Manual Econometrie ID Feb2021 (AA) - 2+2 Ore

ECONOMETRIE
Prof.univ.dr. Nicoleta Jula

Lect.univ.dr. Nicolae-Marius Jula
Cuprins
INTRODUCERE ....................................................................................................................... 9
UNITATEA DE ÎNVĂŢARE 1. MODELUL ECONOMIC – PREZENTARE GENERALĂ ..................... 11

Consideraţii generale ..................................................................................................................................... 11
Schema generală a procesului de modelare economico-matematică ............................................................. 16
Modelul econometric .................................................................................................................................... 16
Elementele unui model econometric............................................................................................................... 18
Datele utilizate ................................................................................................................................................. 19
Rezumat ........................................................................................................................................................ 20
Test de autoevaluare a cunoştinţelor ............................................................................................................ 21
Test de evaluare a cunoştinţelor .................................................................................................................... 22
Bibliografie .................................................................................................................................................... 22
UNITATEA DE ÎNVĂŢARE 2. MODELUL DE PROGRAMARE LINEARĂ ...................................... 24

Formularea economică a problemei .............................................................................................................. 24
Rezumat ........................................................................................................................................................ 35
Bibliografie .................................................................................................................................................... 36
UNITATEA DE ÎNVĂŢARE 3. MODELE DE OPTIMIZARE .......................................................... 38

Stocurile de materii prime ............................................................................................................................. 39
Optimizarea gestiunii stocurilor....................................................................................................................... 39
Problema de transport................................................................................................................................... 42
Rezolvarea problemei de transport ................................................................................................................. 42
Exemplu ........................................................................................................................................................... 43
Teoria firelor de aşteptare ............................................................................................................................. 46
Formularea problemei ..................................................................................................................................... 46
Modelul matematic ......................................................................................................................................... 46
Rezumat ........................................................................................................................................................ 51
Temă de control............................................................................................................................................. 52
Bibliografie .................................................................................................................................................... 52
UNITATEA DE ÎNVĂŢARE 4. MODELE ECONOMETRICE – MODELUL LINEAR DE REGRESIE ..... 54

Modele econometrice.................................................................................................................................... 54
Modelul linear unifactorial ............................................................................................................................ 55
Ecuaţia de regresie........................................................................................................................................... 55
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
Bibliografie .................................................................................................................................................... 68
UNITATEA DE ÎNVĂŢARE 5. TESTE DE SEMNIFICAŢIE ȘI COEFICIENTUL DE DETERMINARE .... 70

Dispersia estimatorilor .................................................................................................................................. 71
Dispersia estimatorilor în modelul unifactorial de regresie lineară................................................................. 71
Dispersia estimatorilor în modelul linear multifactorial .................................................................................. 71
Teste privind semnificaţia estimatorilor .......................................................................................................... 72
Coeficientul de determinare ............................................................................................................................ 72
Exemple ......................................................................................................................................................... 73
Modelul linear unifactorial .............................................................................................................................. 73
Modelul linear multifactorial ........................................................................................................................... 76
Rezumat ........................................................................................................................................................ 79
Temă de control A ......................................................................................................................................... 81
Temă de control B.......................................................................................................................................... 81
Bibliografie .................................................................................................................................................... 81
UNITATEA DE ÎNVĂŢARE 6. HETEROSCEDASTICITATEA ERORILOR ........................................ 83

Heteroscedasticitatea erorilor ....................................................................................................................... 83
Consecinţe ale heteroscedasticităţii .............................................................................................................. 84
Testarea heteroscedasticităţii ........................................................................................................................ 84
Testul Goldfeld–Quandt................................................................................................................................... 84
Testul Breusch-Pagan ....................................................................................................................................... 84
Testul White ..................................................................................................................................................... 85
Atenuarea heteroscedasticităţii ..................................................................................................................... 85
Exemple ......................................................................................................................................................... 86
Testul Goldfeld–Quandt pentru modelul unifactorial ..................................................................................... 86
Testul Goldfeld–Quandt pentru modelul multifactorial .................................................................................. 90
Rezumat ........................................................................................................................................................ 95
6
Bibliografie .................................................................................................................................................... 96
UNITATEA DE ÎNVĂŢARE 7. TESTAREA ŞI ATENUAREA HETEROSCEDASTICITĂŢII ERORILOR -

TESTUL WHITE ..................................................................................................................... 97
Exemple ......................................................................................................................................................... 97
Testul White pentru modelul unifactorial ....................................................................................................... 97
Testul White pentru modelul multifactorial .................................................................................................. 105
Rezumat ...................................................................................................................................................... 109
Test de autoevaluare a cunoştinţelor .......................................................................................................... 109
Test de evaluare a cunoştinţelor .................................................................................................................. 109
Bibliografie .................................................................................................................................................. 110
UNITATEA DE ÎNVĂŢARE 8. AUTOCORELAREA ERORILOR ................................................... 111

Autocorelarea erorilor ................................................................................................................................. 111
Consecinţe ale autocorelării erorilor ............................................................................................................ 112
Testarea autocorelării erorilor ..................................................................................................................... 112
Testul Durbin – Watson ................................................................................................................................. 112
Testul Lagrange .............................................................................................................................................. 113
Atenuarea fenomenului de autocorelare a erorilor ..................................................................................... 113
Procedura Cochrane – Orcutt ........................................................................................................................ 113
Procedura Hildreth – Lu ................................................................................................................................. 113
Rezumat ...................................................................................................................................................... 113
Bibliografie .................................................................................................................................................. 115
UNITATEA DE ÎNVĂŢARE 9. TESTAREA FENOMENULUI DE AUTOCORELARE A ERORILOR .... 117

Aplicarea testului Durbin – Watson ............................................................................................................. 117
Aplicarea testului Lagrange .......................................................................................................................... 121
Rezumat ...................................................................................................................................................... 125
Temă de control........................................................................................................................................... 126
Bibliografie .................................................................................................................................................. 126
UNITATEA DE ÎNVĂŢARE 10. UTILIZAREA MODELELOR ECONOMETRICE ÎN PROGNOZĂ ..... 127

Prognoza în cazul modelului unifactorial de regresie lineară ....................................................................... 127
7
Prognoza în cazul modelului multifactorial de regresie lineară .................................................................... 128
Exemple ....................................................................................................................................................... 129
Rezumat ...................................................................................................................................................... 132
Bibliografie .................................................................................................................................................. 134
BIBLIOGRAFIE OBLIGATORIE .............................................................................................. 135
BIBLIOGRAFIE FACULTATIVĂ .............................................................................................. 135
ANEXE STATISTICE ............................................................................................................. 137

A. Valorile critice ale distribuţiei t – Student, testul bilateral ....................................................................... 137
B. Valorile critice ale distribuţiei t – Student, testul unilateral ..................................................................... 139
C. Valorile critice ale distribuţiei χ2 .............................................................................................................. 141
D. Statistica Durbin – Watson ...................................................................................................................... 143
8
ECONOMETRIE
Introducere
Obiectivele cursului
Manualul de Modelare economică. Econometrie oferă studenţilor un ansamblu de

cunoştinţe privind metodele de calcul şi analiză cantitativă folosite în sistematizarea,
prelucrarea, prezentarea şi interpretarea datelor care caracterizează fenomenele şi
procesele economice şi sociale. De asemenea, asigură însuşirea de către studenţi a unui
ansamblu de cunoştinţe privind metodele folosite în obţinerea, sistematizarea,
prelucrarea, prezentarea şi analiza econometrică a datelor ce caracterizează fenomenele
şi procesele economice şi a informaţiilor necesare din domeniul metodologiei de calcul
şi a funcţiilor de cunoaştere a indicatorilor cu care se operează în teoria şi analiza
microeconomică şi macroeconomică.
Competenţe conferite
După parcurgerea acestui curs, studentul va fi capabil să utilizeze metode de analiză,

testare şi prognoză pentru a răspunde la anumite probleme economice specifice.
Studentul va avea capacitatea de a realiza analiză econometrică la nivel
macroeconomic, va putea să utilizeze instrumente de analiză econometrică din corpul
metodologic general, precum și instrumentele specifice analizei econometrice în
domenii specializate ale economiei naționale.
Resurse şi mijloace de lucru
Se recomandă utilizarea calculatorului pentru rezolvarea temelor propuse. Studentul poate

utiliza, de asemenea, software specializat (E-Views, R).
9
Structura cursului
Manualul cuprinde 10 unităţi de învăţare (UI)

O unitate de învățare poate fi parcursă, în medie, în 2-3 ore.
Studentul va avea de rezolvat 3 teme de control, teme ce vor fi trimise prin
platforma electronică ELIS.
Cerinţe preliminare
Este recomandat ca studentul să fi parcurs următoarele discipline: Statistică economică,

Microeconomie, Modelare economică și Macroeconomie
Durata medie de studiu individual
O unitate de învățare poate fi parcursă, în medie, în 2-3 ore.
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
Durata medie de parcurgere a primei unităţi de învăţare este de 3 ore.
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.
În interpretarea lui Malinvaud "un model constă în reprezentarea formală a

ideilor şi cunoştinţelor relative la un anumit fenomen. Aceste idei, numite deseori teoria
fenomenului, se exprimă printr-un ansamblu de ipoteze asupra elementelor esenţiale ale
fenomenului şi a legilor care le guvernează. Acestea sunt în general traduse sub forma
unui sistem matematic numit model. Logica modelului ne permite să explorăm
consecinţele naturale ale ipotezelor reţinute, să le confruntăm cu rezultatele
experimentale şi să ajungem pe această cale la o cunoaştere mai bună a realităţii şi să
acţionăm mai eficace asupra sa." (Malinvaud E., 1964)2.
Există, în literatura de specialitate, mai multe tipologii ale modelelor economice.

Clasificarea unor elemente constă în plasarea acestora, în funcţie de caracteristicile
proprii, într-o anumită grupă (clasă). Aceste clase trebuie să respecte cel puţin două
condiţii esenţiale3:
a) să fie omogene, adică elementele care prezintă caracteristici similare trebuie să

aparţină aceleiaşi clase;
b) să fie relativ bine separate, adică elementele ne-similare trebuie să facă parte din
clase diferite.
Cu alte cuvinte, elementele dintr-o clasă trebuie să fie asemănătoare (similare)

între ele şi să distingă de elementele care aparţin altor clase.
În literatura de specialitate din România, una dintre cele mai interesante

clasificări este prezentată de Acad. Emilian Dobrescu4. În orice clasificare, esenţială este
noţiunea de criteriu. Aceasta deoarece un criteriu adecvat, aplicat asupra elementelor
unei mulţimi induce în mulţimea respectivă o relaţie de ordine. În lucrarea menţionată,
Acad. Emilian Dobrescu reţine următoarele criterii de clasificare a modelelor
economice: natura elementelor componente, caracterul interdependenţelor dintre
variabile, nivelul de agregare a entităţilor, scopul elaborării modelelor economice,
comportamentul temporal. Rezultă clasificarea prezentată în tabel:
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
Criteriul de clasificare Categoriile de modele

1.a) logice
1. Natura elementelor componente 1.b) calitativ-analitice (teoretice),
1.c) numerice
2.1.a) lineare
2. Caracterul interdependenţelor 2.1.b) nelineare
dintre variabile 2.2.a) deterministe
2.2.b) probabiliste
3.a) cu dezagregare maximă
3.b) cu agregare intermediară
3. Nivelul de agregare a entităţilor
3.c) cu agregare naţională maximă
3.d) cu agregare internaţională
4.a) descriptiv-explicative
4. Scopul modelării 4.b) explorative
4.c) normative
5.a) strict statice
5. Comportamentul temporal 5.b) cvasistaţionare
5.c) dinamice
Sursa: Dobrescu E., 2002, Tranziţia în România: abordări econometrice,
Editura Economică, Bucureşti, Capitolul I: Repere metodologice, pag. 24,
Schema 1.I.2: Tipologia modelelor economice.
Definiţiile pentru conceptele propuse în tabel pornesc, în general de la următoarele

elemente.
1. Natura elementelor componente
1.a – Modelele logice. Un exemplu de acest gen este reprezentat de modelul

concurenţei pure şi perfecte.
1.b –Modelele calitativ-analitice (teoretice). Exemplu: funcţia monetaristă a cererii

de bani
Md = f(Y, P, rB, rE, rD)
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. Caracterul interdependenţelor dintre variabile
2.1. a – Modelele lineare: legătura dintre variabilele analizate este lineară.

Linearitatea se referă la forma legăturii dintre variabile, nu la modul de exprimare
a variabilelor respective
2.1. b – Modelele nelineare în care legătura dintre variabilele analizate are forme mai
complicate, nelineare.
2.2.a – Modelele deterministe.
2.2.b – Modelele probabiliste. Astfel de modele sunt utilizate, de exemplu, pentru

studiul pieţelor financiare.
3. Nivelul de agregare a entităţilor
3.a – Modelele cu dezagregare maximă. De exemplu, toţi agenţii economici sunt

analizaţi, prin funcţii de comportament, ecuaţii de echilibru, de stare şi/sau de
dinamică specifice.
3.b –Modelele cu agregare intermediară. Economia poate fi structurată, de exemplu,

instituţional (pornind de la sectoarele instituţionale din Sistemul Contabilităţii
Naţionale), pe ramuri (aşa ca în tabelele input-output), sau regional.
3.c – Modelele cu agregare naţională maximă. Un exemplu de astfel de model este

reprezentat de funcţia de consum keynesiană: Ct = C0 + cYd,t, unde:
Ct – consumul agregat la momentul t;
Yd – venitul disponibil al gospodăriilor la momentul t;
14
C0 – partea stabilă a consumului, relativ autonomă în raport cu venitul (ex.
autoconsumul);
c – înclinaţia marginală spre consum, 0 < c < 1.
3.d –Modelele cu agregare internaţională analizează diferite zone geografice (de

exemplu, zona Mării Negre, zona Balcanilor), grupări de ţări (ex. ţări dezvoltate,
ţări în dezvoltare,), uniuni interstatale (ex. Uniunea Europeană), grupări
sectoriale (ex. ţări exportatoare de petrol – OPEC) sau abordează economia
mondială în ansamblu.
4. Scopul modelării
4.a – Modele descriptiv-explicative. Modelul explicativ ajută la înţelegerea legăturilor

esenţiale dintre fenomenele studiate5. Un exemplu în acest sens este modelul
input-output.
4.b –Modelele explorative sau de simulare facilitează studierea reacţiilor economiei

faţă de modificarea unei variabile.
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.b – Modelele cvasistaţionare.
5.c – Modelele dinamice ilustrează evoluţia în timp a diferitelor procese economice.
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
Modelarea matematică reprezintă cea mai utilizată aplicaţie în domeniul

elaborării modelelor economice. Procesul de construcţie a unui model economico-
matematic presupune parcurgerea mai multor etape
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.
În a doua etapă, se caută o teorie matematică în care poate fi descrisă o structură

a sistemului.
În etapa a treia, se realizează rezolvarea modelului.
În a patra etapă, aceste noi proprietăţi (informaţii) sunt transferate asupra

obiectului original
Pornind de la elementele prezentate, etapele procesului de modelare sunt

prezentate în sinteză, în tabelul următor7..
Tabel: Etapele procesului de modelare
(1) analiza realităţii cu ajutorul instrumentelor oferite de teoria economică şi

identificarea unor caracteristici semnificative;
(2) construirea modelului matematic, prin interpretarea (traducerea) propoziţiilor din

teoria economică în limbajul specific teoriei matematice;
(3) rezolvarea modelului;
(4) traducerea concluziilor obţinute din limbajul specific teoriei matematice în teoria
economică (interpretarea economică a rezultatelor modelului).
Modelul econometric
Denumirea de econometrie provine din combinarea cuvintelor greceşti

oikonomia – economia (de la oicos – casă, gospodărie şi nomos – lege) şi metron –
16
măsură. Deci, etimologic, econometria presupune aplicarea unor tehnici de măsurare în
economie.
În sens restrâns, econometria este definită ca o aplicaţie a statisticii matematice

