin metoda celor mai mici pătrate duce la obţinerea
următoarelor rezultate:
D(EP) = 0.903487 + 3.23 D(SNN )
(0.132961) (0.904)
6 100
90
5 Economiile populaţiei (mil.lei) – 80
scara din dreapta
70
4
60
3 50
40
2
30
Câştigul salarial
20
1 (mil.lei/pers.) –
scara dinstânga 10
0 0
ianuari e-97
iunie-97
noiembrie -9 7
aprilie-98
se ptembrie-98
februa ri e-99
iu lie-99
dec embrie-99
mai-0 0
octombri e-00
martie-01
augus t-0 1
ianuarie -0 2
iunie-02
noiembrie-0 2
aprilie-03
100
D(EP) = 0.903487 + 3.23∙D(SNN)
Tabel: Calculele de bază pentru aplicarea testului White, modelul unifactorial*)
t D(SNNt) D(EPt) D(EPt)c ut ut2 D(SNNt)2
1 – – – – – –
2 0.0594 0.6490 1.0954 -0.4464 0.1992 0.0035
3 0.0507 0.9646 1.0673 -0.1027 0.0105 0.0026
4 0.0848 1.0707 1.1775 -0.1068 0.0114 0.0072
5 -0.0242 1.4386 0.8253 0.6134 0.3762 0.0006
6 0.0133 1.0750 0.9465 0.1285 0.0165 0.0002
7 0.0408 0.8392 1.0351 -0.1959 0.0384 0.0017
8 0.0289 0.3610 0.9969 -0.6359 0.4044 0.0008
9 0.0596 0.5210 1.0960 -0.5750 0.3306 0.0036
10 0.0870 0.6473 1.1843 -0.5370 0.2883 0.0076
11 0.0236 0.7672 0.9799 -0.2126 0.0452 0.0006
12 0.1197 2.4642 1.2899 1.1742 1.3788 0.0143
13 -0.0561 0.6278 0.7224 -0.0946 0.0089 0.0031
14 -0.0058 1.0976 0.8847 0.2129 0.0453 0.0000
15 0.0757 0.5355 1.1479 -0.6124 0.3750 0.0057
16 0.0912 0.9539 1.1980 -0.2441 0.0596 0.0083
17 -0.0463 1.0487 0.7541 0.2946 0.0868 0.0021
18 0.0414 0.7242 1.0372 -0.3130 0.0980 0.0017
19 0.0579 0.6438 1.0906 -0.4467 0.1996 0.0034
20 0.0243 0.5704 0.9821 -0.4117 0.1695 0.0006
21 0.0171 0.2592 0.9586 -0.6994 0.4892 0.0003
22 0.0310 0.6794 1.0035 -0.3242 0.1051 0.0010
23 0.0206 0.9213 0.9700 -0.0487 0.0024 0.0004
24 0.1688 2.7393 1.4485 1.2908 1.6662 0.0285
25 -0.1193 1.5174 0.5181 0.9993 0.9985 0.0142
26 0.0533 0.4748 1.0757 -0.6009 0.3611 0.0028
27 0.1171 -0.8487 1.2817 -2.1304 4.5388 0.0137
28 0.0683 -1.1671 1.1241 -2.2912 5.2497 0.0047
29 -0.0192 -1.2694 0.8414 -2.1108 4.4556 0.0004
30 0.0531 0.5411 1.0749 -0.5338 0.2849 0.0028
31 0.0904 1.9939 1.1953 0.7986 0.6377 0.0082
32 0.0203 1.0123 0.9691 0.0432 0.0019 0.0004
33 0.0058 0.9573 0.9221 0.0352 0.0012 0.0000
34 0.0270 0.5317 0.9908 -0.4592 0.2108 0.0007
35 0.0946 0.3765 1.2090 -0.8325 0.6931 0.0089
36 0.2385 4.1517 1.6738 2.4780 6.1403 0.0569
37 -0.2641 1.4967 0.0505 1.4461 2.0912 0.0697
38 0.0221 1.1873 0.9747 0.2126 0.0452 0.0005
39 0.1589 1.0662 1.4168 -0.3506 0.1229 0.0253
40 0.2289 0.0505 1.6427 -1.5922 2.5351 0.0524
41 -0.1062 -0.4396 0.5605 -1.0000 1.0001 0.0113
42 0.0740 0.6537 1.1424 -0.4887 0.2389 0.0055
43 0.0683 0.3711 1.1242 -0.7531 0.5672 0.0047
44 0.0484 -0.5339 1.0598 -1.5937 2.5398 0.0023
45 0.0526 -0.7616 1.0734 -1.8350 3.3673 0.0028
46 0.0842 -1.2335 1.1755 -2.4090 5.8034 0.0071
101
47 0.1403 -0.2678 1.3566 -1.6244 2.6387 0.0197
48 0.4141 3.7215 2.2409 1.4807 2.1924 0.1715
