ECONOMETRIE

Curs 6

Conf. univ. dr. Mariana HATMANU

- anul universitar 2020-2021 -

1
 Regresia multiplă liniară (II)
3.7 Măsurarea intensităţii legăturii dintre variabile
a) Coeficientul de corelaţie parţială
b) Raportul de determinație multiplă
c) Raportul de corelaţie multiplă

3.8 Testarea coeficienților de corelație (bivariată,

parțială, raport de determinație)

3.9 Testarea modelului de RLM

Aplicație: Model de regresie multiplă în SPSS
2
 3.6. Măsurarea intensităţii legăturii dintre
variabile
Măsurarea intensităţii corelaţiei multiple se face cu
ajutorul următorilor indicatori:
a. coeficientul de corelaţie parţială
b. raportul de determinaţie multiplă
c. raportul de corelaţie multiplă

3
 Corelaţia parţială

• măsoară dependenţa dintre variabila dependentă

şi o variabilă independentă, prin excluderea
influenţei celorlalţi factori, a căror variaţie
(influenţă) este considerată constantă;

• se măsoară cu ajutorul coeficientului de corelaţie

parţială

4
 3.6.a) Coeficientul de corelaţie parţială

Recapitulare:
Coeficientul de corelaţie bivariată (vezi analiza de
corelaţie simplă), la nivelul unui eşantion, este dat prin
relaţia:  ( xi  x )( yi  y )
cov( X , Y ) i
rY , X   
s X  sY n  s X  sY

n  xi yi   xi  yi
 i i i
[ n xi2  (  xi )2 ][ n yi2  (  yi )2 ]
i i i i
5
 3.6.a) Coeficientul de corelaţie parţială

• poate fi de ordinul întâi (se menţine constantă influenţa

unei variabile independente), de ordinul doi (se menţine
constantă influenţa a două variabile independente) etc
Coeficientul de corelaţie parţială de ordinul întâi
- între Y şi X1, excluzând influenţa lui X2 :
rYX1  rYX 2  rX 1 X 2
rYX1  X 2 
2
(1  rYX )(1  rX2 X )
2 1 2

6
 3.6.a) Coeficientul de corelaţie parţială

- între Y şi X2 , menţinând constantă influenţa lui X1:

rYX 2  rYX1  rX 1 X 2
rYX 2  X 1 
2
(1  rYX )(1  rX2 X )
1 1 2

7
 3.6.a) Coeficientul de corelaţie parţială

Coeficienţii de corelaţie parţială măsoară dependenţa

dintre două variabile, considerând constantă
influenţa celorlalte variabile.
- Intervalul [-1; 1]

Coeficienţii de corelaţie bivariată măsoară

dependenţa dintre două variabile, fără a lua în
considerare influenţa celorlalte variabile.
- Intervalul [-1; 1]

8
Analiza creșterii economice (Y) în raport cu rata
dobânzii (X1) și speranța de viață la naștere
(X2)
• .

9
Corelații bivariate

10
 Corelații parțiale

• .

11
 3.6.b) Raportul de determinaţie multiplă
- Arată influenţa simultană a variabilelor factoriale
(independente) asupra variabilei rezultative (dependente),
prin modelul de regresie specificat
- (vezi relaţia de descompunere a variaţiei totale)
VE V
2   1 R
VT VT

- O estimaţie a raportului de determinare se poate

determina pe baza valorilor empirice, după relaţia:
ESS RSS
R2   1
TSS TSS

12
 3.6.b) Raportul de determinaţie multiplă

• Interpretare: arată cât la sută din variaţia variabilei

dependente Y este explicată de variaţia simultană a
variabilelor independente considerate, prin modelul
de regresie specificat.

• Poate lua valori în intervalul [0, 1] sau [0, 100%]

13
 3.6.b) Raportul de determinaţie multiplă ajustat!!!

- Ţine seama de numărul parametrilor din model,

respectiv, de numărul gradelor de libertate. Se determină
după relaţia:

2 VE /( k  1 ) VR /( n  k ) 2 n 1
   1  1  ( 1  )
VT /( n  1 ) VT /( n  1 ) nk

- Estimaţia raportului de determinaţie multiplă ajustat:

2 RSS /( n  k ) 2 n 1
R  1  1  (1  R )
TSS /( n  1 ) nk
14
 3.6.b) Raportul de determinaţie multiplă
ajustat
• Între raportul de determinaţie multiplă ajustat şi
raportul de determinaţie multiplă există relaţia

R R
2 2

pentru k>1

15
Exemplu

16
Verificarea relației dintre R - pătrat
și R – pătrat ajustat
• Pt un model de regresie cu 10 variabile
independente și volumul eșantionului egal
cu 47, se cunoaște valoarea raportului de
determinție egală cu 0,879.

• Să se verifice relația dintre R - pătrat și R

– pătrat ajustat.