în economie.
În sens larg, econometria este înţeleasă ca o ştiinţă de graniţă între economie,

matematică şi statistică. (Thomas R.L., 19978 şi Ramanathan R., 19929).
Pornind de la relaţiile definite de teoria economică, econometria clasică se

concentrează asupra următoarelor tipuri de analiză10:
(a) testarea şi validarea teoriei economice;
(b) estimarea relaţiilor dintre variabilele economice;
(c) prognoza evoluţiilor şi a comportamentelor economice.
Pornind de la schema generală privind procesul de modelare şi de la elementele

prezentate, poate fi construită o schiţă a procesului de modelare econometrică.
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.
Un asemenea proces este descris în figura următoare:
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
Reformularea Testarea Interpretarea

NU DA rezultatelor
modelului ipotezelor:
Ipotezele se
Decizii de politică Prognoze

economică
Figura: Etapele unui studiu econometric11
Elementele unui model econometric
Elementele unui model economico-matematic sunt variabilele, ecuaţiile şi

parametrii modelului. De asemenea, rezolvarea modelului presupune existenţa unor serii
de date, care să prezinte starea şi/sau evoluţia (distribuţia) variabilelor din model.
Variabilele modelului
Într-un model econometric pot fi distinse trei tipuri de variabile: variabile

endogene, variabile exogene şi variabile de abatere (eroare).
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
Parametrii modelului pot fi definiţi ca fiind caracteristicile cantitative ale

sistemului studiat.
Ecuaţiile modelului
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).
Ecuaţiile de comportament sunt construite pe baza unei teorii economice şi

descriu, în formă funcţională, comportamentul unui agent economic.
Ecuaţiile sau relaţiile de definiţie sunt utilizate pentru precizarea unor noţiuni
sau determinarea unor variabile. În ecuaţiile de definiţie nu intervin parametri
necunoscuţi.
Ecuaţiile de echilibru sunt utilizate pentru asigurarea coerenţei modelului.
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.).
Seriile de distribuţie (repartiţie), numite şi serii în tăietură transversală sau serii

de date instantanee reflectă starea, structura şi relaţiile care există între diferitele
componente ale unui sistem economic, la un moment dat. De exemplu, aceste serii
reflectă distribuţia în spaţiu a diferitelor caracteristici ale unui fenomen – şomajul
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).
Datele de tip panel combină seriile de timp şi datele în structură transversală.

Principalul avantaj al analizei de tip panel constă în aceea că permite o mai mare
flexibilitate în modelarea diferenţelor înregistrate în comportamentele individuale.
Să ne reamintim...
Etapele procesului de modelare
(1) analiza realităţii cu ajutorul instrumentelor oferite de teoria economică şi

identificarea unor caracteristici semnificative;
(2) construirea modelului matematic, prin interpretarea (traducerea)
propoziţiilor din teoria economică în limbajul specific teoriei matematice;
(3) rezolvarea modelului;
(4) traducerea concluziilor obţinute din limbajul specific teoriei matematice
în teoria economică (interpretarea economică a rezultatelor modelului)..
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.
Test de autoevaluare a cunoştinţelor

1. În ce constă în interpretarea lui Malinvaud termenul de model?
2. În ce constă tipologia modelelor economice?
3. Prezentaţi etapele procesului de construcţie al unui model economico-
matematic.
Răspunsuri:
1. În interpretarea lui Malinvaud "un model constă în reprezentarea formală a

ideilor şi cunoştinţelor relative la un anumit fenomen. Aceste idei, numite deseori
teoria fenomenului, se exprimă printr-un ansamblu de ipoteze asupra elementelor
esenţiale ale fenomenului şi a legilor care le guvernează. Acestea sunt în general
traduse sub forma unui sistem matematic numit model. Logica modelului ne
permite să explorăm consecinţele naturale ale ipotezelor reţinute, să le
confruntăm cu rezultatele experimentale şi să ajungem pe această cale la o
cunoaştere mai bună a realităţii şi să acţionăm mai eficace asupra sa."
2. Vezi tablelul anterior.
3. Procesul de construcţie a unui model economico-matematic presupune

parcurgerea mai multor etape.
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.
În etapa a treia, se realizează rezolvarea modelului.
În a patra etapă, aceste noi proprietăţi (informaţii) sunt transferate asupra

obiectului original
Test de evaluare a cunoştinţelor

1. Ce este econometria?
2. Ce tipuri de variabile intâlnim într-un model econometric?
3. Care sunt tipurile de ecuaţii ce se regăsesc într-un model?
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 de programare lineară.
• Formularea economică a problemei
• Modelul matematic
• Exemplu de calcul: Optimizarea utilizării resurselor
Introducere
• Ce este algoritmul de programare linear[?
• Cum se utilizează algoritmul?
• Care sunt paşii algoritmului?

Însuşirea algoritmului
Situaţii în care este folosit algoritmul de programare lineară
Formularea economică a problemei
Exemplu: Optimizarea utilizării suprafeţei
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.
Se cunoaşte, de asemenea, că fiecare hectar cultivat cu un anumit produs aduce un

anumit profit.
Grâu Porumb Cartofi Floarea soarelui Disponibil

Resursa 1 5 2 5 7 400
Resursa 2 0 3 4 3 300
Resursa 3 3 6 4 5 500
Resursa 4 8 10 12 10 1000
Din experienţa anterioară, precum şi pornind de la elementele economice şi tehnologice
cunoscute, se estimează că profiturile unitare, pentru culturile respective sunt:
Produsul Profitul la ha (u.m.)

Grâu 5
Porumb 7
Cartofi 9
Floarea soarelui 8
Notăm x1 - suprafaţa cultivată cu grâu, x2 - suprafaţa cultivată cu porumb, x3 - suprafaţa

cultivată cu cartofi, x4 - suprafaţa cultivată cu floarea soarelui. În aceste condiţii,
restricţiile privind încadrarea în disponibilul de resurse (inclusiv folosirea suprafeţei de
teren), condiţiile de nenegativitate şi criteriul de optim se scriu astfel:
 x1 + x2 + x3 + x4  100
5 x + 2 x + 5 x + 7 x  400
 1 2 3 4
3x2 + 4 x3 + 3x4  300


3x1 + 6 x2 + 4 x3 + 5 x4  500
8 x + 10 x + 12 x + 10 x  1000
 1 2 3 4
 xi  0, i = 1,  ,4
(
 max ) Z = 5 x1 + 7 x2 + 9 x3 + 8 x4
Pentru obţinerea formei standard a problemei de programare liniară, se notează s1,...,s5

variabilele de abatere introduse pentru a transforma în egalităţi relaţiile din model:
25
x1 + x2 + x3 + x4 + s1 = 100
5x1 + 2x2 + 5x3 + x4 + s2 = 400
+ 4x2 + 4x3 + 4x4 + s3 = 300
3x1 + 6x2 + 4x3 + 5x4 + s4 = 500
8x1 + 10x2 + 12x3 + 10x4 + s5 = 1000
xi  0, i = 1,...,4; si  0, i = 1,..., 6
Z = 5x1 + 7x2 + 9x3 + 8x4 → Max
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
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
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
0 s1 10.526 0 0 0 0.263 1 0.053 0.158 0 -0.158

5 x1 10.526 1 0 0 0.263 0 0.053 -0.342 0 0.092
9 x3 63.158 0 0 1 1.579 0 0.316 0.447 0 -0.197
0 s4 121.053 0 0 0 4.526 0 1.105 0.816 1 -1.066
7 x2 15.789 0 1 0 -1.105 0 -0.421 -0.263 0 0.263
zj 731.579 5 7 9 7.789 0 0.158 0.474 0 0.526

cj- zj 0 0 0 0.211 0 -0.158 -0.474 0 -0.526
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
Rezultatele respective sunt prezentate în tabelele următoare.
Restricţia Deficit (-) / Preţurile umbră

Excedent (+) (Shadow Price)
suprafaţa disponibilă 3.488 0.000
R1 0.000 0.209
R2 0.000 0.512
R3 0.000 0.047
R4 0.000 0.477
Intervalul de variaţie a coeficienţilor din funcţia obiectiv:
Limita Valoarea Limita Creşterea Scăderea

Variabila
inferioară curentă superioară permisă permisă
x1 1.906 5 5.800 0.800 3.094
x2 6.810 7 8.385 1.385 0.190
x3 6.267 9 9.133 0.133 2.733
x4 7.789 8 10.025 2.025 0.211
29
Intervalul de variaţie pentru termenul liber - Right Hand Side Ranges (disponibilul de
resurse)
Variabila Limita Valoarea Limita Creşterea Scăderea

(resursa) inferioară curentă superioară permisă permisă
suprafaţa 96.512 100 Fără limită Fără limită 3.488
R1 290.476 400 700.000 300.000 109.524
R2 268.421 300 308.955 8.955 31.579
R3 378.947 500 560.000 60.000 121.053
R4 977.358 1000 1036.364 36.364 121.053
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
0 s1 4.372 0 0 0 0 1 -0.012 0.110 -0.058 -0.096
5 x1 0.372 1 0 0 0 0 -0.012 -0.390 -0.058 0.154
9 x3 22.233 0 0 1 0 0 -0.070 0.163 -0.349 0.174
8 x4 28.186 0 0 0 1 0 0.244 0.180 0.221 -0.235
7 x2 44.837 0 1 0 0 0 -0.151 -0.064 0.244 0.003
zj 741.302 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
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.
Variab Valoare Valoare post-

ila iniţială optimizare
x1 3.488 0.372
x2 45.349 44.837
x3 20.930 22.233
x4 26.744 28.186
Analiza problemei poate continua, de exemplu prin impunerea restricţiei ca suprafaţa

disponibilă să fie utilizată integral. În aceste condiţii, soluţia optimă, obţinută în mod
asemănător, în 5 iteraţii este:
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
5 x1 15.789 1 0 0 0 -0.053 0 -0.263 -0.184 3.526
9 x3 15.789 0 0 1 0 -0.053 0 -0.263 0.316 -1.474
8 x4 21.053 0 0 0 1 0.263 0 0.316 -0.079 -1.632
7 x2 47.368 0 1 0 0 -0.158 0 0.211 -0.053 0.579
0 s3 31.579 0 0 0 0 -0.105 1 -0.526 -0.868 9.053
zj 721.053 5 7 9 8 0.263 0 0.316 0.921 -4.625
cj- zj 0 0 0 0 -0.263 0 -0.316 -0.921 -M
Obs. A1 este vectorul ataşat unei variabile auxiliare, variabilă care penalizează funcţia
obiectiv cu o valoare mare M.
Soluţia optimă: Z = 721.053,
Variabila Valoare
x1 15.789
x2 47.368
x3 15.789
x4 21.053
Restricţia Deficit (-) / Preţurile umbră
Excedent (+) (Shadow Price)
R1 0.000 0.263
R2 31.579 0.000
32
R3 0.000 0.316
R4 0.000 0.921
Intervalul de variaţie a coeficienţilor din funcţia obiectiv:
Limita Valoarea Limita Creşterea Scăderea

Variabila
inferioară curentă superioară permisă permisă
x1 Fără limită 5 6.200 1.200 Fără limită
x2 5.500 7 8.667 1.667 1.500
x3 6.083 9 10.200 1.200 2.917
x4 7.000 8 19.667 11.667 1.000
33
Intervalul de variaţie pentru termenul liber - Right Hand Side Ranges (disponibilul de
resurse)
Variabila Limita Valoarea Limita Creşterea Scăderea
(resursa) inferioară curentă superioară permisă permisă
suprafaţa 96.512 100 110.714 10.714 3.488
R1 320.000 400 700.000 300.000 80.000
Fără Fără
R2 268.421 300 31.579
limită limită
R3 433.333 500 560.000 60.000 66.667
R4 950.000 1000 1036.364 36.364 50.000
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:
Variabila Valoarea Valoarea

iniţială post-optimizare
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
iar valoarea optimă a funcţiei obiectiv: Z = 706.667
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
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

1. Ce reprezintă tehnica denumită pivotare?
2. Când se opreşte algoritmul?
Bibliografie
1. Jula N., Jula D., 2015. Modelare economică: modele econometrice și de
optimizare – Editura Mustang; București, 330/J88
330ID/J-88
București 330/J88
2019, P36
Resurse online
36
37
Unitatea de învăţare 3. Modele de optimizare
Cuprins
• Modele de gestiune a stocurilor

o Stocurile de materii prime
o Optimizarea gestiunii stocurilor
o Exemplu de calcul
• Problema de transport
o Formularea problemei de transport
o Rezolvarea problemei de transport
o Exemplu de calcul
• Teoria firelor de așteptare
o Formularea problemei
o Modelul matematic
o Exemplu de calcul
Introducere
• 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?

Noţiunea de optimizare
Modele de gestiune a stocului
Problema de transport
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.
Optimizarea gestiunii stocurilor

Se demonstrează că, dacă aprovizionarea se face la intervale fixe, în condiţiile
unei cereri constante în timp şi nu se admite posibilitatea rupturii de stoc, atunci
cheltuielile totale (de lansare a comenzii plus cele legate direct de procesul de stocare)
sunt minime dacă:
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
Pentru exemplificarea modului de calcul, să presupunem că la un nivelul unei firme, care

are ca obiect de activitate realizarea unor produse industriale, cererea anuală (T = 360)
pentru tablă de oţel este de V = 5000 tone. În tot timpul anului cererea este continuă şi
constantă pe perioade egale. Prin analize statistice privind perioadele anterioare, s-a
calculat costul de stocaj pentru o unitate (o tonă), pe zi cs = 1000 unităţi monetare.
Cheltuielile de lansare a comenzii (cheltuieli administrative, plata achizitorului, delegaţi
pentru recepţie, transport etc.) sunt cl = 5 mil. unităţi monetare/lot şi sunt independente
de volumul lotului.
În aceste condiţii, cantitatea optimă de aprovizionat (lotul optim) este:
2  5000  5000000
vopt =  372.7 (tone)
360  1000
Perioada optimă între două aprovizionări succesive este:
2  360  5000000
t opt =  27 (zile)
5000  1000
Costul total minim al gestiunii este:
Copt = 2  5000  360  1000  5000000  134.2 (mil.u.m.)

Dacă se admite posibilitatea ruperii stocului, introducând un cost de penalizare
de 2500 u.m. pe unitate, pe zi, factorul de indisponibilitate va fi:
2500
= = 0.71
1000 + 2500
şi atunci:
41
– lotul optim pentru evitarea ruperii stocului:
1
vopt = 372.7   441 (tone)
0.71
– stocul optim:
sopt = 4410.71 = 313 (tone)
– perioada între două aprovizionări succesive:
1
t opt = 27   32 (zile)
0.71
– costul total minim al gestiunii stocului:
Copt = 134.2  0.71  113 (mil.u.m.)

