Sunteți pe pagina 1din 38

PROIECT ECONOMETRIE

Variatia produsului intern brut (PIB) în functie de


veniturile populatiei si nivelul preturilor
CUPRINS
1. Scopul studiului

2. Modelul liniar unifactorial: PIB in functie de venituri

2.1. Analiza regresiei

2.2. Variabilele folosite

2.3. Testarea parametrilor

2.4. Corelarea

2.5. Autocorelarea

2.6. Analiza reziduurilor si predictiilor

2.6.1. Media reziduurilor

2.6.2. Distributia erorilor fata de model

2.6.3. Testarea normalitatii reziduurilor

2.7. Variante constante (homoscedasticitatea)

3. Modelul liniar unifactorial: PIB in functie de nivelul preturilor

3.1. Analiza regresiei

3.2. Variabilele folosite

3.3. Testarea parametrilor

3.4. Corelarea

3.5. Autocorelarea

3.6. Analiza reziduurilor si predictiilor

3.6.1. Media reziduurilor

3.6.2. Distributia erorilor fata de model

3.6.3. Testarea normalitatii reziduurilor

3.7. Variante constante (homoscedasticitatea)

4. Modelul liniar multifactorial: PIB in functie de nivelul veniturilor si al preturilor

4.1. Analiza regresiei

4.2. Corelarea
4.2.1. Eliminarea fenomenului de corelare a factorilor

4.2.2. Regresia in functie de factorii F1 si F2

4.3. Corelatia partiala

4.4. Autocorelarea erorilor

4.4.1. Eliminarea fenomenului de autocorelare

4.5. Testarea parametrilor

4.6. Legatura intre reziduuri si variabilele factor

4.7. Analiza reziduurilor si predictiilor

4.7.1. Media reziduurilor

4.7.2. Distributia erorilor fata de model

4.7.3. Testarea normalitatii reziduurilor

4.8. Testarea ipotezelor liniare privind parametrii

4.8.1. Testul lui Ramsey

4.8.2. Testul lui Chaw

4.9. Variante constante (homoscedasticitatea)

4.10. Puterea de previzionare a modelului

5. Concluzii

1. Scopul studiului
Acest proiect isi propune sa gaseasca corelatia dintre nivelul produsului intern
brut (PIB) in functie de nivelul veniturilor personale si al preturilor. Se va urmari
influenta veniturilor, precum si a preturilor asupra produsului intern brut. Modelul
econometric se va construi pe baza datelor obtinute de pe site-ul guvernului SUA (site-ul
de unde au fost preluate datele
este: http://www.bea.gov/bea/dn/nipaweb/NIPATableIndex.asp). Aceste date sunt
structurate pe ani, incepand cu anul 1929 pana in 2006.

Se va studia influenta celor 2 factori separat: influenta veniturilor asupra nivelului


produsului intern brut, apoi influenta indicelui preturilor asupra aceluiasi produs intern
brut, urmand ca mai apoi sa se testeze modelele astfel obtinute, testari prelucrate cu
ajutorul programului STATA9.
Variabila endogena considerata este produsul intern brut(PIB) si variabilele
exogene sunt veniturile populatiei si indicele preturilor.

Modelul econometric are urmatoarea forma:

Yt = α + β1 * X1 + β2 * X2 + ut

2. Modelul liniar unifactorial: PIB in functie de venituri


Modelul econometric liniar simplu va avea urmatoarea forma :

Yt = α + β1 * X1 + u1

2.1. Analiza regresiei

Pe baza datelor prelucrate in STATA se obtin urmatoarele informatii:

. regress PIB venit

Source | SS df MS Number of obs = 78

-------------+------------------------------ F( 1, 76) = .