49 -0.1735 1.2801 0.3430 0.9371 0.8782 0.0301
50 -0.1418 1.0943 0.4455 0.6488 0.4210 0.0201
51 0.2230 1.4585 1.6238 -0.1653 0.0273 0.0497
52 0.2059 1.3737 1.5685 -0.1948 0.0380 0.0424
53 -0.1098 0.9420 0.5487 0.3933 0.1547 0.0121
54 0.0662 1.6509 1.1173 0.5336 0.2847 0.0044
55 0.1422 0.7900 1.3629 -0.5729 0.3282 0.0202
56 0.0115 0.8921 0.9406 -0.0485 0.0023 0.0001
57 -0.0103 1.2970 0.8702 0.4268 0.1822 0.0001
58 0.0855 1.4335 1.1797 0.2538 0.0644 0.0073
59 0.1038 1.9088 1.2389 0.6700 0.4488 0.0108
60 0.3454 5.0368 2.0191 3.0176 9.1062 0.1193
61 0.0119 1.8356 0.9419 0.8937 0.7987 0.0001
62 -0.2072 2.2239 0.2342 1.9897 3.9590 0.0429
63 0.2021 2.6118 1.5561 1.0557 1.1144 0.0408
64 0.2994 2.0651 1.8706 0.1945 0.0378 0.0897
65 -0.1704 1.4094 0.3531 1.0563 1.1158 0.0290
66 0.0110 1.5945 0.9389 0.6555 0.4297 0.0001
67 0.1130 2.0613 1.2684 0.7929 0.6287 0.0128
68 -0.0210 1.8286 0.8358 0.9929 0.9858 0.0004
69 -0.0434 0.6091 0.7632 -0.1541 0.0237 0.0019
70 0.1125 2.3444 1.2668 1.0776 1.1612 0.0127
71 0.0707 1.5472 1.1318 0.4153 0.1725 0.0050
72 0.4875 5.0570 2.4781 2.5789 6.6505 0.2377
73 0.2051 1.6146 1.5658 0.0488 0.0024 0.0421
74 -0.2789 2.2442 0.0026 2.2416 5.0246 0.0778
75 0.1859 0.3446 1.5038 -1.1592 1.3437 0.0345
76 0.3176 1.0288 1.9292 -0.9004 0.8108 0.1009
77 -0.2260 -0.4938 0.1737 -0.6674 0.4455 0.0511
78 -0.0234 0.2934 0.8278 -0.5345 0.2857 0.0005
79 0.1579 0.0352 1.4135 -1.3783 1.8997 0.0249
80 -0.0558 1.0289 0.7232 0.3057 0.0935 0.0031
*)
Prin D(EP)c am simbolizat valorile calculate pe baza ecuaţiei de regresie pentru
variabila endogenă D(EP)
102
nR2 = 79 ∙0.2729 = 21.56.
Se testează ipoteza nulă
H0: α1 = α2 = 0 (lipsa heteroscedasticităţii).
Valoarea testului 22 = 5.99 , pentru un prag de semnificaţie α = 0.05 (un grad de
încredere de 95%). Cum
nR2 = 21.56 > 5.99 = 22 ,
rezultă că ipoteza H0 este respinsă, adică se poate afirma, cu un grad de încredere de
95% faptul că erorile et din modelul iniţial sunt heteroscedastice. Aceleaşi rezultate pot
fi obţinute prin utilizarea programului EViews:
White Heteroskedasticity Test:
103
în modelul:
D( EP) t 1 et
= a0 + a1 +
D(SNN t ) D(SNN t ) D(SNN t )
Rezultatele sunt următoarele:
D ( EP)
Variabila dependentă:
D ( SNN )
1
1.018483 0.060994 16.69807 0.0000
D ( SNN )
104
deci
nR2 = 0.268424 < 5.99 = 22 (0.05) .
Aceasta înseamnă că erorile din ecuaţia de regresie nu sunt heteroscedastice, cu
un grad de încredere mai mare de 95%. Rezultatele în detaliu sunt prezentate în tabelul
următor:
1
-3.334400 4.918515 -0.677928 0.4999
D ( SNN )
1
0.036317 0.039584 0.917466 0.3618
D ( SNN ) 2
105
– dinamica depozitelor bancare (Yt):
106
Rezultatele estimării sunt preluate din în capitolul anterior. În tabelul următor
sunt incluse, în plus, blocurile necesare pentru aplicarea testului White privind
heteroscedasticitatea erorilor.