Se observă că, în cazul unui cost de penalizare relativ mic, se poate admite
ruptura stocului în vederea obţinerii unui cost total mai mic (în problema analizată, cu
aproximativ 20 mil.u.m.).
Problema de transport
Rezolvarea problemei de transport

Algoritmul pentru rezolvarea problemei de transport se bazează pe teorema
ecarturilor complementare.
1. Algoritmul pentru obţinerea soluţiei optime a problemei de transport presupune
ca prim pas determinarea unei soluţii iniţiale de bază. Metoda generală de
obţinere a unei soluţii iniţiale de bază porneşte de la determinarea valorii
xij = min (ai , b j ) . Pornind de la această metodă generală, sunt cunoscute mai
multe variante de generare a soluţiei de bază.
a) Metoda colţului de Nord-Vest..
b) Metoda costului minim din tabel. Se cunosc două sub-variante ale variantei
b:
b-1) Metoda elementului minim pe linie;
b-2) Metoda elementului minim pe coloană.
c) Metoda diferenţelor maxime (Vögel)
După aplicarea uneia dintre metodele descrise pentru (1) determinarea unui
program iniţial al problemei de transport, algoritmul simplificat pentru obţinerea soluţiei
optime a problemei presupune parcurgerea în continuare a mai multor paşi. (vezi
Bibliografie şi exemplul următor)
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
Necesar 1500 2000 500 1200 800
Soluţia iniţială, obţinută prin metoda costului minim din tabel este:
A1 1300 1200 2500
A2 700 800 1500
A3 800 700 500 2000
Necesar 1500 2000 500 1200 800
Pentru această soluţie a problemei de transport, valoarea funcţiei obiectiv este:

Z = 13008 + 12006 + 7005 + 8004 + 80012 + 70010 + 5008 = 44900
Testarea optimalităţii acestei soluţii de bază se realizează potrivit algoritmului
prezentat. Calculăm, în primul rând, valorile ui şi vj din condiţiile ui + vj = cij, (i, j)  I,
adică, pentru fiecare cuplu (i, j) corespunzător soluţiei de bază.
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
Rezolvarea sistemului se realizează prin impunerea condiţiei u3 = 0. Valorile

obţinute pentru ui, vj, precum şi diferenţele u i + v j − cij sunt prezentate în tabelul următor.
Celulele care conţin zero corespund soluţiei de bază.
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.
A1 1300 1200 2500
A2 700(+) 800(-) 1500
A3 700 500
2000
800(-) (+) *
Necesar 1500 2000 500 1200 800
Noua soluţie de bază este prezentată în tabloul următor:
A1 1300 1200 2500
A2 1500 0 1500
A3 700 500 800 2000
Necesar 1500 2000 500 1200 800
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
Sistemul obţinut este:

u1 + v2 = 8 u1 + v4 = 6
u + v = 5 u + v = 4
 2 1 2 5

u3 + v2 = 10 u3 + v3 = 8
u3 + v5 = 8
Rezolvarea sistemului se realizează prin impunerea condiţiei u3 = 0. Valorile

obţinute pentru ui, vj, precum şi diferenţele ui + v j − cij sunt prezentate în tabelul următor.
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:
Sursa Destinaţia Cantitatea transportată
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 = 13008 + 12006 + 15005 + 70010 + 5008 + 8008 = 42500.
Teoria firelor de aşteptare
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
Pentru exemplificarea modului de calcul al elementelor prezentate, să considerăm că la

un magazin de pâine sosesc 25 de cumpărători la fiecare 10 minute, iar timpul necesar
servirii unui cumpărător este, în medie, de 20 de secunde. În acest caz, luând ca unitate
de timp minutul, se calculează:
λ = 2.5 solicitanţi pe minut;
µ = 3 cumpărători serviţi pe minut;
- numărul mediu de persoane în şir:
nj = 4.17 persoane;
- numărul mediu de persoane în şir sau în curs de servire:
ns = 5 persoane;
- timpul mediu de aşteptare al unei persoane în şirul de aşteptare:
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...
Există modele ale teoriei firelor de aşteptare construite şi în alte ipoteze,

privind natura repartiţiei sosirilor şi a timpilor de servire, disciplina de
49
servire, populaţia din care sosesc solicitanţii, capacitatea staţiilor de
servire etc.
Din aceste aspecte prezentate, pentru problema abordată - reducerea timpului

necesar realizării unui serviciu - se impune precizarea că servirea unui număr cât mai
mare de solicitanţi în unitatea de timp (în terminologia utilizată în teoria aşteptării,
reducerea factorului de serviciu) şi deci reducerea timpului de aşteptare se poate realiza
prin creşterea numărului unităţilor de servire, iar în cadrul acestora a numărului
posturilor de servire (vânzători) pentru produsele la care ritmul sosirii solicitanţilor este
ridicat. Fie, de exemplu, un produs a cărui vânzare necesită 10 minute (alegerea
produsului, proba de funcţionare, completarea certificatului de garanţie etc.). Dacă într-
o oră sosesc 5 solicitanţi ai produsului respectiv, timpul mediu de aşteptare al unui
solicitant, în vederea servirii este, potrivit relaţiei prezentate mai sus (cazul s = 1):
5
 6
tf = =
(1 -  )  5
6 1 - 
 6
tf = 0.83 ore = 50 min.
Timpul de aşteptare în sistem este:
ts = tf + 10 minute = 60 minute.
Dacă pentru produsul respectiv există două staţii de servire, aproximativ identice,
deci pentru acelaşi şir de aşteptare doi vânzători, atunci timpul mediu de aşteptare al
unui solicitant în vederea servirii este:
2
  
2
  5
 
 2 
 =   2
1 12
tf =

    6 1 - (5/12 )
1 -  
2

 2 
adică,
tf = 0.035 ore = 2.1 min.
iar timpul de aşteptare în sistem:
ts = 12.1 minute.
Din punctul de vedere al cumpărătorului, aceasta înseamnă, în medie, o
economie de 47.9 minute. Dacă în aceeaşi zonă există două magazine care desfac
produsul respectiv, iar cumpărătorii se împart între acestea, astfel încât la o unitate să
sosească în medie 2.5 solicitanţi pe oră, timpul mediu de aşteptare al unei persoane în
vederea servirii este:
tf = 7.2 minute,
iar timpul de aşteptare în sistem:
ts = 17.2 minute,
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.

1. Ce reprezintă procesul de stocare?
2. Ce reprezintă stocul curent?
3. Care sunt cele 3 categorii de costuri implicate în procesul de stocare?
4. Când este echilibrată problema de transport?
Răspunsuri:
1. Procesul de stocare reprezintă acumularea unor bunuri în vederea satisfacerii

unei cereri viitoare.
2. Stocul curent reprezintă cantitatea de materiale care trebuie să asigure
continuitatea producţiei în intervalul dintre două aprovizionări.
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.

1. Care este teorema pe care se bazează rezolvarea problemei de transport?
2. Ce teorie stă la baza firelor de aşteptare?
Temă de control
Construiți și rezolvați o problemă de transport echilibrată, cu 6 clienți și 4
depozite, suma de echilibru fiind 10000.
Bibliografie
330ID/J-88
52
București 330/J88
2019, P36
Resurse online
53
Unitatea de învăţare 4. Modele Econometrice – Modelul Linear
de Regresie
Cuprins
Modelul linear unifactorial

1. Ecuaţia de regresie
2. Metoda celor mai mici pătrate
3. Ipotezele modelului linear unifactorial
4. Proprietăţi ale estimatorilor
Modelul linear multifactorial
1. Estimarea parametrilor din modelul linear multifactorial – metoda celor mai mici pătrate
2. Ipotezele modelului
3. Proprietăţi ale estimatorilor calculaţi prin metoda celor mai mici pătrate
Exemple de calcul
1. Modelul linear unifactorial
2. Modelul linear multifactorial
Introducere
• Ce este modelul linear unifactorial de regresie?
• Ce este modelul linear multifactorial de regresie?
• Care sunt proprietăţile estimatorilor calculaţi prin aceste modele?

Însuşirea modelelor unifactorial şi multifactorial de regresie
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.

Să acceptăm, pentru început, ipoteza că masa monetară depinde linear de nivelul
preţurilor şi să notăm M(Y/X) valoarea anticipată a masei monetare atunci când nivelul
preţurilor atinge valoarea X. Adică, în ipoteza de linearitate menţionată, acceptăm că
M(Y / X) = a0 + a1X
unde a0 şi a1 sunt parametrii modelului.
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.
Metoda celor mai mici pătrate

Prin reprezentarea într-un sistem de axe (XOY) a punctelor de coordonate
(Xt, Yt) se obţine un nor de puncte (aşa ca în figura următoare).
55
Y
Ŷ = â0 + â1X
Yt
• • • •
ut
• • •
• • • • •
• • • • •
• • Ŷt = â0 + â 1X t
Xt X
Figura: Dreapta de regresie şi variabila reziduală

Să ne reamintim...
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.
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 + 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
(Vezi demonstraţia în referinţele bibliografice şi în exemplele de calcule)
Ipotezele modelului linear unifactorial

Estimarea parametrilor din ecuaţia de regresie se bazează pe o serie de ipoteze
referitoare la forma dependenţei dintre variabile, la variabila explicativă şi la variabila
de abatere.
Ipoteza I-1: linearitatea modelului.
Ipoteza I-2: variabila X are dispersia nenulă şi finită.
Ipoteza I-3: variabila X nu este aleatoare.
Ipoteza I-4: erorile sunt aleatorii, cu media zero.
Ipoteza I-5: dispersia erorii este constantă.
56
Ipoteza I-6: erorile nu sunt autocorelate.
Ipoteza I-7: erorile sunt normal distribuite.
Proprietăţi ale estimatorilor

Pornind de la ipotezele prezentate, pot fi demonstrate o serie de proprietăţi ale
estimatorilor calculaţi prin metoda celor mai mici pătrate pentru parametrii modelului
linear unifactorial15.
Proprietatea P-1: estimatorii sunt lineari.
Proprietatea P-2: estimatorii sunt nedeplasaţi.
Proprietatea P-2': estimatorii sunt consistenţi.
Proprietatea P-3: estimatorii sunt eficienţi.
Proprietatea P-4: estimatorii sunt normal distribuiţi.
Proprietatea P-5: estimatorii sunt de maximă verosimilitate.
În literatura de specialitate se foloseşte expresia BLUE (Best Linear Unbiased

Estimators) pentru estimatorii parametrilor din modelul de regresie lineară calculaţi prin
metoda celor mai mici pătrate, atunci când estimatorii respectivi îndeplinesc condiţiile
din teorema Gauss-Markov.
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.

În subcapitolul precedent a fost analizat un caz simplu, al dependenţei lineare
dintre două variabile X şi Y, sub forma Y = f(X, e). De cele mai multe ori însă,
intercondiţionările dintre procesele economice sunt mult mai complexe, astfel încât
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.
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.
Eroarea e reflectă, la fel ca în modelul linear unifactorial, influenţa elementelor
calitative necuantificabile, a celor care depind de comportamentul uman nepredictibil,
sau a altor factori cu influenţă minoră, alţii decât X1, X2, …, Xk.
Parametrul a0 modelează comportamentul autonom al variabilei endogene, iar
parametrii ai cuantifică intensitatea influenţei factorului Xi asupra variabilei Y.
Estimarea parametrilor din modelul linear multifactorial – metoda celor mai

mici pătrate
Presupunem că printr-o cercetare selectivă sunt obţinute n înregistrări. Fiecare
înregistrare conţine o singură valoare pentru variabila Y şi câte o valoare pentru fiecare
dintre variabilele explicative.
Scriem Xit valoarea variabilei i, în înregistrarea t, unde i = 1, k , iar t = 1, n .
Sistemul poate fi scris, concentrat, astfel:

Yt = a0 + a1X1t + a2X2t + ... + akXkt + et.
Introducem următoarele notaţii:
 Y1  1 X 11 X 21  X k1   a0   e1 
       
 Y2  1 X 12 X 22  X k 2   a1   e2 
Y =  Y3 , X = 1 X 13 X 23  X k 3  A =  a 2 , e =  e3 
       
          
Y  1 
X 2 n  X kn    e 
 n  X 1n  ak   n
unde:
– Y este un vector coloană, de dimensiuni n  1, care are drept componente cele n
înregistrări ale variabilei explicate (endogene),
– X este o matrice de dimensiuni n  (k+1), care conţine în prima coloană (ataşată
termenului liber) constanta 1, iar în celelalte k coloane înregistrările pentru fiecare
dintre cele k variabile explicative;
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 Â 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 Â şi u depind de eşantionul selectat şi de metoda de estimare aleasă.
Cea mai cunoscută procedură de calcul a estimatorilor pentru parametrii

modelului linear multifactorial este metoda celor mai mici pătrate. Se demonstrează că
valorile â0, â1, …, âk, care minimizează suma pătratelor reziduurilor se calculează astfel:
Â = (X'X)-1X'Y
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.
I–1M: Linearitatea modelului.
59
I–2M: Ipotezele referitoare la variabilele explicative
a. Variabilele explicative nu sunt aleatoare, au valorile fixate atunci când se

repetă selecţia
b. Fiecare variabilă exogenă are dispersia nenulă, dar finită
c. Numărul de observaţii este superior numărului de parametri
d. Nu există nici o relaţie lineară între două sau mai multe variabile
explicative (absenţa colinearităţii)
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
Proprietăţi ale estimatorilor calculaţi prin metoda celor mai mici pătrate
Dacă ipotezele modelului sunt respectate, atunci estimatorii calculaţi prin

metoda celor mai mici pătrate pentru modelul multifactorial de regresie lineară au
anumite proprietăţi.
Proprietatea P-1M: estimatorii sunt lineari.
Proprietatea P-2M: estimatorii sunt nedeplasaţi.
Proprietatea P-2'M: estimatorii sunt consistenţi.
Proprietatea P-3M: estimatorii sunt eficienţi.
Proprietatea P-4M: estimatorii sunt normal distribuiţi.
Proprietatea P-5M: estimatorii sunt de maximă verosimilitate.
60
Exemple
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
Modelul linear unifactorial se scrie:

Yt = a0 + a1Xt + et,
unde Yt este variabila endogenă (explicată) –volumul economiilor populaţiei, Xt este
variabila exogenă (explicativă) – veniturile populaţiei, et – variabila de abatere
(discrepanţa dintre valorile înregistrate şi cele anticipate pe baza modelului), a0 şi a1 sunt
parametrii modelului.
Tabel: Calculul estimatorilor în modelul linear unifactorial

t Xt Yt Xt² XtYt Ŷt ut=Yt–Ŷt
0 1 2 3 4 5 6
1 100 20 10000 2000 22.5441 -2.5441
2 110 25 12100 2750 25.4393 -0.4393
3 120 28 14400 3360 28.3345 -0.3345
4 125 30 15625 3750 29.7821 0.2179
5 130 33 16900 4290 31.2297 1.7703
6 140 35 19600 4900 34.1249 0.8751
7 150 36 22500 5400 37.0201 -1.0201
8 155 42 24025 6510 38.4677 3.5323
9 170 44 28900 7480 42.8105 1.1895
10 170 42 28900 7140 42.8105 -0.8105
11 180 45 32400 8100 45.7057 -0.7057
12 185 50 34225 9250 47.1533 2.8467
13 190 47 36100 8930 48.6009 -1.6009
14 200 48 40000 9600 51.4961 -3.4961
15 205 52 42025 10660 52.9437 -0.9437
16 210 58 44100 12180 54.3913 3.6087
17 215 54 46225 11610 55.8389 -1.8389
18 220 55 48400 12100 57.2865 -2.2865
19 220 58 48400 12760 57.2865 0.7135
20 225 60 50625 13500 58.7341 1.2659
∑ 3420 862 615450 156270 862.0000 0.0000
Cu aceste date, sistemul de ecuaţii normale se scrie astfel:

 862 = 20aˆ0 + 3420aˆ1

156270 = 3420aˆ0 + 615450aˆ1
Rezolvăm sistemul prin regula lui Cramer.
Atunci, valorile â0 şi â1 se calculează astfel:
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
Figura: Dreapta de regresie

Fie următoarele date înregistrate privind dinamica veniturilor populaţiei (X1t),
evoluţia ratei reale a dobânzii pasive (X2t) şi dinamica depozitelor bancare (Yt):
Dinamica Evoluţia ratei Dinamica

veniturilor reale a depozitelor
Nr.crt.
populaţiei dobânzii pasive bancare
(X1t) (X2t) (Yt)
1 0.5 4.1 0.3
2 1.0 4.2 0.8
3 1.2 4.0 0.3
4 -0.3 4.1 -0.5
5 2.1 3.8 0.8
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 Â se calculează după relaţia:
Â = (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
În aceste condiţii, elementele din formula precedentă sunt:

 25 26.70 99.60 
 
X ' X =  26.70 54.09 106.74 
 99.60 106.74 397.46 
 
de unde:
 24.378 0.046 − 6.121 
−1
 
( X ' X ) =  0.046 0.039 − 0.022 
 − 6.121 − 0.022 1.542 
 
De asemenea,
 11.3 
 
X 'Y =  31.75  .
 45.86 
 
Rezultă:
 − 3.78693 
 
Â =  0.75722 
 0.860999 
 
Valorile estimate pentru variabila endogenă se determină astfel:

Ŷt = -3.78693 + 0.75722∙X1t + 0.860999∙X2t.
Valorile calculate sunt prezentate în tabelul următor.
Tabel: Calculul estimatorilor în 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
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. Aceste reziduuri vor fi folosite în testarea modelului.
Rezumat
În modelul unifactoria, ecuaţia de regresie poate fi scrisă într o formă echivalentă astfel:
Y = a0 + a1X + e,
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)
Se demonstrează că valorile â0, â1, …, âk, care minimizează suma pătratelor reziduurilor
se calculează astfel:
Â = (X'X)-1X'Y
66
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:
1. Ecuaţia de regresie poate fi scrisă într-o formă echivalentă astfel:

Y = a0 + a1X + e,
înregistrată
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
3. I–1M: Linearitatea modelului.