Model | 1.2210e+10 1 1.2210e+10 Prob > F = 0.0000

Residual | 3782509.88 76 49769.8668 R-squared = 0.9997

-------------+------------------------------ Adj R-squared = 0.9997

Total | 1.2210e+10 77 158616055 Root MSE = 223.09

------------------------------------------------------------------------------

PIB | Coef. Std. Err. t P>|t| [95% Conf. Interval]

-------------+----------------------------------------------------------------

venit | 1.185684 .0023939 495.30 0.000 1.180916 1.190452

_cons | 174.051 33.70646 5.16 0.000 106.9188 241.1832

------------------------------------------------------------------------------

Se observa ca varianta explicata de model, ESS=1.2210e+10, este mult mai mare


deat cea reziduala, RSS=3782509.88, ceea ce ne ofera o prima informatie asupra faptului
ca modelul este reprezentativ si ca o mare parte din informatia produsului intern brut este
data de catre factorul ales,

nivelul veniturilor. Impartind ESS/TSS, adica 1.2210e+10/1.2210e+10 se obtine R-


sqared = 0.9997, care arata ca informatia explicata de factor este in proportie de 99.97,
ceea ce inseamna ca factorul este reprezentativ.

De asemenea tesul F, care testeaza eficienta modelului, raspunde la intrebarea


„variabila independenta prezice bine variabila dependenta?”. Avand in vedere ca valoarea
obtinuta pentru F este 0, se poate aprecia ca modelul este reprezentativ si poate fi folosit
pentru estimatii viitoare.

Avand aceste informatii in vedere se poate determina forma modelului. Astfel:

PIB = 174.051 + 1.185684 * venit + 3782509.88

Asadar, atunci cand venitul creste cu 1 miliard dolari, PIB-ul la nivelul SUA creste cu
1.18 miliarde dolari. Insa, pentruca nivelul produsului intern brut sa fie mai mare de 0
este nevoie de un nivel al veniturilor de peste 146.79 miliarde dolari (174.051/1.185684).

O prima analiza a parametrilor estimati ne arata ca acestia sunt viabili. Este testata
egalitatea parametrilor cu 0, iar avand in vedere ca intervalul de incredere nu cuprinde
valoarea 0 inseamna ca parametrii nu iau niciodata valoarea 0.

Norul de puncte care analizeaza legatura dintre PIB si nivelul veniturilor este
prezentat in graficul urmator:
2.2. Variabilele folosite

. codebook PIB venit

-----------------------------------------------------------------------------------------------------------
-------------

PIB (unlabel
ed)

-----------------------------------------------------------------------------------------------------------
-------------

type: numeric (float)

range: [449,44007] units: 1

unique values: 78 missing .: 0/78

mean: 11227.7

std. dev: 12594.3

percentiles: 10% 25% 50% 75% 90%


703 1792 4361 19517 33181

-----------------------------------------------------------------------------------------------------------
-------------

venit (unlabel
ed)

-----------------------------------------------------------------------------------------------------------
-------------

type: numeric (float)

range: [373,36632] units: 1

unique values: 78 missing .: 0/78

mean: 9322.58

std. dev: 10620.3

percentiles: 10% 25% 50% 75% 90%

556 1388 3404.5 16255 27933

Studiul variabilelor ne arata ca acestea sunt cantitative si ca nu exista date lipsa. Acest
lucru arata ca variabilele pot fi folosite in regresie, deoarece la o prima vedere nu
prezinta erori.

2.3. Testarea parametrilor

. testparm venit

( 1) venit = 0

F( 1, 76) = 2.5e+05

Prob > F = 0.0000

Intrucat valoarea F este 0, ipoteza nula „parametrul variabilei venit este 0” este respinsa,
asadar parametrul este diferit de 0.

2.4. Corelarea

. correlate PIB venit


(obs=78)

| PIB venit

-------------+------------------

PIB | 1.0000

venit | 0.9998 1.0000

Inca o data se demonstreaza corelarea dintre PIB si venit. Aceasta corelatie este foarte
mare 0.9998, deci factorul considerat poate explica in mare masura variatia variabilei
dependente.