Tabel: Calculele de bază pentru aplicarea
testului White, modelul multifactorial
t X1t X2t Yt Ŷt ut u t2 X 1t2 X 2t2 X1X2
1 0.5 4.1 0.3 0.1218 0.1782 0.0318 0.25 16.81 2.05
2 1.0 4.2 0.8 0.5865 0.2135 0.0456 1.00 17.64 4.20
3 1.2 4.0 0.3 0.5657 -0.2657 0.0706 1.44 16.00 4.80
4 -0.3 4.1 -0.5 -0.4840 -0.0160 0.0003 0.09 16.81 -1.23
5 2.1 3.8 0.8 1.0750 -0.2750 0.0756 4.41 14.44 7.98
6 2.3 4.2 1.4 1.5709 -0.1709 0.0292 5.29 17.64 9.66
7 1.2 3.8 0.2 0.3935 -0.1935 0.0375 1.44 14.44 4.56
8 1.0 3.9 0.7 0.3282 0.3718 0.1382 1.00 15.21 3.90
9 0.8 3.9 0.0 0.1767 -0.1767 0.0312 0.64 15.21 3.12
10 0.0 3.8 -0.7 -0.5151 -0.1849 0.0342 0.00 14.44 0.00
11 -0.6 3.8 -1.0 -0.9695 -0.0305 0.0009 0.36 14.44 -2.28
12 2.2 3.8 1.3 1.1507 0.1493 0.0223 4.84 14.44 8.36
13 1.4 4.2 1.0 0.8894 0.1106 0.0122 1.96 17.64 5.88
14 2.0 3.9 1.2 1.0854 0.1146 0.0131 4.00 15.21 7.80
15 2.3 4.2 1.7 1.5709 0.1291 0.0167 5.29 17.64 9.66
16 1.1 3.8 0.4 0.3178 0.0822 0.0068 1.21 14.44 4.18
17 0.8 3.9 0.6 0.1767 0.4233 0.1791 0.64 15.21 3.12
18 -0.5 4.1 -0.9 -0.6354 -0.2646 0.0700 0.25 16.81 -2.05
19 -1.4 3.9 -1.4 -1.4891 0.0891 0.0079 1.96 15.21 -5.46
20 0.2 4.1 -0.2 -0.1054 -0.0946 0.0090 0.04 16.81 0.82
21 1.8 4.2 1.5 1.1923 0.3077 0.0947 3.24 17.64 7.56
22 2.2 3.8 0.9 1.1507 -0.2507 0.0629 4.84 14.44 8.36
23 2.1 4.1 1.0 1.3333 -0.3333 0.1111 4.41 16.81 8.61
24 1.5 4.2 0.7 0.9651 -0.2651 0.0703 2.25 17.64 6.30
25 1.8 3.8 1.2 0.8479 0.3521 0.1240 3.24 14.44 6.84
∑ 26.7 99.6 11.3 11.3000 0.0000 1.2952 54.09 397.46 106.74
Ipoteza nulă
H0: α1 = α2 = α2 = α2 = α5 = 0
(lipsa fenomenului de heteroscedasticitate a erorilor et) este respinsă dacă nR2 χ52 (0.05) .
Rezolvarea prin metoda celor mai mici pătrate a modelului descris de ecuaţia de
regresie precedentă, pe baza datelor din tabel duce la obţinerea următoarelor rezultate:
107
uˆ t2 = −16.095 − 0.067 X 1t + 8.156 X 2t −
− 0.01 X 12t − 1.029 X 22t + 0.025 X 1t X 2t
Coeficientul de determinare R2, calculat pentru modelul precedent este:
R = 0.2196. În aceste condiţii, blocul nR2 se calculează astfel:
2
Test Equation:
Variabila dependentă: u2
Eşantionul: 1 25
Observaţii incluse: 25
108
X2 8.155651 5.661626 1.440514 0.1660
Rezumat
Ipoteza lipsei fenomenului de heteroscedasticitate a erorilor et este respinsă dacă
nR 2 52 (0.05)
Răspunsuri:
1. Ipoteza lipsei fenomenului de heteroscedasticitate a erorilor et este respinsă
dacă nR 2 52 (0.05)
109
Bibliografie
1. Jula N., Jula D., 2015. Modelare economică: modele econometrice și de optimizare
– Editura Mustang; București, 330/J88
2. Jula N., Jula N.-M., 2020, Econometrie, Editura Univ. Nicolae Titulescu, București
330ID/J-88
3. Jula N.-M., Jula D., 2016, Prognoza economică: aplicații financiare, Ed. Mustang,
București 330/J88
4. Simionescu M., 2013, Econometrie avansată, Ed. Universitară, București 330/S57
5. Institutul Naţional de Statistică, Anuarul statistic al României + CD, Bucureşti,
2019, P36
Resurse online
6. Pecican E., Tanasoiu O., Iacob AI. 2020. Modele econometrice. ASE – Cursuri in
format digital. Online la http://www.biblioteca-
digitala.ase.ro/biblioteca/carte2.asp?id=196&idb=
7. Gujarati D., 2004. Basic Econometrics. (4th ed.). Palgrave Macmillan, London.
Online la http://www.research-excellence.com/ebooks/Basic%20Econometrics.pdf
8. Wooldridge J.M., 2013. Introductory Econometrics. A Modern Approach (5th ed.).
CENAGE Learning, Mason, USA.
Online la https://economics.ut.ac.ir/documents/3030266/14100645/Jeffrey_M._Wo
oldridge_Introductory_Econometrics_A_Modern_Approach__2012.pdf
110
Unitatea de învăţare 8. Autocorelarea Erorilor
Cuprins
Introducere
După parcurgerea unităţii veţi fi în măsură să răspundeţi la întrebările:
• Care sunt consecinţele autocorelării erorilor?
• Care sunt principalele teste pentru depistarea autocorelării?
• Cum se realizează atenuarea acesti fenomen?
Autocorelarea erorilor
În prezenţa autocorelării erorilor este afectată calitatea estimatorilor calculaţi prin
metoda celor mai mici pătrate pentru parametrii modelului de regresie. În modelele
economice de regresie lineară se întâlnesc des situaţii în care erorile sunt autocorelate.
În special, autocorelarea erorilor apare în modelele construite pentru seriile de timp.