17
Verificarea relației dintre R - pătrat
și R – pătrat ajustat

18
 ,
Compararea a două modele de regresie se face cu
ajutorul raportului de determinaţie
• Este mai bun, modelul pentru care raportul de
determinaţie are valoarea mai mare

19
 3.6.c) Raportul de corelaţie multiplă

• Măsoară gradul de intensitate a legăturii

simultane dintre variabila dependentă şi
variabilele independente
  2

R  R2

• Poate lua valori în intervalul [0, 1]

20
Exemplu

21
 3.7 Testarea indicatorilor de corelație

3.7.a) Testarea semnificaţiei coeficienţilor de

corelaţie bivariată (vezi curs 3 - Regresia liniară
simplă (II), slide-uri 25-29)

3.7.b) Testarea semnificaţiei coeficienţilor de

corelaţie parţială (idem cu testarea coeficienților
de corelație bivariată)

3.7.c) Testarea semnificației raportului de corelație

(vezi curs 3 - Regresia liniară simplă (II), slide-uri
30-32)
22
 3.8. Testarea modelului de regresie

Presupune testarea semnificaţiei influenţei, în ansamblu, a

tuturor variabilelor independente asupra variabilei
dependente, prin modelul de regresie specificat. Se
bazează pe descompunerea variaţiei totale pe componente:

VT  VE  VR

TSS  ESS  RSS

23
 3.8. Testarea modelului de regresie
n
VT , respectiv, TSS reprezintă variaţia totală, TSS   ( yi  y ) 2
i

VE , respectiv, ESS - variaţia variabilei Y explicată prin modelul de regresie

n
ESS   ( y xi  y ) 2
i 1
VR , respectiv, RSS – variaţia reziduală

RSS   ( yi  y xi ) 2   (ei ) 2
i i
1. Ipoteze statistice:
H 0 : modelul NU este semnificativ statistic (
H : modelul este semnificativ statistic
1

24
 3.8. Testarea modelului de regresie

2. Se aplică testul Fisher, cu expresia:

VˆE n  k
F 
VˆR k  1
unde
k – numărul parametrilor de regresie

25
 3.8. Testarea modelului de regresie

3. Valoarea critică a testul F se citeşte din tabelul repartiţiei

Fisher, pentru riscul  admis, şi v1 şi v2
grade de libertate, v1  k  1; v2  n  k , notată F , v1 ,v2

4. Valoarea statisticii F se calculează astfel:

ESS n  k
F 
RSS k  1

26
 3.8. Testarea modelului de regresie

5. Regula de decizie (grafic):

 F  F , v1 , v2 sau Sig   se respinge ipoteza nulă H 0 ,
pentru riscul  admis

 F  F , v , v sau Sig   se acceptă ipoteza nulă H 0

1 2

6. Decizia

7. Interpretare
Ex: dacă valoarea calculata a statisticii F este mai mare decât valoarea
critică, se decide respingerea ipotezei nule, modelul este semnificativ
statistic, in conditiile riscului  acceptat

27
 ANOVA(b)

Sum of
Model Squares df Mean Square F Sig.
1 Regression 95.654 2 47.827 121.690 .001(a)
Residual 1.179 3 .393
Total 96.833 5
a Predictors: (Constant), IMC (X2), Experienta (X1)
b Dependent Variable: Nr. piese executate zilnic

28
 3.9 Modele cu variabile standardizate –
ierarhizarea variabilelor
• In modelarea macroeconomică este important să se
stabilească ordinea importanţei variabilelor
independente în explicarea variaţiei variabilei
dependente.
• Se estimează modelul cu toate variabilele standardizate
• Devine posibilă compararea coeficienţilor de regresie din
model pt. că variabilele independente sunt comparabile
Interpretare: fiecare coeficient arată impactul parţial al
variaţiei cu o unitate a variabilei independente
standardizate asupra variabilei dependente
standardizate; interpretarea se face în unităţi de abateri
standard pt. variabila dependentă
- coeficientul cu valoarea cea mai mare indică variabila cu
cea mai mare influenţă
29
3.10 Modele cu variabile standardizate –
ierarhizarea variabilelor - Exemplu
Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 82.946 10.108 8.206 .000
ipc .538 .075 .828 7.141 .000
rs -5.156 .646 -.316 -7.987 .000
rd .005 .194 .003 .028 .978
ob .078 .026 .186 3.032 .003
bc 2.232 .406 .292 5.496 .000
2 (Constant) 83.200 4.341 19.166 .000
ipc .537 .039 .825 13.608 .000
rs -5.154 .638 -.316 -8.082 .000
ob .078 .025 .187 3.151 .002
bc 2.226 .337 .291 6.607 .000
a. Dependent Variable: ipi

30
3.10. Metode de alegere a variabilelor semnificative
în model
NU!!

1. Metoda Forward

2. Metoda Backward

3. Metoda Stepwise

31
 Metoda Forward

• Introducerea variabilelor în model se face pas cu pas (una

câte una), în ordinea importanţei lor
• Se testează semnificaţia coeficientului de regresie a
variabilei introduse
• Paşii se opresc când testul F indică acceptarea ipotezei
nule, adică modelul de regresie nu este semnificativ

32
 Metoda Backward

• Începe cu toate variabilele introduse în model

• Eliminarea variabilelor se face pas cu pas, de
fiecare dată fiind eliminat cel mai slab predictor

33