I–2M: Ipotezele referitoare la variabilele explicative
a. Variabilele explicative nu sunt aleatoare, au valorile fixate atunci
când se repetă selecţia
b. Fiecare variabilă exogenă are dispersia nenulă, dar finită
c. Numărul de observaţii este superior numărului de parametri
d. Nu există nici o relaţie lineară între două sau mai multe variabile
explicative (absenţa colinearităţii)
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

1. În ce condiţii estimatorii obţinuţi prin metoda celor mai mici pătrate sunt
lineari, nedeplasaţi (consistenţi), eficienţi, normal distribuiţi şi de maximă
verosimilitate?
Bibliografie
330ID/J-88
București 330/J88
2019, P36
Resurse online
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
Introducere
• 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?

Testarea dispersiei estimatorilor
Testarea semnificaţiei estimatorilor
Exemple de calcul în cazul modelului unifactorial/multifactorial
Durata medie de parcurgere a primei unităţi de învăţare este de 2.5 ore.
70
Dispersia estimatorilor
Dispersia estimatorilor în modelul unifactorial de regresie lineară

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
t =1
2
t
s u2 =
n−2
Prin calcul direct se pot deduce dispersiile estimatorilor â0 şi â1 obţinuţi prin

metoda celor mai mici pătrate. Se pot calcula estimările nedeplasate pentru dispersiile
estimatorilor din modelul unifactorial de regresie lineară16:
1 X2 
sa2ˆ0 = su2  + 
 n  (X − X )2 
 t 
1
s a2ˆ1 = su2
 (X − X)
2
t
Valorile sa2ˆ0 şi sa2ˆ1 sunt estimatori nedeplasaţi ai mărimilor var(a0), respectiv

var(a1), în măsura în care su2 este un estimator nedeplasat al dispersiei de selecţie a
erorilor  e2 .
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.
Dispersia estimatorilor în modelul linear multifactorial

Un estimator nedeplasat al matricei V(Â) se calculează astfel:
S A2ˆ = su2 ( X ' X ) ,
−1
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
sa2î = su2 d ii , unde i = 0, k .
Abaterea standard de selecţie a estimatorului âi se calculează prin extragerea

rădăcinii pătrate din dispersia estimatorului respectiv.
Teste privind semnificaţia estimatorilor

Pentru prezentarea metodologiei de testare a semnificaţiei estimatorilor calculaţi
prin metoda celor mai mici pătrate, în cazul unui model linear unifactorial care respectă
ipotezele de la I-1 la I-7 sunt necesare câteva noţiuni elementare privind intervalele de
încredere şi testarea ipotezelor statistice. Aceste noţiuni sunt prezentate, sintetic, în
paragrafele următoare.
Testul de semnificaţie în cazul modelului unifactorial

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
aî
taˆ i =
saˆ i
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).
Algoritmul de testare a semnificaţiei estimatorilor este prezentat în exemplul de
calcul.
Să ne reamintim...
Observaţie: Dacă valoarea unui estimator este negativă, fie se testează

t aî  −t n−2, , fie statisticile t se calculează în modul şi se urmează
procedura prezentată.
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
Pornind de la ultima relaţie, se defineşte coeficientul de determinare R2 ca fiind partea

din variaţia lui Y care poate fi atribuită variaţiei lui X, pentru eşantionul analizat:
VTM VT − VTR VTR
R2 = = =1− =
VT VT VT
n
 u 2t 4- 1
t =1
=1−
 (Yt − Y )
n
2
t =1
Prin modul de definire, coeficientul de determinare este o mărime pozitivă şi

subunitară. Cu cât R2 este mai aproape de unu, cu atât modelul se apropie mai mult de
procesul economic modelat.
Interpretarea obişnuită a coeficientului de determinare este următoarea: din
variaţia totală a masei monetare (R2)∙100% ar putea fi atribuită variaţiei preţurilor. În
afirmaţia precedentă înlocuirea formulării ar putea fi atribuită cu formularea este
cauzată de poate duce la concluzii eronate, în special atunci când analiza econometrică
se referă la serii de timp.
Exemple
Pentru testarea semnificaţiei estimatorilor reluăm exemplul analizat în capitolul

II, referitor la legătura dintre veniturile populaţiei şi volumul economiilor.
Aplicarea relaţiilor pentru calculul dispersiilor, respectiv abaterilor standard,
presupune în plus faţă de elementele prezentate în tabelul respectiv, calculul blocurilor
∑ut2 şi  (X t − X ) . De aceea, reluăm tabelul anterior, completat cu două coloane, în
2
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
Relaţiile pentru calculul dispersiilor reziduurilor, respectiv estimatorilor â0 şi â1

duc la următoarele rezultate:
su2 = 4.1298
s â2 = 4.148988
0
s â2 = 0.000135
1
Prin extragerea radicalului se calculează valorile abaterilor standard ale

estimatorilor:
sa = 2.0369
0
sa = 0.0116
1
Pentru calculul statisticii testului de semnificaţie se aplică relaţiile

â0 −6.4079
t â = = = −3.146
0
sâ
0
2.0369
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:
Numărul gradelor de libertate α - testul unilateral
0.10 0.05 0.025 0.01 0.005 0.0005
18 1.330 1.734 2.101 2.552 2.878 3.922
Rezultă:
;0.005 = 2.878  t â = 3.146  t18;0.0005 = 3.922 ,

* *
t18 0
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 .
Aceasta înseamnă că ipoteza potrivit căreia estimatorul â1 este semnificativ

diferit de zero este acceptată cu un grad de încredere mai mare de 99.95%.
Rezultatele permit o primă evaluare a modelului unifactorial de regresie lineară:
sub rezerva verificării şi a celorlalte ipoteze (discutate în modulele anterioare), analiza
semnificaţiei estimatorilor sugerează existenţa unei legături semnificative între
veniturile populaţiei şi volumul economiilor.
Calculele precedente pot fi realizate prin utilizarea unor programe specializate.
Un astfel de program este Econometric Views. Rezolvarea problemei cu ajutorul acestui
program duce la obţinerea următoarelor rezultate:
Variabila dependentă: Y
Metoda de rezolvare: Metoda celor mai mici pătrate
Eşantionul: 1 20
Observaţii incluse: 20
Parametrii Estimatorii Ab.std. t-statistic alfa
a0 -6.407933 2.036906 -3.145915 0.0056
a1 0.289520 0.011612 24.93383 0.0000
R2 0.971862 Media var.endog. 43.10000
17
Vezi tabelul distribuţiei t-Student din anexele prezentate la sfârşitul manualului.
75
R2 – ajustat 0.970298 Ab.std. var.endog. 11.79161
Ab.std.a regresiei 2.032185 Akaike info criterion 4.350739
Suma pătrate rezid. 74.33595 Schwarz criterion 4.450313
Log likelihood -41.50739 F-statistic 621.6959
Durbin-Watson stat 1.939666 Prob(F-statistic) 0.000000
În Excel utilizăm formula regresiei din meniul Analiză Date:
Figura: Rezolvarea problemelor de regresie lineară unifactorială cu ajutorul programului

Excel din pachetul Microsoft Office: utilizarea opţiunii Regression
Pentru prezentarea modului de testare a semnificaţiei estimatorilor în cazul
modelului linear multifactorial reluăm exemplul analizat în capitolul anterior, referitor
la legătura dintre dinamica veniturilor populaţiei (X1t), evoluţia ratei reale a dobânzii
pasive (X2t) şi dinamica depozitelor bancare (Yt). Tabelul este completat cu o coloană
în care se calculează ∑ut2. Calculele sunt prezentate în tabelul următor.
Tabelul: Teste de semnificaţie – modelul linear multifactorial

t X1t X2t Yt Ŷt ut = Yt – Ŷt ut2
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
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
Dispersia su2 este dispersia variabilei reziduale:
su2 = 0.0589 .
Matricea (X'X)-1 este:

 24.378 0.046 − 6.121
−1
 
( X ' X ) =  0.046 0.039 − 0.022  .
 − 6.121 − 0.022 1.542 
 
Pornind de la diagonala principală a acestei matrice şi de la valoarea s u2 se
determină
sa2ˆ0 = 1.4359  s aˆ0 = 1.198
sa2ˆ1 = 0.0023  s aˆ1 = 0.048
sa2ˆ2 = 0.091  s aˆ 2 = 0.301

Pentru calculul statisticii testului de semnificaţie se aplică relaţiile:
t aˆ0 = −3.16
t aˆ1 = 15.72
77
t aˆ1 = 2.86
Din tabelele distribuţiei t-Student, pentru numărul gradelor de libertate

df = n – 2 – 1 = 22,
în cazul testului unilateral se identifică următoarele valori:
α – testul unilateral
Numărul gradelor de libertate
0.10 0.05 0.025 0.01 0.005 0.0005
22 1.321 1.717 2.074 2.508 2.819 3.792
Rezultă:
; 0.005 = 2.819  t aˆ 0  t 22; 0.0005 = 3.792

* *
t 22
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,
;0.005 = 2.819  t aˆ 2  t 22;0.0005 = 3.792

* *
t 22
ceea ce înseamnă că estimatorul â2 poate fi garantat statistic cu un grad de încredere mai
mare de 99.5%, dar mai mic de 99.95%.
La fel ca în cazul modelului unifactorial, prezentăm, pentru comparaţie,
rezultatele obţinute cu ajutorul programului EViews:
Eşantionul: 1 25
Parametrii Estimatorii Ab.std. t-Statistic alfa
C -3.786930 1.197995 -3.161057 0.0045
X1 0.757220 0.048174 15.71857 0.0000
78
X2 0.860999 0.301339 2.857241 0.0092
R2 0.923464 Media var.endog. 0.452000
R2 – ajustat 0.916506 Ab.std. var.endog. 0.839702
Ab.std.a regresiei 0.242635 Akaike info criterion 0.117647
Suma pătrate rezid. 1.295176 Schwarz criterion 0.263913
Log likelihood 1.529406 F-statistic 132.7229
Rezultatele permit o primă evaluare a modelului: sub rezerva verificării şi a

celorlalte ipoteze discutate în modulele anterioare, analiza semnificaţiei estimatorilor
sugerează existenţa unei relaţii semnificative între dinamica depozitelor bancare (Yt) şi
dinamica veniturilor populaţiei (X1t), respectiv evoluţia ratei reale a dobânzii pasive
(X2t).
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
În cazul modelului multifactorial, dacă erorile sunt independente (ipoteza I-3Mc) şi

nu sunt heteroscedastice (ipoteza I-3Mb), atunci un estimator nedeplasat al matricei
V(Â) se calculează astfel:
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 aî , astfel:
sa2î = 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 aî =
s aî
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).
Se defineşte coeficientul de determinare R2 ca fiind partea din variaţia lui Y care

poate fi atribuită variaţiei lui X, pentru eşantionul analizat.

1. Care este formula dispersiei erorilor în modelul unifactorial?
2. Cum se calculează dispersia estimatorului âi în modelul multifactorial?
Răspunsuri:
1. 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
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 .

1. Să se deducă dispersiile estimatorilor obținuți prin metoda celor mai mici
pătrate.
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
a) Calculați și interpretați estimatorii din modelul linear unifactorial de regresie:
Yt = a0 + a1Xt + et.
b) Calculați și interpretați coeficientul de deteminare (R2)
c) Testați semnificația parametrilor.
Bibliografie
330ID/J-88
București 330/J88
2019, P36
81
Resurse online
82
Unitatea de învăţare 6. Heteroscedasticitatea erorilor
Cuprins
Consecinţe ale heteroscedasticităţii

Testarea heteroscedasticităţii
1. Testul Goldfeld–Quandt
2. Testul Breusch-Pagan
3. Testul White
Atenuarea heteroscedasticităţii
Aplicaţii – testarea şi atenuarea heteroscadasticităţii
1. Testul Goldfeld–Quandt pentru modelul unifactorial
2. Testul Goldfeld–Quandt pentru modelul multifactorial
Introducere
• Ce este heteroscedasticitatea?
• Care sunt consecinţele ignorării acestui fenomen?
• Care sunt principalele teste pentru depistarea ei?