Principalele cauze care determină fenomenul respectiv sunt:
(1) omiterea din model a unor variabile explicative cu influenţă semnificativă asupra
variabilei endogene;
(2) ignorarea prezenţei unor relaţii nelineare între variabile şi
111
(3) imposibilitatea evitării unor erori de măsurare.
(u − ut −1 )
2
t
dw = t =2
n
u
t =1
2
t
unde ut sunt valorile variabilei reziduale din ecuaţia de regresie lineară, ecuaţie estimată
pornind de la datele din eşantionul selectat.
112
Testul Lagrange
Testul construit pe baza multiplicatorilor Lagrange pentru identificarea
fenomenului de autocorelare a erorilor (testul LM) a fost propus de Breusch19 şi
Godfrey20. Acest test nu este restricţionat la autocorelarea de ordinul I a erorilor şi
rămâne valid în prezenţa regresorilor construiţi pornind de la starea variabilei
dependente în perioadele trecute. În consecinţă, are o aplicabilitate mai mare decât testul
Durbin – Watson.
Să ne reamintim...
Procedura Hildreth – Lu
De regulă, numărul iteraţiilor din procedura Hildreth – Lu este mare, adică
aplicarea procedurii Hildreth – Lu necesită rezolvarea unui număr mare de modele de
regresie. Din acest punct de vedere, procedura Hildreth – Lu este mai laborioasă decât
Cochrane – Orcutt.
Rezumat
Autocorelarea erorilor presupune existenţa unei covarianţe nenule între erorile din
ecuaţia de regresie.
113
Testul Durbin – Watson este cea mai cunoscută procedură utilizată pentru
identificarea autocorelării de ordinul întâi a erorilor din modelele de regresie lineară.
Statistica Durbin – Watson se calculează astfel:
n
(u − u t −1 )
2
t
dw = t =2
n
u
t =1
2
t
unde ut sunt valorile variabilei reziduale din ecuaţia de regresie lineară, ecuaţie
estimată pornind de la datele din eşantionul selectat.
Nu există nici o procedură care să garanteze eliminarea autocorelării erorilor,
deoarece sursa fenomenului respectiv este dificil de identificat cu exactitate. De aceea,
procedurile aplicate atunci când prezenţa autocorelării este semnalată prin testele
specifice, urmăresc o cât mai bună atenuare a fenomenului respectiv.
Răspunsuri:
19
Breusch T., 1978, Testing foe autocorelation in dinamic linear models, în Australian Economic Papers, 17,
pag. 334-355
20
Godfrey L.G., 1988, Specification Tests in Econometrics, Cambridge University Press
114
d. Testul t statistic (Student) aplicat pentru analiza semnificaţiei
estimatorilor nu este valid.
(u − u t −1 )
2
t
dw = t =2
n
u
t =1
2
t
unde ut sunt valorile variabilei reziduale din ecuaţia de regresie lineară, ecuaţie
estimată pornind de la datele din eşantionul selectat.
Bibliografie
1. Jula N., Jula D., 2015. Modelare economică: modele econometrice și de optimizare
– Editura Mustang; București, 330/J88
2. Jula N., Jula N.-M., 2020, Econometrie, Editura Univ. Nicolae Titulescu, București
330ID/J-88
3. Jula N.-M., Jula D., 2016, Prognoza economică: aplicații financiare, Ed. Mustang,
București 330/J88
4. Simionescu M., 2013, Econometrie avansată, Ed. Universitară, București 330/S57
5. Institutul Naţional de Statistică, Anuarul statistic al României + CD, Bucureşti,
2019, P36
Resurse online
6. Pecican E., Tanasoiu O., Iacob AI. 2020. Modele econometrice. ASE – Cursuri in
format digital. Online la http://www.biblioteca-
digitala.ase.ro/biblioteca/carte2.asp?id=196&idb=
115
7. Gujarati D., 2004. Basic Econometrics. (4th ed.). Palgrave Macmillan, London.
Online la http://www.research-excellence.com/ebooks/Basic%20Econometrics.pdf
8. Wooldridge J.M., 2013. Introductory Econometrics. A Modern Approach (5th ed.).
CENAGE Learning, Mason, USA.
Online la https://economics.ut.ac.ir/documents/3030266/14100645/Jeffrey_M._Wo
oldridge_Introductory_Econometrics_A_Modern_Approach__2012.pdf
116
Unitatea de învăţare 9. Testarea Fenomenului de Autocorelare a
Erorilor
Cuprins
Introducere
După parcurgerea unităţii veţi fi în măsură să răspundeţi la întrebările:
• Cum se utilizeaza testul Durbin-Watson pentru depistarea autocorelării?
• Cum se atenuează fenomenul de autocorelare?