2.5. Autocorelarea

Prin aplicarea testului Breusch-Godfrey putem determina existenta unei


autocorelari la nivelul modelului:

. estat bgodfrey

Breusch-Godfrey LM test for autocorrelation

---------------------------------------------------------------------------

lags(p) | chi2 df Prob > chi2

-------------+-------------------------------------------------------------

1 | 37.453 1 0.0000

---------------------------------------------------------------------------

H0: no serial correlation

Avand in vedere ca valoarea ‚hi patrat’ este 0, ipoteza nula de inexistenta autocorelarii
este respinsa. Asadar modelul prezinta o autocorelare.

. estat dwatson

Durbin-Watson d-statistic( 2, 78) = 0 .5973365

Testul Durbin-Watson arata existenta unei autocorelari la nivelul modelului, intrucat


valoarea coeficientului este destul de apropiata de 0, ceea ce arata o corelare directa intre
erori.
2.6. Analiza reziduurilor si predictiilor
2.6.1. Media reziduurilor

. ttest r==0

One-sample t test

------------------------------------------------------------------------------

Variable | Obs Mean Std. Err. Std. Dev. [95% Conf. Interval]

---------+--------------------------------------------------------------------

r| 78 -2.41e-07 25.09559 221.6382 -49.9717 49.9717

------------------------------------------------------------------------------

mean = mean(r) t = -0.0000

Ho: mean = 0 degrees of freedom = 77

Ha: mean < 0 Ha: mean != 0 Ha: mean > 0

Pr(T < t) = 0.5000 Pr(|T| > |t|) = 1.0000 Pr(T > t) = 0.5000

Testarea mediei rezidurilor egala cu 0 arata ca aceasta nu e diferita semnficativ de 0.

2.6.2. Distributia erorilor fata de model


Din acest grafic se observa ca erorile sunt normal distribuite.

2.6.3. Testarea normalitatii reziduurilor


Din acest grafic se observa ca reziduurile sunt normal distribuite.

In continuare prezentam cateva teste prin care se verifica aceeasi normalitate a


reziduurilor. Aceste teste propun analiza asimetriei, respectiv a boltirii pentru a stabili
distribtia normala a reziduurilor.

. sktest r

Skewness/Kurtosis tests for Normality

------- joint ------

Variable | Pr(Skewness) Pr(Kurtosis) adj chi2(2) Prob>chi2

-------------+-------------------------------------------------------

r| 0.000 0.000 23.93 0.0000

- erorile nu sunt distribuite normal

- erorile sunt distribuite normal

Prob>chi2 = 0.05 > 0.0000 se respinge, erorile sunt distribuite normal.

. swilk r

Shapiro-Wilk W test for normal data

Variable | Obs W V z Prob>z

-------------+-------------------------------------------------

r | 78 0.89337 7.169 4.310 0.00001

Prob>z = 0.05 > 0.00001 se respinge, erorile sunt distribuite normal.

. sfrancia r

Shapiro-Francia W' test for normal data

Variable | Obs W' V' z Prob>z

-------------+-------------------------------------------------
r | 78 0.88143 8.755 4.105 0.00002

Prob>z = 0.05 >0.00002 se respinge, erorile sunt distribuite normal.

2.7. Variante constante (homoscedasticitatea)

Testul White

. estat imtest,white

White's test for Ho: homoskedasticity

against Ha: unrestricted heteroskedasticity

chi2(2) = 26.20

Prob > chi2 = 0.0000

Cameron & Trivedi's decomposition of IM-test

---------------------------------------------------

Source | chi2 df p

---------------------+----------------------------

Heteroskedasticity | 26.20 2 0.0000

Skewness | 8.35 1 0.0038

Kurtosis | 2.52 1 0.1126

---------------------+-----------------------------

Total | 37.07 4 0.0000

---------------------------------------------------

H0: modelul este homoscedastic

H1: modelul nu este homoscedastic

λcalc = 26.20

λtab = 5.99 (sunt 2 grade de libertate)


λcalc > λtab => H0 se respinge, deci modelul nu este homoscedastic.