Heteroscedasticitatea - consecinţe, testare şi atenuare
Teste pentru depistarea heteroscetasticităţii
Exemple de atenuare a heteroscetasticităţii
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:
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.
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...
Atenuarea fenomenului de heteroscedasticitate a erorilor presupune

construirea unor proceduri prin care să fie calculaţi estimatori
nedeplasaţi, consistenţi şi eficienţi ai parametrilor modelului..
În primul rând, dacă modelul nu este bine specificat, în sensul că în specificarea

modelului a fost exclusă o variabilă explicativă semnificativă, atunci este posibil ca
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
Testul Goldfeld–Quandt pentru modelul unifactorial

Pentru exemplificarea procedurii de identificare a fenomenului de
heteroscedasticitate a erorilor prin testul Goldfeld–Quandt presupunem că sunt
înregistrate următoarele date referitoare la legătura dintre veniturile populaţiei şi
volumul economiilor, într-un eşantion de volum n = 20. Modelul linear unifactorial este
dat prin ecuaţia: Yt = a0 + a1Xt + et, t = 1, 2, ..., 25, unde Xt reprezintă veniturile populaţiei
la momentul t, iar Yt – volumul economiilor.
Datele înregistrate pentru 20 momente diferite de timp sunt în tabelul următor:
Tabel: Testul Goldfeld–Quandt, modelul unifactorial
Veniturile populaţiei Volumul economiilor
Nr.crt.
(X) (Y)
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
20 225 60
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. În al doilea rând, se divide volumul
eşantionului în două părţi egale, după eliminarea observaţiilor situate în mijlocul
eşantionului.
Deoarece numărul de observaţii din eşantion nu este mare (20 observaţii), nu s-au
eliminat observaţiile mediane, astfel încât prima parte a eşantionului cuprinde primele
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).
Tabel: Selectarea seriilor pentru aplicarea procedurii Goldfeld–Quandt,

modelul unifactorial
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
Potrivit algoritmului Goldfeld–Quandt, se aplică metoda celor mai mici pătrate

pentru calculul estimatorilor separat pentru cele două serii de date.
Astfel, pornind de la seria 1, se estimează parametrii modelului M–1:
M – 1: Yt = a0 + a1Xt + et, t = 1, 2, ..., 10
şi, separat, pornind de la seria 2 se estimează parametrii modelului M–2:
M – 1: Yt = a0 + a1Xt + et, t = 11, 12, ..., 20
Modelul M–1 este estimat prin metoda celor mai mici pătrate, pornind de la
eşantionul prezentat în tabelul anterior sub denumirea de "seria 1". Au fost obţinute
următoarele rezultate:
M – 1: Ŷt = -10.3869 + 0.3203∙Xt.
Rezolvarea în detaliu este prezentată în tabelul EViews următor:
87
Eşantionul: 1 10
C -10.38688 3.082584 -3.369538 0.0098
X 0.320342 0.022192 14.43516 0.0000
R2 0.963027 Media var.exog. 33.50000
R2 ajustat 0.958405 Ab.std.var.exog. 7.891627
Ab.std.regresie 1.609479 Akaike info criterion 3.966555
Suma pătratelor rezid. 20.72338 Schwarz criterion 4.027072
Seriile de date şi elementele utilizate în calculul testului sunt descrise, în detaliu

în tabelul următor.
Tabel: Testul Goldfeld–Quandt,
modelul unifactorial M–1
t Xt Yt Ŷt ut u 2t
1 100 20 21.6473 -1.6473 2.7137

2 110 25 24.8508 0.1492 0.0223
3 120 28 28.0542 -0.0542 0.0029
4 125 30 29.6559 0.3441 0.1184
5 130 33 31.2576 1.7424 3.0359
6 140 35 34.4610 0.5390 0.2905
7 150 36 37.6644 -1.6644 2.7704
8 155 42 39.2662 2.7338 7.4739
9 170 44 44.0713 -0.0713 0.0051
10 170 42 44.0713 -2.0713 4.2903
Suma 1370 335 335.0000 0.0000 20.7234
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:
Metoda de rezolvare: Metoda celor mai mici pătrate (vezi modulele anterioare)
88
Eşantionul: 11 20
Parametrii Estimatorii Ab.std t-Statistic alfa
C -6.977778 10.55038 -0.661377 0.5270
X 0.291111 0.051328 5.671580 0.0005
R2 0.800831 Media var.exog. 52.70000

Tabel: Testul Goldfeld–Quandt,
modelul unifactorial M–2
t Xt Yt Ŷt ut u t2
11 180 45 45.4222 -0.4222 0.1783
12 185 50 46.8778 3.1222 9.7483
13 190 47 48.3333 -1.3333 1.7778
14 200 48 51.2444 -3.2444 10.5264
15 205 52 52.7000 -0.7000 0.4900
16 210 58 54.1556 3.8444 14.7798
17 215 54 55.6111 -1.6111 2.5957
18 220 55 57.0667 -2.0667 4.2711
19 220 58 57.0667 0.9333 0.8711
20 225 60 58.5222 1.4778 2.1838
Suma 2050 527 527.0000 0.0000 47.4222
Pornind de la rezultatele obţinute, se calculează:

20
VTR2 u 2
t
47.4222
Fc = = t =11
10
= = 2.29
u
VTR1 2 20.7234
t
t =1
Din tabelul distribuţiei F, pentru un prag de încredere α = 0.05, se determină

F10-2,10-2(0.05) = F8,8(0.05) = 3.44
89
Rezultă
Fc = 2.29 < 3.44 = F8,8(0.05)
deci, erorile et din modelul iniţial nu sunt heteroscedastice.
Testul Goldfeld–Quandt pentru modelul multifactorial

Pentru aplicarea testului Goldfeld–Quandt în cazul modelului multifactorial de
regresie lineară sunt utilizate datele referitoare la legătura dintre dinamica veniturilor
populaţiei (X1t), evoluţia ratei reale a dobânzii pasive (X2t) şi dinamica depozitelor
bancare (Yt). Aceste date sunt prezentate în tabelul următor.
Tabel: Testul Goldfeld–Quandt, modelul multifactorial

Evoluţia ratei
Dinamica Dinamica
reale a
veniturilor depozitelor
Nr.crt. dobânzii
populaţiei bancare
pasive
(X1t) (Yt)
(X2t)
1 0.5 4.1 0.3
2 1.0 4.2 0.8
3 1.2 4.0 0.3
4 -0.3 4.1 -0.5
5 2.1 3.8 0.8
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
Modelul linear bi-factorial se scrie:
90
Yt = a0 + a1X1t + a2X2t + et.
Vectorul estimatorilor Â se calculează după relaţia: Â = (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.
Nr.crt. X1t X2t Yt

1 -1.4 3.9 -1.4
2 -0.6 3.8 -1.0
3 -0.5 4.1 -0.9
4 -0.3 4.1 -0.5
5 0.0 3.8 -0.7
6 0.2 4.1 -0.2
7 0.5 4.1 0.3
8 0.8 3.9 0.0
9 0.8 3.9 0.6
10 1.0 4.2 0.8
11 1.0 3.9 0.7
12 1.1 3.8 0.4
13 1.2 4.0 0.3
14 1.2 3.8 0.2
15 1.4 4.2 1.0
16 1.5 4.2 0.7
17 1.8 4.2 1.5
18 1.8 3.8 1.2
19 2.0 3.9 1.2
20 2.1 3.8 0.8
21 2.1 4.1 1.0
22 2.2 3.8 1.3
23 2.2 3.8 0.9
24 2.3 4.2 1.4
25 2.3 4.2 1.7
În al doilea rând, se divide volumul eşantionului în două părţi egale, după
eliminarea observaţiilor situate în mijlocul eşantionului. Egalitatea celor două părţi nu
reprezintă o condiţie obligatorie a procedurii Goldfeld–Quandt.
Concret, din eşantionul prezentat în tabelul precedent s-a eliminat observaţia
numerotată cu t = 13, astfel încât prima parte a eşantionului cuprinde primele 12
înregistrări (pentru t de la 1 la 12), iar cea de-a doua parte, ultimele 12 înregistrări (pentru
t de la 14 la 25).
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
Potrivit algoritmului Goldfeld–Quandt, se aplică metoda celor mai mici pătrate

pentru calculul estimatorilor separat pentru cele două serii de date. Astfel, pornind de la
seria 1, se estimează parametrii modelului
M–1: Yt = a0 + a1X1t + a2X2t + et, t = 1, 2, ..., 12
şi, separat, pornind de la seria 2 se estimează parametrii modelului
M–2: Yt = a0 + a1X1t + a2X2t + et, t = 14, 15, ..., 25.
eşantionul prezentat în tabelul 4-6 sub denumirea de "seria 1". Au fost obţinute
următoarele rezultate:
M – 1: Ŷt = -3.6176 + 0.8805∙X1t + 0.8240∙X2t.
Rezolvarea în detaliu cu ajutorul programului EViews este prezentată în tabelul
următor.
Data: 11/20/03 Ora: 12:22
Eşantionul: 1 12
C -3.617605 1.805439 -2.003725 0.0761
X1 0.880510 0.082618 10.65757 0.0000
92
X2 0.823990 0.455063 1.810718 0.1036
R2 0.929610 Media var.exog. -0.158333
Ab.std.regresie 0.216430 Akaike info criterion -0.010782

Tabel: Testul Goldfeld–Quandt, modelul multifactorial M–1
t X1t X2t Yt Ŷt ut u 2t
1 -1.4 3.9 -1.4 -1.6368 0.2368 0.0561

2 -0.6 3.8 -1.0 -1.0147 0.0147 0.0002
3 -0.5 4.1 -0.9 -0.6795 -0.2205 0.0486
4 -0.3 4.1 -0.5 -0.5034 0.0034 0.0000
5 0.0 3.8 -0.7 -0.4864 -0.2136 0.0456
6 0.2 4.1 -0.2 -0.0631 -0.1369 0.0187
7 0.5 4.1 0.3 0.2010 0.0990 0.0098
8 0.8 3.9 0.0 0.3004 -0.3004 0.0902
9 0.8 3.9 0.6 0.3004 0.2996 0.0898
10 1.0 4.2 0.8 0.7237 0.0763 0.0058
11 1.0 3.9 0.7 0.4765 0.2235 0.0500
12 1.1 3.8 0.4 0.4821 -0.0821 0.0067
Suma 2.6 47.6 -1.9 -1.9000 0.0000 0.4216
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.
Data: 11/20/03 Ora: 12:47
Eşantionul: 14 25
93
C -3.967000 1.740501 -2.279229 0.0486
X1 0.735366 0.220423 3.336162 0.0087
X2 0.909669 0.417831 2.177123 0.0574
R2 0.630303 Media var.exog. 1.075000

Tabel: Testul Goldfeld–Quandt, modelul multifactorial M–2
t X1t X2t Yt Ŷt ut u 2t
14 1.2 3.8 0.2 0.4 -0.1722 0.0296

15 1.4 4.2 1.0 0.9 0.1169 0.0137
16 1.5 4.2 0.7 1.0 -0.2567 0.0659
17 1.8 4.2 1.5 1.2 0.3227 0.1042
18 1.8 3.8 1.2 0.8 0.3866 0.1495
19 2.0 3.9 1.2 1.1 0.1486 0.0221
20 2.1 3.8 0.8 1.0 -0.2340 0.0548
21 2.1 4.1 1.0 1.3 -0.3069 0.0942
22 2.2 3.8 1.3 1.1 0.1925 0.0370
23 2.2 3.8 0.9 1.1 -0.2075 0.0431
24 2.3 4.2 1.4 1.5 -0.1450 0.0210
25 2.3 4.2 1.7 1.5 0.1550 0.0240
Suma 22.9 48.0 12.9 12.9 0.0000 0.6590
Pornind de la rezultatele obţinute, se calculează:

25
VTR2 u 2
t
0.6590
Fc = = t =14
12
= = 1.56
u
VTR1 2 0.4216
t
t =1
Din tabelul distribuţiei F, pentru un prag de încredere α = 0.05, se determină

F12-2,12-2(0.05) = F10,10(0.05) = 2.98
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
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.

1. Care este definiţia heteroscedaticităţii?
2. Care sunt consecinţele ignorării heteroscedasticităţii?
3. Care sunt cele mai cunoscute teste pentru identificarea heteroscedasticităţii?
Răspunsuri:
1. Proprietatea erorile de a nu avea o dispersie constantă se numeşte

heteroscedasticitate.
2. Consecinţe ale ignorării fenomenului de heteroscedasticitate a erorilor
b. Estimatorii parametrilor din model nu sunt eficienţi (există estimatori
care au o dispersie mai mică).
d. Testul t Student aplicat pentru analiza semnificaţiei estimatorilor nu este
valid. Dacă dispersia erorilor şi variaţia factorului explicativ sunt pozitiv
corelate, atunci dispersia corectă a parametrului a1 este subestimată, astfel
încât calculele sugerează o precizie a estimării mai bună decât este în
realitate.
95
3. Cele mai cunoscute sunt: testul Goldfeld–Quandt, testul Breusch–Pagan şi testul
White.

1. Exemplificați utilizarea testului Goldfeld-Quadnt pentru un model econometric
Bibliografie
330ID/J-88
București 330/J88
2019, P36
Resurse online
96
Unitatea de învăţare 7. Testarea şi atenuarea
heteroscedasticităţii erorilor - Testul White
Cuprins
Testul White pentru modelul unifactorial

Testul White pentru modelul multifactorial
Introducere
• Cum se testează heteroscedasticitatea prin testul White?
• Cum se atenuează hetersocedasticitateaîîn cazul în care aceasta este depistată?

Testarea heteroscedasticiţii folosind testul White
Exemple
Testul White pentru modelul unifactorial

Pentru exemplificarea modului de testare a heteroscedasticităţii erorilor analizăm
legătura dintre economiile populaţiei18 (simbolizate EP) şi câştigul salarial mediu
nominal net lunar (lei/persoană) – simbolul utilizat SNN, în perioada ianuarie 1997 –
august 2003. Datele sunt prezentate în tabelul următor.
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...
Econometric, datele nu pot fi incluse într-o ecuaţie de regrese, în forma

în care apar în tabel. Demonstrarea acestei afirmaţii se bazează pe
analiza staţionarităţii seriilor de date.
Justificarea economică ar fi următoarea: ambele serii sunt influenţate de

dinamica preţurilor din economie (inflaţie), astfejl încât înscrierea lor în aceeaşi bandă
crescătoare nu înseamnă automat prezenţă unei relaţii de cauzalitate între serii. Pur şi
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)
(în paranteză, sub estimatori sunt abaterile medii standard).