Exemple
117
Tabel: Autocorelarea erorilor:
evoluţia veniturilor populaţiei (X) şi a volumului economiilor (Y)
t Xt Yt t Xt Yt
1 100 20 11 180 45
2 110 25 12 185 50
3 120 28 13 190 47
4 125 30 14 200 48
5 130 33 15 205 52
6 140 35 16 210 58
7 150 36 17 215 54
8 155 42 18 220 55
9 170 44 19 220 58
10 170 42 20 225 60
118
20 225 60 58.7341 1.2659 1.6025 0.3051
342 86
∑ 862.0000 0.0000 74.3359 144.1869
0 2
(u − u t −1 )
2
t
144.1869
dw = t =2
n
= = 1.94 .
u 2 74.3359
t
t =1
119
Tabel: Calculele de bază pentru aplicarea testului Durbin – Watson,
modelul multifactorialEroare! Marcaj în document nedefinit.
t X1t X2t Yt Ŷt ut ut2 (ut-ut-1)2
1 0.5 4.1 0.3 0.1218 0.1782 0.0318 –
2 1.0 4.2 0.8 0.5865 0.2135 0.0456 0.0012
3 1.2 4.0 0.3 0.5657 -0.2657 0.0706 0.2297
4 -0.3 4.1 -0.5 -0.4840 -0.0160 0.0003 0.0624
5 2.1 3.8 0.8 1.0750 -0.2750 0.0756 0.0671
6 2.3 4.2 1.4 1.5709 -0.1709 0.0292 0.0108
7 1.2 3.8 0.2 0.3935 -0.1935 0.0375 0.0005
8 1.0 3.9 0.7 0.3282 0.3718 0.1382 0.3196
9 0.8 3.9 0.0 0.1767 -0.1767 0.0312 0.3009
10 0.0 3.8 -0.7 -0.5151 -0.1849 0.0342 0.0001
11 -0.6 3.8 -1.0 -0.9695 -0.0305 0.0009 0.0238
12 2.2 3.8 1.3 1.1507 0.1493 0.0223 0.0323
13 1.4 4.2 1.0 0.8894 0.1106 0.0122 0.0015
14 2.0 3.9 1.2 1.0854 0.1146 0.0131 0.0000
15 2.3 4.2 1.7 1.5709 0.1291 0.0167 0.0002
16 1.1 3.8 0.4 0.3178 0.0822 0.0068 0.0022
17 0.8 3.9 0.6 0.1767 0.4233 0.1791 0.1163
18 -0.5 4.1 -0.9 -0.6354 -0.2646 0.0700 0.4731
19 -1.4 3.9 -1.4 -1.4891 0.0891 0.0079 0.1251
20 0.2 4.1 -0.2 -0.1054 -0.0946 0.0090 0.0338
21 1.8 4.2 1.5 1.1923 0.3077 0.0947 0.1619
22 2.2 3.8 0.9 1.1507 -0.2507 0.0629 0.3119
23 2.1 4.1 1.0 1.3333 -0.3333 0.1111 0.0068
24 1.5 4.2 0.7 0.9651 -0.2651 0.0703 0.0047
25 1.8 3.8 1.2 0.8479 0.3521 0.1240 0.3810
∑ 26.7 99.6 11.3 11.3 0.0000 1.2952 2.6669
120
Aplicarea testului Lagrange
121
Pentru estimarea prezentată, coeficientul de determinare multiplă este
R = 0.491127. Pornind de la aceste rezultate, se calculează
2
(n − p )R 2 52 (0.05) ,
deci se admite ipoteza nulă
H0: ρ1 = ρ2 = ρ3 = ρ4 = ρ5 = 0,
potrivit căreia, erorile nu sunt autocorelate, cel puţin până la ordinul 5. Rezultate
similare pot fi obţinute direct, prin apelarea la programul EViews:
122
Yt = a0 + a1X1t + a2X2t + et,
calculat prin metoda celor mai mici pătrate au fost determinate următoarele valori ale
estimatorilor Â:
Ŷt = -3.78693 + 0.75722∙X1t + 0.860999∙X2t,
pentru t = 1, 2, …, 25.
Testăm, la fel ca în cazul modelului unifactorial, ipoteza că erorile urmează un
proces autoregresiv de ordinul 5. Pentru aceasta, se construieşte ecuaţia
ut = b0 + b1X1t b2X2t + ρ1ut-1 + ρ2ut-2 + … + ρ5ut-5 + vt, pentru t = 6, 7, 25.
Rezolvarea modelului multifactorial de regresie lineară se realizează prin metoda
celor mai mici pătrate, potrivit procedurii obişnuite.
123
Rezultatele obţinute sunt următoarele
ût = 0.12 – 0.05X1t + 0.043X2t + 0.06ut-1 – 0.165ut-2 – 0.37ut-3 + 0.39ut-4 – 0.14ut-5
Pentru această estimare, valoarea coeficientului de determinare multiplă este
R2 = 0.229706. Pornind de la aceste rezultate, se calculează
(n – p)R2 = (25-5)∙0.229706 = 4.59
Valoarea din tabelele distribuţiei teoretice 52 (0.05) este 11.0705. În aceste
condiţii,
(n – p)R2 < 52 (0.05) ,
deci se admite ipoteza nulă
H0: ρ1 = ρ2 = ρ3 = ρ4 = ρ5 = 0.
Rezultatele complete, obţinute prin utilizarea programului EViews sunt
următoarele:
124
Suma pătrate erori 0.997666 Schwarz criterion 0.646704
Rezumat
La fel ca în cazul modelului unifactorial, şi la modelul multifactorial de regresie
lineară, pentru a testa ipoteza H0: ρ = 0 (lipsa autocorelării erorilor), contra ipotezei
alternative H1: ρ ≠ 0 (prezenţa fenomenului de autocorelare a erorilor) se aplică testul
Durbin – Watson unilateral
(u − ut −1 )
2
t
dw = t =2
n
=
u
t =1
2
t
Răspunsuri:
n
(u − ut −1 )
2
t
dw = t =2
n
=
ut =1
2
t
125
Temă de control
1. Atenuaţi fenomenul de autocorelare a erorilor folosind procedura Durbin-
Watson, bazându-vă pe un model linear unifactorial construit pornind de la teoria
economică dintr-un domeniu la alegere.