Testele statistice pentru semnificaţia estimatorilor sunt:
0.903487
t aˆ0 = = 6.795
132961
3.23
t aˆ1 = = 3.573
0.904
Figura: Evoluţia economiilor populaţiei şi a câştigului salarial, în perioada 1997-2003
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
Pentru testarea heteroscedasticităţii erorilor se utilizează testul White. Calculul

modelului pentru seriile din tabelul 4-9 duce la rezultatele prezentate în tabelul
următor.
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)
Potrivit metodei White, se realizează o regresie de tipul:

ut2 =  0 + 1 D(SNN ) t +  2 (D(SNN t )) +  t
2
Rezultatele sunt următoarele:

uˆt2 = 0.641 − 0.457  D(SNNt ) + 25.421  (D(SNNt )) .
2
Coeficientul de determinare R2, calculat pentru modelul precedent este:

R2 = 0.2729,
iar blocul nR2 din testul White se calculează astfel:
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:
F-statistic 14.26234 Probabilitatea 0.000006
nR2 21.55902 Probabilitatea 0.000021
Test Equation – variabila dependentă: u2

Eşantionul: 1997:02 2003:08, Observaţii incluse: n = 79
C 0.640700 0.206192 3.107297 0.0027
D(SNN) -0.457366 1.536016 -0.297762 0.7667
(D(SNN))2 25.42088 5.393215 4.713492 0.0000
R2 0.272899 Media var.endog. 1.165073
R2 – ajustat 0.253765 Ab.std.var.endog. 1.838512
Ab.std.regr. 1.588197 Akaike info criterion 3.800311
Pentru eliminarea fenomenului de heteroscedasticitate se procedează la

transformarea modelul iniţial
D(EP)t = a0 + a1D(SNN)t + et,
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 )
Metoda de estimare: Metoda celor mai mici pătrate
Eşantionul (ajustat): 1997:02 2003:08
Observaţii incluse: 79 după ajustare
Coeficienţii Estimatorii Ab.std. t-Statistic Prob.
1
1.018483 0.060994 16.69807 0.0000
D ( SNN )
constanta -0.722544 2.499231 -0.289106 0.7733
R2 0.783602 Media var.endogene 9.456939
R2 ajustat 0.780791 Ab.std.var.endogene 46.01198
Suma pătratelor erorilor 35734.69 Schwarz criterion 9.062925
Reziduurile din această ecuaţie nu sunt heteroscedastice. Prin estimarea unei

ecuaţii de regresie de tipul
1 1
u t2 =  0 +  1 + 2 + t
D( SNN ) t D( SNN t ) 2
se obţine:
1 1
u t2 = 424.6895 − 3.3344  0.036317 
D( SNN ) t D( SNN t ) 2
Pentru ecuaţia precedentă
R2 = 0.016056,
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:
Variabila dependentă: (RES2)2
Metoda de estimare: Metoda celor mai mici pătrate
Eşantionul (ajustat): 1997:02 2003:08
Observaţii incluse: 79 după ajustare
Coeficienţii Estimatorii Ab.std. t-Statistic Prob.
constanta 424.6895 211.1689 2.011137 0.0479
1
-3.334400 4.918515 -0.677928 0.4999
D ( SNN )
1
0.036317 0.039584 0.917466 0.3618
D ( SNN ) 2
R2 0.01606 Media var.endogene 452.34
R2 ajustat -0.00984 Ab.std.var.endogene 1726.4
Suma pătratelor erorilor 2.29E+08 Schwarz criterion 17.882
Testul White pentru modelul multifactorial

Pentru testarea prezenţei fenomenului de heteroscedasticitate a erorilor în cazul
unui model multifactorial de regresie lineară este utilizat exemplul numeric prezentat
anterior.
Să presupunem că printr-o cercetare selectivă s-au înregistrat următoarele date
privind:
– dinamica veniturilor populaţiei (X1t),
– evoluţia ratei reale a dobânzii pasive (X2t) şi
105
– dinamica depozitelor bancare (Yt):
Veniturile Rata reală a Depozitele

Nr.crt. populaţiei dobânzii pasive bancare
(X1t) (X2t) (Yt)
1 0.5 4.1 0.3
2 1.0 4.2 0.8
3 1.2 4.0 0.3
4 -0.3 4.1 -0.5
5 2.1 3.8 0.8
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
Modelul linear bi-factorial se scrie:

Yt = a0 + a1X1t + a2X2t + et.
Vectorul estimatorilor Â se calculează prin relaţia:
Â = (X'X)-1X'Y.
Au fost determinate următoarele valori
 − 3.78693 
 
Â =  0.75722 
 0.860999 
 
deci,
Ŷt = -3.78693 + 0.75722∙X1t + 0.860999∙X2t, pentru t = 1, 2, …, 25 şi
ut = Yt – Ŷt.
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
Pentru modelul multifactorial de regresie lineară multifactorială se scrie:

u t2 =  0 +  1 X 1t +  2 X 2t +  3 X 12t +  4 X 22t +  5 X 1t X 2t +  t
unde
ut = Yt – (â0 + â1X1t + â2X2t), t = 1,25
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
nR2 = 25∙0.2196 = 5.49.

În tabelul χ2, pentru pragul α = 0.05 şi 5 grade de libertate se identifică
 52 (0.05) = 11.0705 .
Deoarece
nR2 = 5.49 < 11.0705 =  52 (0.05) ,
ipoteza nulă
H0: α1 = α2 = α2 = α2 = α5 = 0
(lipsa fenomenului de heteroscedasticitate a erorilor et din modelul linear bi-factorial)
nu se respinge. Cu alte cuvinte, erorile et nu sunt heteroscedastice.
Rezultate identice pot fi obţinute direct, prin utilizarea programului EViews. În

detaliu, aceste rezultate sunt prezentate în tabelul următor:
White Heteroskedasticity Test:
Test Equation:
Variabila dependentă: u2
Eşantionul: 1 25
Variabile Estimatori Ab.std. t-statistic alfa
C -16.09519 11.24317 -1.431553 0.1685
X1 -0.067375 0.274951 -0.245043 0.8090
X12 -0.009548 0.008989 -1.062213 0.3015
X1X2 0.025277 0.070422 0.358935 0.7236
108
X2 8.155651 5.661626 1.440514 0.1660
X22 -1.029061 0.712198 -1.444910 0.1648
R2 0.219621 Media var. exogene 0.051807
Ab.std.regresie 0.047124 Akaike info criterion -3.066503
Suma pătrate 0.042193 Schwarz criterion -2.773973

resid.
Durbin- 1.702749 Prob(F-statistic) 0.407971

Watson stat
Rezumat
Ipoteza lipsei fenomenului de heteroscedasticitate a erorilor et este respinsă dacă
nR 2   52 (0.05)

1. Când este respinsă ipoteza lipsei fenomenului de hetersoscedasticitate?
Răspunsuri:
1. Ipoteza lipsei fenomenului de heteroscedasticitate a erorilor et este respinsă
dacă nR 2   52 (0.05)

1. Utilizaţi software-ul Microsoft Excel pentru a rezolva o problemă de regresie,
model multifactorial, utilizând testul White pentru depistarea
heteroscedasticităţii.
109
Bibliografie
330ID/J-88
București 330/J88
2019, P36
Resurse online
110
Unitatea de învăţare 8. Autocorelarea Erorilor
Cuprins
Consecinţe ale autocorelării erorilor

Testarea autocorelării erorilor
1. Testul Durbin – Watson
2. Testul Lagrange
Atenuarea fenomenului de autocorelare a erorilor
1. Procedura Cochrane – Orcutt
2. Procedura Hildreth – Lu
Introducere
• Care sunt consecinţele autocorelării erorilor?
• Care sunt principalele teste pentru depistarea autocorelării?
• Cum se realizează atenuarea acesti fenomen?

Autocorelarea erorilor - consecinţe, testare, atenuare
Teste pentru depistarea autocorelării
Proceduri pentru anularea autocorelării
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.
Consecinţe ale autocorelării erorilor

Dacă fenomenul de autocorelare a erorilor din modelul de regresie lineară
este ignorat, iar pentru estimarea parametrilor se foloseşte metoda celor mai mici pătrate,
atunci, sintetic, consecinţele ignorării fenomenului de autocorelare a erorilor sunt
următoarele:
Consecinţe ale ignorării fenomenului de autocorelare a erorilor

b. Estimatorii parametrilor din model nu sunt eficienţi şi nu au proprietatea de maximă
verosimilitate.
c. Estimatorii calculaţi pentru dispersia şi covarianţa parametrilor sunt deplasaţi, nu
sunt consistenţi şi nu sunt eficienţi.
d. Testul t statistic (Student) aplicat pentru analiza semnificaţiei estimatorilor nu este
valid.
e. Valorile t-Student calculate pentru estimarea semnificaţiei parametrilor sunt
supradimensionate.
f. Abaterea standard a erorilor este subdimensionată faţă de valoarea .
Testarea autocorelării erorilor

Deoarece autocorelarea erorilor afectează calitatea estimatorilor, testarea – şi,
dacă este cazul, atenuarea – fenomenului respectiv reprezintă un pas important în
validarea modelului.
Testul Durbin – Watson

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 − 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.
Atenuarea fenomenului de autocorelare a erorilor
Să ne reamintim...
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.
Procedura Cochrane – Orcutt

Metoda construită de Cochrane şi Orcutt pentru atenuarea fenomenului de
autocorelare a erorilor presupune aplicarea unei proceduri iterative de estimare a
coeficientului de corelaţiei de ordinul I. Procedura Cochrane – Orcutt se aplică pentru
modelul
Yt = a0 + a1X1t + … + akXkt + et, iar
et = ρet-1 + εt (modelul AR(1), t=1..n)
Procedura Cochrane – Orcutt converge destul de repede şi, în majoritatea cazurilor,
nu necesită un număr mare de iteraţii. Din nefericire însă, metoda Cochrane – Orcutt de
atenuare a autocorelării erorilor nu garantează obţinerea unei valori ρ̂ care să ducă la
minimizarea pătratelor reziduurilor, deoarece tehnica iterativă descrisă poate să ducă la
un minim local şi nu la un minim global.
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.

1. Ce reprezintă autocorelarea erorilor?
2. Care sunt consecinţle ignorării autocorelării?
3. Cum se calculează statistica Durbin-Watson?
Răspunsuri:
1. Autocorelarea erorilor presupune existenţa unei covarianţe nenule între erorile

2. Consecinţe ale ignorării fenomenului de autocorelare a erorilor
b. Estimatorii parametrilor din model nu sunt eficienţi şi nu au proprietatea

de maximă verosimilitate.

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.
e. Valorile t-Student calculate pentru estimarea semnificaţiei parametrilor

sunt supradimensionate, ceea ce sugerează o semnificaţie a parametrilor
mai mare decât este în realitate.
f. Abaterea standard a erorilor este subdimensionată faţă de valoarea reală

şi, în consecinţă, coeficientul de determinare R2 este supradimensionat,
ceea ce indică o ajustare mai bună decât este în realitate.
3. 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.

Exemplificați utilizarea testului Durbin-Watson pe un model econometric la
alegere
Bibliografie
330ID/J-88
București 330/J88
2019, P36
Resurse online
115
116
Unitatea de învăţare 9. Testarea Fenomenului de Autocorelare a
Erorilor
Cuprins
Testarea fenomenului de autocorelare a erorilor

1. Aplicarea testului Durbin – Watson
2. Aplicarea testului Lagrange
Introducere
• Cum se utilizeaza testul Durbin-Watson pentru depistarea autocorelării?
• Cum se atenuează fenomenul de autocorelare?

Utilizarea testului Durbin-Watson pentru testarea autocorelării erorilor
Exemple
Aplicarea testului Durbin – Watson

Pentru exemplificarea procedurii de identificare a fenomenului de autocorelare a
erorilor prin testul Durbin – Watson analizăm legătura dintre veniturile populaţiei şi
volumul economiilor. Datele înregistrate pentru 20 momente diferite de timp sunt
prezentate în tabelul următor.
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
Modelul unifactorial de regresie lineară este descris prin ecuaţia următoare:

Yt = a0 + a1Xt + et, t = 1, 2, …, 20
unde Xt reprezintă veniturile populaţiei, iar Yt – volumul economiilor.
Estimatorii ecuaţiei, calculaţi prin metoda celor mai mici pătrate, sunt
prezentaţi în ecuaţia următoare:
Ŷt = -6.40793 + 0.28952∙Xt.
Calculele pentru testarea autocorelării erorilor (testul Durbin-Watson) sunt
prezentate în tabelul 5-2.
Tabel: Calculele de bază pentru
aplicarea testului Durbin – Watson, modelul unifactorial
t Xt Yt Ŷt ut u 2t (ut – ut-1)2
1 100 20 22.5441 -2.5441 6.4723 –
2 110 25 25.4393 -0.4393 0.1930 4.4302
3 120 28 28.3345 -0.3345 0.1119 0.0110
4 125 30 29.7821 0.2179 0.0475 0.3051
5 130 33 31.2297 1.7703 3.1340 2.4099
6 140 35 34.1249 0.8751 0.7658 0.8014
7 150 36 37.0201 -1.0201 1.0406 3.5918
8 155 42 38.4677 3.5323 12.4773 20.7243
9 170 44 42.8105 1.1895 1.4150 5.4887
10 170 42 42.8105 -0.8105 0.6569 4.0000
11 180 45 45.7057 -0.7057 0.4980 0.0110
12 185 50 47.1533 2.8467 8.1038 12.6195
13 190 47 48.6009 -1.6009 2.5628 19.7811
14 200 48 51.4961 -3.4961 12.2226 3.5918
15 205 52 52.9437 -0.9437 0.8905 6.5147
16 210 58 54.3913 3.6087 13.0228 20.7243
17 215 54 55.8389 -1.8389 3.3815 29.6764
18 220 55 57.2865 -2.2865 5.2280 0.2003
19 220 58 57.2865 0.7135 0.5091 9.0000
118
20 225 60 58.7341 1.2659 1.6025 0.3051
342 86
∑ 862.0000 0.0000 74.3359 144.1869
0 2
Potrivit testului Durbin – Watson,

n
 (u − u t −1 )
2
t
144.1869
dw = t =2
n
= = 1.94 .
u 2 74.3359
t
t =1
Deoarece dw < 2, înseamnă că nu există riscul unei autocorelări negative, astfel

încât, în asemenea situaţii se justifică testul unilateral Durbin – Watson pentru
autocorelarea pozitivă a erorilor: se acceptă ipoteza lipsei de autocorelare a erorilor dacă
dw > dU. Pentru testul unilateral valorile din tabelul Durbin-Watson, în cazul k = 1 şi
n = 20 sunt: dL = 1.20 şi dU = 1.41. Deoarece dw = 1.94 > 1.41 = dU se acceptă ipoteza
nulă, H0: lipsa autocorelării de ordinul I al erorilor.
Să ne reamintim...
Testul DW identifică doar autocorelarea de ordin 1!

Pentru testarea prezenţei fenomenului de autocorelare de gradul I a erorilor în
cazul unui model multifactorial de regresie lineară este analizat următorul exemplu
numeric.
Să presupunem că printr-o cercetare selectivă s-au obţinut datele prezentate în
tabelul 5-3 privind dinamica veniturilor populaţiei (X1t), evoluţia ratei reale a dobânzii
pasive (X2t) şi dinamica depozitelor bancare (Yt) în 25 intervale succesive de timp
(datele reprezintă modificările procentuale ale variabilelor analizate şi sunt preluate din
tabelul 2-2). Admitem ipoteza că dinamica depozitelor bancare depinde linear de
dinamica veniturilor şi de evoluţia ratei reale a dobânzii pasive, astfel încât modelul
econometric, construit pe baza acestor ipoteze este:
Yt = a0 + a1X1t + a2X2t + et,
Modelul a fost calculat prin metoda celor mai mici pătrate şi au fost determinate
următoarele valori ale estimatorilor Â:
 − 3.78693 
 
Â = (X'X)-1X'Y =  0.75722 
 0.860999 
 
În aceste condiţii:
Ŷt = -3.78693 + 0.75722∙X1t + 0.860999∙X2t. pentru t = 1, 2, …, 25
şi
ut = Yt – Ŷt.
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
Potrivit testului Durbin – Watson, se calculează dw = 2.059 La fel ca în cazul

modelului unifactorial 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. Din tabelele testului
bilateral Durbin – Watson, pentru un nivel de semnificaţie ales la 5%, volumul
eşantionului n = 25 şi numărul de variabile explicative din model k = 2, se identifică
valorile critice dL = 1.21 şi dU = 1.55. Deoarece dw = 2.059 se găseşte între dU = 1.55 şi
4 – dU = 2.45, se acceptă ipoteza nulă, H0: lipsa autocorelării de ordinul I al erorilor.
120
Aplicarea testului Lagrange