Bibliografie
1. Jula N., Jula D., 2015. Modelare economică: modele econometrice și de optimizare
– Editura Mustang; București, 330/J88
2. Jula N., Jula N.-M., 2020, Econometrie, Editura Univ. Nicolae Titulescu, București
330ID/J-88
3. Jula N.-M., Jula D., 2016, Prognoza economică: aplicații financiare, Ed. Mustang,
București 330/J88
4. Simionescu M., 2013, Econometrie avansată, Ed. Universitară, București 330/S57
5. Institutul Naţional de Statistică, Anuarul statistic al României + CD, Bucureşti,
2019, P36
Resurse online
6. Pecican E., Tanasoiu O., Iacob AI. 2020. Modele econometrice. ASE – Cursuri in
format digital. Online la http://www.biblioteca-
digitala.ase.ro/biblioteca/carte2.asp?id=196&idb=
7. Gujarati D., 2004. Basic Econometrics. (4th ed.). Palgrave Macmillan, London.
Online la http://www.research-excellence.com/ebooks/Basic%20Econometrics.pdf
8. Wooldridge J.M., 2013. Introductory Econometrics. A Modern Approach (5th ed.).
CENAGE Learning, Mason, USA.
Online la https://economics.ut.ac.ir/documents/3030266/14100645/Jeffrey_M._Wo
oldridge_Introductory_Econometrics_A_Modern_Approach__2012.pdf
126
Unitatea de învăţare 10. Utilizarea Modelelor Econometrice în
Prognoză
Cuprins
Introducere
După parcurgerea unităţii veţi fi în măsură să răspundeţi la întrebările:
• Cum se realizează prognoza în cazul modelului unifactorial de regresie lineară?
• Cum se realizează prognoza în cazul modelului multifactorial de regresie
lineară?
127
Construirea unui indicator nedeplasat pentru dispersia erorilor de prognoză
permite calculul unui interval de prognoză pentru Yn+1, pornind de la relaţia:
Yˆn+1 − t n−2; s f Yn+1 Yˆn+1 + t n−2; s f
unde tn-2;α este valoarea din distribuţia teoretică t-Student, testul bilateral, pentru n-2
grade de libertate (n fiind dimensiunea eşantionului), valoare corespunzătoare unui grad
de încredere de (1-α).
u 2
t
su2 = t =1
n − k −1
Intervalul de încredere pentru valorile de prognoză, calculat cu un grad de
încredere de (1-α), este dat de relaţia următoare:
Yˆn+1 − t n−k −1; s f Yn+1 Yˆn+1 + t n−k −1; s f ,
unde tn-k-1;α este valoarea din distribuţia teoretică t-Student, testul bilateral, pentru n-k-1
grade de libertate (n fiind dimensiunea eşantionului, iar k – numărul variabilelor exogene
din model), valoare corespunzătoare unui grad de încredere de (1-α).
128
Exemple
Modelul calculat prin metoda celor mai mici pătrate pentru întreg eşantionul
este:
Ŷt = -6.40793 + 0.28952∙Xt, pentru t = 1, 2 ,…, 25,
iar rezultatele estimării modelului sunt prezentate în tabelul următor.
t Xt Yt Ŷt ut u t2 (X t − X)
2
129
11 180 45 45.7057 -0.7057 0.4980 81
12 185 50 47.1533 2.8467 8.1038 196
13 190 47 48.6009 -1.6009 2.5628 361
14 200 48 51.4961 -3.4961 12.2226 841
15 205 52 52.9437 -0.9437 0.8905 1156
16 210 58 54.3913 3.6087 13.0228 1521
17 215 54 55.8389 -1.8389 3.3815 1936
18 220 55 57.2865 -2.2865 5.2280 2401
19 220 58 57.2865 0.7135 0.5091 2401
20 225 60 58.7341 1.2659 1.6025 2916
∑ 3420 862 862.0000 0.0000 74.3359 30630
s f = s 2f = 4.805538 = 2.192154
adică
60.18167 – 2.101∙2.192154 ≤ Yn+1 ≤ 60.18167 + 2.101∙2.192154
sau
55.576 ≤ Yn+1 ≤ 64.787
Interpretarea rezultatelor este următoarea: dacă o familie din populaţia analizată
înregistrează un venit X21 de 230 u.m., atunci, pentru familia respectivă, volumul
economiilor va fi, în medie Y21 = 60.182 u.m. Cu un grad de încredere de 95%, volumul
economiilor se va situa între 55.567 şi 64.787 u.m. Aceasta înseamnă că dacă eşantionul
selectat este reprezentativ pentru întreaga populaţie şi se urmăresc, prin selecţii
succesive un număr mare de familii care au un venit egal cu 230, atunci media volumul
economiilor înregistrate va fi 60.182 şi doar 5% dintre valori se vor situa în afara
intervalului [55.567, 64.787].