Pentru exemplificarea procedurii de identificare a fenomenului de autocorelare
a erorilor prin testul Lagrange analizăm legătura dintre veniturile populaţiei şi volumul
economiilor. Datele înregistrate pentru 20 momente diferite de timp sunt prezentate în
tabelul 2-1 şi sunt reluate în tabelul 5-2. Pentru modelul linear unifactorial:
Yt = a0 + a1Xt + et, t = 1, 2, …, 20
calculat prin metoda celor mai mici pătrate, estimatorii parametrilor sunt prezentaţi în
ecuaţia următoare:
Ŷt = -6.40793 + 0.28952∙Xt.
Aplicarea procedurii Lagrange presupune regresia reziduurilor ut în funcţie de o
constantă şi de variabilele Xt, ut-1, ut-2, …, ut-p. Rezolvarea ecuaţiei de regresie de tipul
ut = b0 + b1X1t + … + bkXkt + ρ1ut-1 + ρ2ut-2 + … + ρput-p + vt
s-a realizat pentru p = 5,
ut = b0 + b1X1t + ρ1ut-1 + ρ2ut-2 + … + ρ5ut-5 + vt
conform procedurii cunoscute, pe baza datelor din tabelul 5-4.
Tabel: Testul Lagrange pentru autocorelarea erorilor,

modelul unifactorial de regresie lineară
t ut Xt ut-1 ut-2 ut-3 ut-4 ut-5

1 -2.5441 100 – – – – –
2 -0.4393 110 -2.5441 – – – –
3 -0.3345 120 -0.4393 -2.5441 – – –
4 0.2179 125 -0.3345 -0.4393 -2.5441 – –
5 1.7703 130 0.2179 -0.3345 -0.4393 -2.5441 –
6 0.8751 140 1.7703 0.2179 -0.3345 -0.4393 -2.5441
7 -1.0201 150 0.8751 1.7703 0.2179 -0.3345 -0.4393
8 3.5323 155 -1.0201 0.8751 1.7703 0.2179 -0.3345
9 1.1895 170 3.5323 -1.0201 0.8751 1.7703 0.2179
10 -0.8105 170 1.1895 3.5323 -1.0201 0.8751 1.7703
11 -0.7057 180 -0.8105 1.1895 3.5323 -1.0201 0.8751
12 2.8467 185 -0.7057 -0.8105 1.1895 3.5323 -1.0201
13 -1.6009 190 2.8467 -0.7057 -0.8105 1.1895 3.5323
14 -3.4961 200 -1.6009 2.8467 -0.7057 -0.8105 1.1895
15 -0.9437 205 -3.4961 -1.6009 2.8467 -0.7057 -0.8105
16 3.6087 210 -0.9437 -3.4961 -1.6009 2.8467 -0.7057
17 -1.8389 215 3.6087 -0.9437 -3.4961 -1.6009 2.8467
18 -2.2865 220 -1.8389 3.6087 -0.9437 -3.4961 -1.6009
19 0.7135 220 -2.2865 -1.8389 3.6087 -0.9437 -3.4961
20 1.2659 225 0.7135 -2.2865 -1.8389 3.6087 -0.9437
121
Pentru estimarea prezentată, coeficientul de determinare multiplă este
R = 0.491127. Pornind de la aceste rezultate, se calculează
2
(n − p)R2 = (20-5)∙0.491127 = 9.82254.

Valoarea din tabelele distribuţiei teoretice  52 (0.05) este 11.0705. În aceste condiţii,
(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:
Breusch-Godfrey Serial Correlation LM Test:
Test Equation – Variabila dependentă: u

Variabile Estimatori Ab.std. t-Statistic alfa
C 0.503237 1.719056 0.292740 0.7743
X -0.003521 0.009822 -0.358489 0.7257
ut-1 0.126344 0.252467 0.500438 0.6251
ut-2 -0.235887 0.233917 -1.008424 0.3317
ut-3 0.093004 0.243309 0.382246 0.7085
ut-4 0.435680 0.249664 1.745068 0.1045
ut-5 -0.483220 0.292692 -1.650952 0.1227
R2 0.491127 Media var.depend. -1.87E-15
R2 ajustat 0.256263 Ab.std.var.dep. 1.977983
Ab.std. regresie 1.705816 Akaike info criterion 4.175182
Suma pătrate erori 37.82752 Schwarz criterion 4.523688

Pentru modelul de regresie lineară multiplă, procedura de testare a fenomenului
de autocorelare a erorilor prin metoda multiplicatorilor Lagrange este similară.
Pentru modelul
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.
Tabel: Testul Lagrange pentru autocorelarea erorilor,

modelul multifactorial de regresie lineară
t ut X1t X2t ut-1 ut-2 ut-3 ut-4 ut-5

1 0.1782 0.5 4.1 – – – – –
2 0.2135 1.0 4.2 0.1782 – – – –
3 -0.2657 1.2 4.0 0.2135 0.1782 – – –
4 -0.0160 -0.3 4.1 -0.2657 0.2135 0.1782 – –
5 -0.2750 2.1 3.8 -0.0160 -0.2657 0.2135 0.1782 –
6 -0.1709 2.3 4.2 -0.2750 -0.0160 -0.2657 0.2135 0.1782
7 -0.1935 1.2 3.8 -0.1709 -0.2750 -0.0160 -0.2657 0.2135
8 0.3718 1.0 3.9 -0.1935 -0.1709 -0.2750 -0.0160 -0.2657
9 -0.1767 0.8 3.9 0.3718 -0.1935 -0.1709 -0.2750 -0.0160
10 -0.1849 0.0 3.8 -0.1767 0.3718 -0.1935 -0.1709 -0.2750
11 -0.0305 -0.6 3.8 -0.1849 -0.1767 0.3718 -0.1935 -0.1709
12 0.1493 2.2 3.8 -0.0305 -0.1849 -0.1767 0.3718 -0.1935
13 0.1106 1.4 4.2 0.1493 -0.0305 -0.1849 -0.1767 0.3718
14 0.1146 2.0 3.9 0.1106 0.1493 -0.0305 -0.1849 -0.1767
15 0.1291 2.3 4.2 0.1146 0.1106 0.1493 -0.0305 -0.1849
16 0.0822 1.1 3.8 0.1291 0.1146 0.1106 0.1493 -0.0305
17 0.4233 0.8 3.9 0.0822 0.1291 0.1146 0.1106 0.1493
18 -0.2646 -0.5 4.1 0.4233 0.0822 0.1291 0.1146 0.1106
19 0.0891 -1.4 3.9 -0.2646 0.4233 0.0822 0.1291 0.1146
20 -0.0946 0.2 4.1 0.0891 -0.2646 0.4233 0.0822 0.1291
21 0.3077 1.8 4.2 -0.0946 0.0891 -0.2646 0.4233 0.0822
22 -0.2507 2.2 3.8 0.3077 -0.0946 0.0891 -0.2646 0.4233
23 -0.3333 2.1 4.1 -0.2507 0.3077 -0.0946 0.0891 -0.2646
24 -0.2651 1.5 4.2 -0.3333 -0.2507 0.3077 -0.0946 0.0891
25 0.3521 1.8 3.8 -0.2651 -0.3333 -0.2507 0.3077 -0.0946
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:
Breusch-Godfrey Serial Correlation LM Test:
Test Equation – Variabila dependentă: u

Variabile Estimatori Ab.std. t-Statistic alfa
C -0.120982 1.281733 -0.094390 0.9259
X1 -0.051365 0.057379 -0.895174 0.3832
X2 0.043434 0.324293 0.133936 0.8950
ut-1 0.059695 0.242073 0.246600 0.8082
ut-2 -0.164876 0.264976 -0.622229 0.5420
ut-3 -0.370266 0.277283 -1.335335 0.1994
ut-4 0.391204 0.271416 1.441344 0.1677
ut-5 -0.140877 0.295483 -0.476769 0.6396
R2 0.229706 Media var.depend. -4.49E-16
R2 ajustat -0.087473 Ab.std.var.dep. 0.232305
Ab.std. regresie 0.242252 Akaike info criterion 0.256664
124
Suma pătrate erori 0.997666 Schwarz criterion 0.646704
Obs. Valoarea calculată în EViews este nR2 = 5.742659, în locul valorii

teoretice (n – p)R2 = 4.59.
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
Statistica Durbin-Watson se calculează:

n
 (u − ut −1 )
2
t
dw = t =2
n
=
u
t =1
2
t

1. Cum se calculează statistica DW?
Răspunsuri:
n
 (u − ut −1 )
2
t
dw = t =2
n
=
ut =1
2
t

Exemplificați utilizarea testului Lagrange pe un model econometric la alegere
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
330ID/J-88
București 330/J88
2019, P36
Resurse online
126
Unitatea de învăţare 10. Utilizarea Modelelor Econometrice în
Prognoză
Cuprins
Prognoza în cazul modelului unifactorial de regresie lineară

Prognoza în cazul modelului multifactorial de regresie lineară
Exemple de calcul
Introducere
• Cum se realizează prognoza în cazul modelului unifactorial de regresie lineară?
• Cum se realizează prognoza în cazul modelului multifactorial de regresie
lineară?

Realizarea prognozei în cazul modelului unifactorial de regresie lineară, respectiv
multifactorial
În sens econometric, prognoza reprezintă o anticipare cantitativă a unor evenimente

sau condiţii viitoare, pornind de la un set de informaţii disponibile.
Prognoza în cazul modelului unifactorial de regresie lineară

Se presupunem că legătura dintre două variabile Y şi X poate fi modelată printr-o
ecuaţie de regresie lineară de tipul Yt = a0 + a1Xt + et, t = 1, 2, ..., n, relaţie în care erorile
sunt normal distribuite, de medie nulă, nu sunt heteroscedastice, nu sunt autocorelate şi
sunt independente în raport cu variabila explicativă Xt.
Se demonstrează că un indicator nedeplasat pentru dispersia erorilor de prognoză este:
 1 (X − X )2 
2 
s f = su 1 + +
2 n +1
 n
  t( X − X )2 

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).
Prognoza în cazul modelului multifactorial de regresie lineară

Să presupunem că modelul de regresie lineară conţine k regresori (variabile
explicative) şi este estimat pornind de la o selecţie de volum n:
Y = XA + e
unde Y este un vector de dimensiuni n×1, care are drept componente valorile variabilei
endogene, X este o matrice de dimensiuni n×(k+1), în care elementele din prima coloană
sunt egale cu unu, iar fiecare dintre celelalte k coloane conţine valorile înregistrate pentru
una dintre variabilele explicative, A este vectorul de dimensiuni (k+1)×1 al parametrilor
modelului, iar e este vectorul erorilor, de dimensiuni n×1. Se demonstrează că, dacă sunt
respectate ipotezele obişnuite privind erorile şi variabilele explicative, atunci vectorul
estimatorilor calculaţi pentru parametrii modelului prin metoda celor mai mici pătrate
este dat de relaţia:
Â = (X’X)-1X’Y
Se poate demonstra că un estimator nedeplasat al dispersiei erorilor de prognoză,
estimator calculat pe baza datelor din eşantion este dat de expresia:
(
s 2f = su2 1 + X n +1 ( X ' X ) X ' n +1
−1
)
unde
n
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

Pentru exemplificarea modului de calcul a prognozei reluăm cazul numeric
studiat în capitolul 2, referitor la legătura dintre veniturile populaţiei şi volumul
economiilor (tabelul 2-1). Scopul analizei este realizarea unei prognoze a volumului
economiilor pentru o familie care urmează un comportament de consum asemănător
celui specific populaţiei din care s-a extras eşantionul prezentat în tabelul (2-1). Să
presupunem că familia respectivă, numerotată cu 21, realizează un venit X21 = 230.
Pentru realizarea prognozei, se determină, în primul rând, valoarea Ŷ21, pe baza ecuaţiei
de regresie. Pentru exemplul analizat, ecuaţia de regresie este de forma:
Yt = a0 + a1Xt + et,
unde
– Yt este variabila endogenă (explicată) – volumul economiilor populaţiei,
– Xt este variabila exogenă (explicativă) – veniturile populaţiei,
– et este variabila de abatere (discrepanţa dintre valorile înregistrate şi cele anticipate
pe baza modelului), a0 şi a1 sunt parametrii modelului.
Să ne reamintim...
Aşa cum s-a demonstrat în capitolele anterioare, dacă modelul respectiv

este estimat pornind de la datele din tabelul 2-1, atunci erorile sunt
normal distribuite, nu sunt heteroscedastice şi nu sunt autocorelate.
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.
Tabel: Calcule de bază pentru prognoză

- modelul unifactorial
t Xt Yt Ŷt ut u t2 (X t − 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
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
Pornind de la ecuaţia de regresie

Ŷt = -6.40793 + 0.28952∙Xt,
şi de la X21 = 230 se deduce
Ŷ21 = -6.40793 + 0.28952∙230 = 60.18167.
Abaterea standard a erorilor de prognoză se calculează astfel:
s f = s 2f = 4.805538 = 2.192154
Din tabelul distribuţiei bilaterale t (Student), pentru n-2 = 18 grade de libertate şi

un prag de semnificaţie α = 0.05 se identifică t23;0.05 = 2.101 Intervalul de încredere
pentru prognoză se calculează potrivit formulei:
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].

Pentru exemplificarea modului de elaborare a prognozei pe baza modelului
multifactorial de regresie lineară se porneşte de la cazul numeric analizat în modulele
anterioare, referitor la dinamica veniturilor populaţiei (X1t), evoluţia ratei reale a
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:
 24.378 0.046 − 6.121

−1
 
(X ' X ) =  0.046 0.039 − 0.022 
 − 6.121 − 0.022 1.542 
 
şi
su2 = 0.0589
Atunci:
X n+1 ( X ' X ) X 'n+1 = 6.428
−1
Utilizând valorile determinate mai sus, se obţine:

s 2f = 0.3786
Pornind de la valoarea dispersiei erorilor de prognoză, se calculează abaterea
standard a erorilor de prognoză astfel:
s f = s 2f = 0.3786 = 0.615
Intervalul de prognoză se determină, în această situaţie:

Yˆn+1 − t n−k −1; s f  Yn+1  Yˆn+1 + t n−k −1; s f
0.21 – t22;0.050.615 ≤ Y26 ≤ 0.21 + t22;0.050.615

unde valoarea t22;0.05 este preluată din repartiţia teoretică t Student, testul bilateral, pentru
pragul de semnificaţie α = 0.05 şi (25-2-1) = 22 grade de libertate: t22;0.05 = 2.074
Intervalul de prognoză este, în această situaţie, dat prin inegalitatea următoare:
0.21 – 2.0740.615 ≤ Y26 ≤ 0.21 + 2.0740.615
0.21 – 1.28 ≤ Y26 ≤ 0.21 + 1.28
adică
-1.07 ≤ Y26 ≤ 1.49
131
Rezumat
În sens econometric, prognoza reprezintă o anticipare cantitativă a unor
evenimente sau condiţii viitoare, pornind de la un set de informaţii disponibile.
Pentru modelul unifactorial, prognoza t+1 se calculează astfel:

Ŷn+1 = â0 + â1Xn+1
Intervalul de încredere:
Yˆn+1 − tn−2; s f  Yn+1  Yˆn+1 + tn−2; s f
Pentru modelul multifactorial,

Yn+1 = Xn+1A + en+1
Intervalul de încredere :
Yˆn+1 − tn−k −1; s f  Yn+1  Yˆn+1 + tn−k −1; s f

1. Ce reprezintă în sens econometric noţiunea de prognoză?
2. Ce presupune realizarea unei prognoze în cazul modelului unifactorial?
3. Care este intervalul de prognoză pentru modelul unifactorial?
Răspunsuri:
1. În sens econometric, prognoza reprezintă o anticipare cantitativă a unor

evenimente sau condiţii viitoare, pornind de la un set de informaţii disponibile.
2. Realizarea unei prognoze presupune anticiparea a două elemente. Pe de o parte,

prognoza implică determinarea valorii medii a variabilei Y la un moment viitor
n+1, sau, mai general, n+p (unde p ≥ 1), atunci când parametrii ecuaţiei de
regresie sunt estimaţi pe baza unei selecţii realizate la momentele 1, 2, …, n. Pe
de altă parte, este necesar calculul împrăştierii probabile a valorilor prognozate
în jurul mediei estimate (calculul dispersiei erorilor de prognoză).
3. Intervalul de prognoză în cazul modelului unifactorial este:

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).