130
dobânzii pasive (X2t) şi dinamica depozitelor bancare (Yt) în 25 intervale succesive de
timp (tabelul 2-2). Rezultatele estimării modelului linear prin metoda celor mai mici
pătrate pornind de la eşantionul prezentat în tabelul (2-1) sunt următoarele:
Ŷt = -3.78693 + 0.75722∙X1t + 0.860999∙X2t.
Presupunem că la momentul t = 26, ritmul de creştere a veniturilor populaţiei
este X1,26 = 3, iar dinamica ratei reale a dobânzii pasive este X2,26 = 2. Valoarea medie a
dinamicii depozitelor bancare la momentul t = 26, respectiv prognoza Ŷ26 se determină
astfel:
Ŷ26 = -3.78693 + 0.75722·3.0 + 0.860999·2.0 = 0.21
Pentru calculul dispersiei erorilor de prognoză se deduce, mai întâi, blocul
Xn+1(X'X)-1X'n+1. Matricea (X'X)-1 şi valoarea su2 sunt preluate:
s f = s 2f = 0.3786 = 0.615
131
Rezumat
În sens econometric, prognoza reprezintă o anticipare cantitativă a unor
evenimente sau condiţii viitoare, pornind de la un set de informaţii disponibile.
Răspunsuri:
132
unde tn-2;α este valoarea din distribuţia teoretică t-Student, testul bilateral,
pentru n-2 grade de libertate (n fiind dimensiunea eşantionului), valoare
corespunzătoare unui grad de încredere de (1-α).
133
Bibliografie
1. Jula N., Jula D., 2015. Modelare economică: modele econometrice și de
optimizare – Editura Mustang; București, 330/J88
2. Jula N., Jula N.-M., 2020, Econometrie, Editura Univ. Nicolae Titulescu, București
330ID/J-88
3. Jula N.-M., Jula D., 2016, Prognoza economică: aplicații financiare, Ed. Mustang,
București 330/J88
4. Simionescu M., 2013, Econometrie avansată, Ed. Universitară, București 330/S57
5. Institutul Naţional de Statistică, Anuarul statistic al României + CD, Bucureşti,
2019, P36
Resurse online
6. Pecican E., Tanasoiu O., Iacob AI. 2020. Modele econometrice. ASE – Cursuri in
format digital. Online la http://www.biblioteca-
digitala.ase.ro/biblioteca/carte2.asp?id=196&idb=
7. Gujarati D., 2004. Basic Econometrics. (4th ed.). Palgrave Macmillan, London.
Online la http://www.research-excellence.com/ebooks/Basic%20Econometrics.pdf
8. Wooldridge J.M., 2013. Introductory Econometrics. A Modern Approach (5th ed.).
CENAGE Learning, Mason, USA.
Online la https://economics.ut.ac.ir/documents/3030266/14100645/Jeffrey_M._Wo
oldridge_Introductory_Econometrics_A_Modern_Approach__2012.pdf
134
BIBLIOGRAFIE OBLIGATORIE
1. Jula N., Jula D., 2013, Modele econometrice, Editura Mustang, Bucureşti
2. Jula, N., Jula D., Modelare economica: modele econometrice si de optimizare – Editura
Mustang; Bucuresti, 2015
3. Jula N., Jula N.-M., 2016, Econometrie – Manual ID, Editura Univ. Nicolae Titulescu,
București
4. Jula N.-M., Jula D., 2015, Prognoza economica: aplicatii financiare, Ed. Mustang,
Bucuresti
5. Simionescu M., 2013, Econometrie avansata, Ed. Universitară, București
BIBLIOGRAFIE FACULTATIVĂ
135
19. Pindyck R.S., Rubinfeld D.L, 1991, Econometric Models and Economic Forecasts,
McGraw-Hill, Inc
20. Ramanathan R., 1992, Introductory Econometrics, Second Edition, The Dryden Press,
Harcourt Brace College Publishers, Orlando, USA
21. Taşnadi Al., 2001, Econometrie aplicată, Editura ASE, Bucureşti
22. Tănăsoiu O., Iacob A.-I., 1999, Econometrie aplicată, Editura Arteticart, Bucureşti
23. Thomas R.-L, 1997, Modern Econometrics: An Introduction, 2nd edition, Harlow,
Longman
24. Vangrevelinghe G., 1973, Econométrie, Hermann, Paris
25. Zaman C., 1998, Econometrie, Pro Democraţia, Bucureşti
136
ANEXE STATISTICE
α - testul bilateral
df
0.10 0.05 0.02 0.01 0.001
137
20 1.725 2.086 2.528 2.845 3.850
138
B. Valorile critice ale distribuţiei t – Student, testul unilateral
α - testul unilateral
df
0.10 0.05 0.01 0.005 0.0005
139
25 1.316 1.708 2.485 2.787 3.725
140
C. Valorile critice ale distribuţiei χ2
Numărul
gradelor
0.99 0.95 0.9 0.1 0.05 0.01 0.005 0.001
de
libertate
141
24 10.856 13.848 15.659 33.196 36.415 42.980 45.559 51.179
142
D. Statistica Durbin – Watson
Valorile dL şi dU pentru testul Durbin-Watson unilateral, la un nivel de semnificaţie de
5%
6 0.61 1.40
10 0.88 1.32 0.70 1.64 0.53 2.02 0.38 2.41 0.24 2.82
11 0.93 1.32 0.76 1.60 0.60 1.93 0.44 2.28 0.32 2.65
12 0.97 1.33 0.81 1.58 0.66 1.86 0.51 2.18 0.38 2.51
13 1.01 1.34 0.86 1.56 0.72 1.82 0.57 2.09 0.45 2.39
14 1.05 1.35 0.91 1.55 0.77 1.78 0.63 2.03 0.51 2.30
15 1.08 1.36 0.95 1.54 0.82 1.75 0.69 1.97 0.56 2.21
16 1.10 1.37 0.98 1.54 0.86 1.73 0.74 1.93 0.62 2.15
17 1.13 1.38 1.02 1.54 0.90 1.71 0.78 1.90 0.67 2.10
18 1.16 1.39 1.05 1.53 0.93 1.69 0.82 1.87 0.71 2.06
19 1.18 1.40 1.08 1.53 0.97 1.68 0.86 1.85 0.75 2.02
20 1.20 1.41 1.10 1.54 1.00 1.68 0.90 1.83 0.79 1.99
21 1.22 1.42 1.13 1.54 1.03 1.67 0.93 1.81 0.83 1.96
22 1.24 1.43 1.15 1.54 1.05 1.66 0.96 1.80 0.86 1.94
23 1.26 1.44 1.17 1.54 1.08 1.66 0.99 1.79 0.90 1.92
24 1.27 1.45 1.19 1.55 1.10 1.66 1.01 1.78 0.93 1.90
25 1.29 1.45 1.21 1.55 1.12 1.66 1.04 1.77 0.95 1.89
26 1.30 1.46 1.22 1.55 1.14 1.65 1.06 1.76 0.98 1.88
27 1.32 1.47 1.24 1.56 1.16 1.65 1.08 1.76 1.01 1.86
143
k=1 k=2 k=3 k=4 k=5
n
dL dU dL dU dL dU dL dU dL dU
28 1.33 1.48 1.26 1.56 1.18 1.65 1.10 1.75 1.03 1.85
29 1.34 1.48 1.27 1.56 1.20 1.65 1.12 1.74 1.05 1.84
30 1,35 1.49 1.28 1.57 1.21 1.65 1.14 1.74 1.07 1.83
31 1.36 1.50 1.30 1.57 1.23 1.65 1.16 1.74 1.09 1.83
32 1.37 1.50 1.31 1.57 1.94 1.65 1.18 1.73 1.11 1.82
33 1.38 1.51 1.32 1.58 1.26 1.65 1.19 1.73 1.13 1.81
34 1.39 1.51 1.33 1.58 1.27 1.65 1.21 1.73 1.15 1.81
35 1.40 1.52 1.34 1.58 1.28 1.65 1.22 1.73 1.16 1.80
36 1.41 1.52 1.35 1.59 1.29 1.65 1.24 1.73 1.18 1.80
37 1.42 1.53 1.36 1.59 1.31 1.66 1.25 1.72 1.19 1.80
38 1.43 1.54 1.37 1.59 1.32 1.66 1.26 1.72 1.21 1.79
39 1.43 1.54 1.38 1.60 1.33 1.66 1.27 1.72 1.22 1.79
40 1.44 1.54 1.39 1.60 1.34 1.66 1.29 1.72 1.23 1.79
45 1.48 1.57 1.43 1.62 1.38 1.67 1.34 1.72 1.29 1.78
50 1.50 1.59 1.46 1.63 1.42 1.67 1.38 1.72 1.34 1.77
55 1.53 1.60 1.49 1.64 1.45 1.68 1.41 1.72 1.38 1.77
60 1.55 1.62 1.51 1.65 1.48 1.69 1.44 1.73 1.41 1.77
65 1.57 1.63 1.54 1.66 1.50 1.70 1.47 1.73 1.44 1.77
70 1.58 1.64 1.55 1.67 1.52 1.70 1.49 1.74 1.46 1.77
75 1.60 1.65 1.57 1.68 1.54 1.71 1.51 1.74 1.49 1.77
80 1.61 1.66 1.59 1.69 1.56 1.72 1.53 1.74 1.51 1.77
85 1.62 1.67 1.60 1.70 1.57 1.72 1.55 1.75 1.52 1.77
90 1.63 1.68 1.61 1.70 1.59 1.73 1.57 1.75 1.54 1.78
95 1.64 1.69 1.62 1.71 1.60 1.73 1.58 1.75 1.56 1.78
144
k=1 k=2 k=3 k=4 k=5
n
dL dU dL dU dL dU dL dU dL dU
100 1.65 1.69 1.63 1.72 1.61 1.74 1.59 1.76 1.57 1.78
n – numărul de observaţii;
k – numărul variabilelor explicative
Sursa:
J.Durbin and G.S.Watson, Testing for Serial Correlation in Least Squares Regression, in
Biometrika, vol. 38 (1951), pp.159-177 (pentru n 15)
Mukherjee Ch., White H., Wuyts M., 1998, Econometrics and data analysis for developing
countries, Routledge, London and New York (pentru n < 15)
145