A. Realizați prognoza econometrică pentru un model la alegere
B. Fie următoarele serii de date, înregistrate în 20 momente diferite de timp:

t Yt X1t X2t t Yt X1t X2t
1 23.96 5.23 3.02 11 13.31 3.45 1.74

2 23.57 6.23 4.09 12 28.20 8.27 6.27
3 13.25 2.34 1.42 13 14.51 3.59 4.45
4 39.58 5.44 -1.81 14 21.44 6.35 5.23
5 33.67 6.49 0.91 15 20.94 4.22 1.64
6 24.96 6.52 5.18 16 37.53 7.51 2.34
7 9.20 4.40 6.05 17 35.64 6.37 0.22
8 29.68 4.70 1.00 18 13.26 5.59 6.43
9 26.33 6.59 3.72 19 28.62 5.40 0.50
10 21.51 5.57 0.55 20 17.74 3.17 1.66
a) Construiți modelul econometric al legătrilor dintre variabile și interpretați

semnificația parametrilor;
b) Estimați modelul econometric și interpretați rezultatele obținute;
c) Testați semnificația estimatorilor și interpretați rezultatele obținute;
d) Testați autocorelarea erorilor și interpretați rezultatele obținute;
e) Testați heteroscedasticitatea erorilor și interpretați rezultatele obținute;
f) Prognozați dinamica variabilei endogene Y pentru momentul f = 21, dacă
X1,21 = 5.4 și X2,21 = 2.7.
133
Bibliografie
330ID/J-88
București 330/J88
2019, P36
Resurse online
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
1. Ailenei D., 2002, Economia sectorului public, Editura Brent, Bucureşti

2. Andrei T., 2003, Statistică şi econometrie, Editura Economică, Bucureşti
3. Bourbonnais R., 1997, Econométrie. Cours et exercises corrigés, Edition Dunod, Paris
4. Brillet J.-L, 1989, Techiques de modelisation, Collection ENSAE (École Nationale de la
Statistique et de l'Administration Économique), Paris
5. Dobrescu E., 2002, Tranziţia în România: abordări econometrice, Editura Economică,
Bucureşti
6. Greene W.H., 2000, Econometric Analysis, 3rd edition, Prentice-Hall.
7. Hansen B.E., 2002, Econometrics, University of Wisconsin, www.ssc.wisc.edu/~ bhansen
8. Johnston J., DiNardo J.E., 1997, Econometric Methods, 4th edition, McGraw-Hill.
9. Jula D., 2003, Introducere în econometrie, Editura Professional Consulting, Bucureşti
10. Jula N., 2003, Statistică economică, Editura Bren, Bucureşti
11. Jula N., 2004, Modelarea deciziilor financiar – monetare. Elemente de econometrie
aplicată, Editura Bren, Bucureşti
12. Jula N., 2006, Modelare economică – econometrie aplicată, Editura Mustang, Bucureşti
13. Jula N., Jula D., 2010, Modelare economică. Modele econometrice şi de optimizare, Editura
Mustang, Bucureşti
14. Kmenta J., 1986, Elements of Econometrics, New York: Macmillan
15. Maddala G.S, 2001, Econometrics, New York: McGraw-Hill
16. Pârţachi I., Brăilă A., Şişcanu N., 1999, Econometrie aplicată, A.S.E.M., Chişinău
17. Pecican E.-S., 1994, Econometrie, Editura All, Bucureşti
18. Pecican E.-S., 1996, Macroeconometrie - Politici economice guvernamentale şi
econometrie, Editura Economică, Bucureşti
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
Tabelele distribuţiilor t – Student şi χ2 au fost calculate cu ajutorul programului Microsoft

Excel
A. Valorile critice ale distribuţiei t – Student, testul bilateral
α - testul bilateral
df
0.10 0.05 0.02 0.01 0.001
1 6.314 12.706 31.821 63.657 636.619
2 2.920 4.303 6.965 9.925 31.598
3 2.353 3.182 4.541 5.841 12.941
4 2.132 2.776 3.747 4.604 8.610
5 2.015 2.571 3.365 4.032 6.869
6 1.943 2.447 3.143 3.707 5.959
7 1.895 2.365 2.998 3.499 5.408
8 1.860 2.306 2.896 3.355 5.041
9 1.833 2.262 2.821 3.250 4.781
10 1.812 2.228 2.764 3.169 4.587
11 1.796 2.201 2.718 3.106 4.437
12 1.782 2.179 2.681 3.055 4.318
13 1.771 2.160 2.650 3.012 4.221
14 1.761 2.145 2.624 2.977 4.140
15 1.753 2.131 2.602 2.947 4.073
16 1.746 2.120 2.583 2.921 4.015
17 1.740 2.110 2.567 2.898 3.965
18 1.734 2.101 2.552 2.878 3.922
19 1.729 2.093 2.539 2.861 3.883
137
20 1.725 2.086 2.528 2.845 3.850
21 1.721 2.080 2.518 2.831 3.819
22 1.717 2.074 2.508 2.819 3.792
23 1.714 2.069 2.500 2.807 3.768
24 1.711 2.064 2.492 2.797 3.745
25 1.708 2.060 2.485 2.787 3.725
30 1.697 2.042 2.457 2.750 3.646
40 1.684 2.021 2.423 2.704 3.551
50 1.676 2.009 2.403 2.678 3.496
80 1.664 1.990 2.374 2.639 3.416
100 1.660 1.984 2.364 2.626 3.390
120 1.658 1.980 2.358 2.617 3.373
∞ 1.645 1.960 2.327 2.576 3.291
138
B. Valorile critice ale distribuţiei t – Student, testul unilateral
α - testul unilateral
df
0.10 0.05 0.01 0.005 0.0005
1 3.078 6.314 31.821 63.657 636.619
2 1.886 2.920 6.965 9.925 31.598
3 1.638 2.353 4.541 5.841 12.941
4 1.533 2.132 3.747 4.604 8.610
5 1.476 2.015 3.365 4.032 6.869
6 1.440 1.943 3.143 3.707 5.959
7 1.415 1.895 2.998 3.499 5.408
8 1.397 1.860 2.896 3.355 5.041
9 1.383 1.833 2.821 3.250 4.781
10 1.372 1.812 2.764 3.169 4.587
11 1.363 1.796 2.718 3.106 4.437
12 1.356 1.782 2.681 3.055 4.318
13 1.350 1.771 2.650 3.012 4.221
14 1.345 1.761 2.624 2.977 4.140
15 1.341 1.753 2.602 2.947 4.073
16 1.337 1.746 2.583 2.921 4.015
17 1.333 1.740 2.567 2.898 3.965
18 1.330 1.734 2.552 2.878 3.922
19 1.328 1.729 2.539 2.861 3.883
20 1.325 1.725 2.528 2.845 3.850
21 1.323 1.721 2.518 2.831 3.819
22 1.321 1.717 2.508 2.819 3.792
23 1.319 1.714 2.500 2.807 3.768
24 1.318 1.711 2.492 2.797 3.745
139
25 1.316 1.708 2.485 2.787 3.725
30 1.310 1.697 2.457 2.750 3.646
40 1.303 1.684 2.423 2.704 3.551
50 1.299 1.676 2.403 2.678 3.496
80 1.292 1.664 2.374 2.639 3.416
100 1.290 1.660 2.364 2.626 3.390
120 1.289 1.658 2.358 2.617 3.373
∞ 1.282 1.645 2.327 2.576 3.291
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
1 0.000 0.004 0.016 2.706 3.841 6.635 7.879 10.828
2 0.020 0.103 0.211 4.605 5.991 9.210 10.597 13.816
3 0.115 0.352 0.584 6.251 7.815 11.345 12.838 16.266
4 0.297 0.711 1.064 7.779 9.488 13.277 14.860 18.467
5 0.554 1.145 1.610 9.236 11.070 15.086 16.750 20.515
6 0.872 1.635 2.204 10.645 12.592 16.812 18.548 22.458
7 1.239 2.167 2.833 12.017 14.067 18.475 20.278 24.322
8 1.646 2.733 3.490 13.362 15.507 20.090 21.955 26.125
9 2.088 3.325 4.168 14.684 16.919 21.666 23.589 27.877
10 2.558 3.940 4.865 15.987 18.307 23.209 25.188 29.588
11 3.053 4.575 5.578 17.275 19.675 24.725 26.757 31.264
12 3.571 5.226 6.304 18.549 21.026 26.217 28.300 32.909
13 4.107 5.892 7.042 19.812 22.362 27.688 29.820 34.528
14 4.660 6.571 7.790 21.064 23.685 29.141 31.319 36.123
15 5.229 7.261 8.547 22.307 24.996 30.578 32.801 37.697
16 5.812 7.962 9.312 23.542 26.296 32.000 34.267 39.252
17 6.408 8.672 10.085 24.769 27.587 33.409 35.719 40.790
18 7.015 9.390 10.865 25.989 28.869 34.805 37.157 42.312
19 7.633 10.117 11.651 27.204 30.144 36.191 38.582 43.820
20 8.260 10.851 12.443 28.412 31.410 37.566 39.997 45.315
21 8.897 11.591 13.240 29.615 32.671 38.932 41.401 46.797
22 9.542 12.338 14.041 30.813 33.924 40.289 42.796 46.268
23 10.196 13.091 14.848 32.007 35.172 41.638 44.181 49.728
141
24 10.856 13.848 15.659 33.196 36.415 42.980 45.559 51.179
25 11.524 14.611 16.473 34.382 37.652 44.314 46.928 52.618
26 12.198 15.379 17.292 35.563 38.885 45.642 48.290 54.052
27 12.879 16.151 18.114 36.741 40.113 46.963 49.645 55.476
28 13.565 16.928 18.939 37.916 41.337 48.278 50.993 56.893
29 14.256 17.708 19.768 39.087 42.557 49.588 52.336 58.302
30 14.953 18.493 20.599 40.256 43.773 50.892 53.672 59.703
142
D. Statistica Durbin – Watson
Valorile dL şi dU pentru testul Durbin-Watson unilateral, la un nivel de semnificaţie de
5%
k=1 k=2 k=3 k=4 k=5

n
dL dU dL dU dL dU dL dU dL dU
6 0.61 1.40
7 0.70 1.36 0.47 1.90
8 0.76 1.33 0.56 1.78 0.37 2.29
9 0.82 1.32 0.63 1.70 0.46 2.13 0.30 2.59
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
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
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

Manual Econometrie ID Feb2021 (AA) - 2+2 Ore

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Manual Econometrie ID Feb2021 (AA) - 2+2 Ore

Încărcat de

Drepturi de autor:

Formate disponibile

ECONOMETRIE

Prof.univ.dr. Nicoleta Jula

UNITATEA DE ÎNVĂŢARE 1. MODELUL ECONOMIC – PREZENTARE GENERALĂ ..................... 11

UNITATEA DE ÎNVĂŢARE 2. MODELUL DE PROGRAMARE LINEARĂ ...................................... 24

UNITATEA DE ÎNVĂŢARE 3. MODELE DE OPTIMIZARE .......................................................... 38

UNITATEA DE ÎNVĂŢARE 4. MODELE ECONOMETRICE – MODELUL LINEAR DE REGRESIE ..... 54

UNITATEA DE ÎNVĂŢARE 5. TESTE DE SEMNIFICAŢIE ȘI COEFICIENTUL DE DETERMINARE .... 70

UNITATEA DE ÎNVĂŢARE 6. HETEROSCEDASTICITATEA ERORILOR ........................................ 83

UNITATEA DE ÎNVĂŢARE 7. TESTAREA ŞI ATENUAREA HETEROSCEDASTICITĂŢII ERORILOR -

UNITATEA DE ÎNVĂŢARE 8. AUTOCORELAREA ERORILOR ................................................... 111

UNITATEA DE ÎNVĂŢARE 9. TESTAREA FENOMENULUI DE AUTOCORELARE A ERORILOR .... 117

UNITATEA DE ÎNVĂŢARE 10. UTILIZAREA MODELELOR ECONOMETRICE ÎN PROGNOZĂ ..... 127

BIBLIOGRAFIE OBLIGATORIE .............................................................................................. 135

BIBLIOGRAFIE FACULTATIVĂ .............................................................................................. 135

ANEXE STATISTICE ............................................................................................................. 137

Manualul de Modelare economică. Econometrie oferă studenţilor un ansamblu de

După parcurgerea acestui curs, studentul va fi capabil să utilizeze metode de analiză,

Resurse şi mijloace de lucru

Se recomandă utilizarea calculatorului pentru rezolvarea temelor propuse. Studentul poate

Manualul cuprinde 10 unităţi de învăţare (UI)

Este recomandat ca studentul să fi parcurs următoarele discipline: Statistică economică,

Durata medie de studiu individual

O unitate de învățare poate fi parcursă, în medie, în 2-3 ore.

Durata medie de parcurgere a primei unităţi de învăţare este de 3 ore.

În interpretarea lui Malinvaud "un model constă în reprezentarea formală a

Există, în literatura de specialitate, mai multe tipologii ale modelelor economice.

a) să fie omogene, adică elementele care prezintă caracteristici similare trebuie să

Cu alte cuvinte, elementele dintr-o clasă trebuie să fie asemănătoare (similare)

În literatura de specialitate din România, una dintre cele mai interesante

Criteriul de clasificare Categoriile de modele

Definiţiile pentru conceptele propuse în tabel pornesc, în general de la următoarele

1. Natura elementelor componente

1.a – Modelele logice. Un exemplu de acest gen este reprezentat de modelul

1.b –Modelele calitativ-analitice (teoretice). Exemplu: funcţia monetaristă a cererii

Md = f(Y, P, rB, rE, rD)

2. Caracterul interdependenţelor dintre variabile

2.1. a – Modelele lineare: legătura dintre variabilele analizate este lineară.

2.2.a – Modelele deterministe.

2.2.b – Modelele probabiliste. Astfel de modele sunt utilizate, de exemplu, pentru

3. Nivelul de agregare a entităţilor

3.a – Modelele cu dezagregare maximă. De exemplu, toţi agenţii economici sunt

3.b –Modelele cu agregare intermediară. Economia poate fi structurată, de exemplu,

3.c – Modelele cu agregare naţională maximă. Un exemplu de astfel de model este

Ct – consumul agregat la momentul t;

Yd – venitul disponibil al gospodăriilor la momentul t;

c – înclinaţia marginală spre consum, 0 < c < 1.

3.d –Modelele cu agregare internaţională analizează diferite zone geografice (de

4.a – Modele descriptiv-explicative. Modelul explicativ ajută la înţelegerea legăturilor

4.b –Modelele explorative sau de simulare facilitează studierea reacţiilor economiei

5.b – Modelele cvasistaţionare.

5.c – Modelele dinamice ilustrează evoluţia în timp a diferitelor procese economice.

Modelarea matematică reprezintă cea mai utilizată aplicaţie în domeniul

În a doua etapă, se caută o teorie matematică în care poate fi descrisă o structură

În etapa a treia, se realizează rezolvarea modelului.

În a patra etapă, aceste noi proprietăţi (informaţii) sunt transferate asupra

Pornind de la elementele prezentate, etapele procesului de modelare sunt

Tabel: Etapele procesului de modelare

(1) analiza realităţii cu ajutorul instrumentelor oferite de teoria economică şi

(2) construirea modelului matematic, prin interpretarea (traducerea) propoziţiilor din

(3) rezolvarea modelului;

Denumirea de econometrie provine din combinarea cuvintelor greceşti

În sens restrâns, econometria este definită ca o aplicaţie a statisticii matematice

În sens larg, econometria este înţeleasă ca o ştiinţă de graniţă între economie,