3. Modelul liniar unifactorial: PIB in functie de nivelul preturilor


Modelul econometric liniar simplu va avea urmatoarea forma :

Yt = α + β2 * X2 + u2

3.1. Analiza regresiei

Pe baza datelor prelucrate in STATA se obtin urmatoarele informatii:

. regress PIB indicepret

Source | SS df MS Number of obs = 78

-------------+------------------------------ F( 1, 76) = 2872.07

Model | 1.1899e+10 1 1.1899e+10 Prob > F = 0.0000

Residual | 314856781 76 4142852.38 R-squared = 0.9742

-------------+------------------------------ Adj R-squared = 0.9739

Total | 1.2213e+10 77 158616055 Root MSE = 2035.4

------------------------------------------------------------------------------

PIB | Coef. Std. Err. t P>|t| [95% Conf. Interval]

-------------+----------------------------------------------------------------

indicepret | 362.0339 6.755405 53.59 0.000 348.5793 375.4884

_cons | -4378.348 371.3653 -11.79 0.000 -5117.986 -3638.71

------------------------------------------------------------------------------

Se observa ca varianta explicata de model, ESS=1.1899e+10, este mult mai mare


deat cea reziduala, RSS=314856781, ceea ce ne ofera o prima informatie asupra faptului
ca modelul este reprezentativ si ca o mare parte din informatia produsului intern brut este
data de catre factorul ales,

indicele preturilor. Impartind ESS/TSS, adica 1.1899e+10/1.2213e+10 se obtine R-


sqared = 0.9742, care arata ca informatia explicata de factor este in proportie de 97.42,
ceea ce inseamna ca factorul este reprezentativ.
De asemenea tesul F, care testeaza eficienta modelului, raspunde la intrebarea
„variabila independenta prezice bine variabila dependenta?”. Avand in vedere ca valoarea
obtinuta pentru F este 0, se poate aprecia ca modelul este reprezentativ si poate fi folosit
pentru estimatii viitoare.

Avand aceste informatii in vedere se poate determina forma modelului. Astfel:

PIB = -4378.348 + 362.0339 * indicepret + 314856781

Asadar, atunci cand pretul creste cu 1 miliard dolari, PIB-ul la nivelul SUA creste cu
362.0339 miliarde dolari.

O prima analiza a parametrilor estimati ne arata ca acestia sunt viabili. Este testata
egalitatea parametrilor cu 0, iar avand in vedere ca intervalul de incredere nu cuprinde
valoarea 0 inseamna ca parametrii nu iau niciodata valoarea 0.

Norul de puncte care analizeaza legatura dintre PIB si nivelul preturilor este
prezentat in graficul urmator:

3.2. Variabilele folosite

. codebook PIB indicepret

-----------------------------------------------------------------------------------------------------------
-------------
PIB (unlabel
ed)

-----------------------------------------------------------------------------------------------------------
-------------

type: numeric (float)

range: [449,44007] units: 1

unique values: 78 missing .: 0/78

mean: 11227.7

std. dev: 12594.3

percentiles: 10% 25% 50% 75% 90%

703 1792 4361 19517 33181

-----------------------------------------------------------------------------------------------------------
-------------

indicepret (unlab
eled)

-----------------------------------------------------------------------------------------------------------
-------------

type: numeric (float)

range: [8.91,116.568] units: .001

unique values: 78 missing .: 0/78

mean: 43.1065

std. dev: 34.3363

percentiles: 10% 25% 50% 75% 90%

9.81 16.364 24.4065 73.204 97.868

Studiul variabilelor ne arata ca acestea sunt cantitative si ca nu exista date lipsa. Acest
lucru arata ca variabilele pot fi folosite in regresie, deoarece la o prima vedere nu
prezinta erori.
3.3. Testarea parametrilor

. testparm indicepret

( 1) indicepret = 0

F( 1, 76) = 2872.07

Prob > F = 0.0000

Intrucat valoarea F este 0, ipoteza nula „parametrul variabilei indicepret este 0” este
respinsa, asadar parametrul este diferit de 0.

3.4. Corelarea

. correlate PIB indicepret

(obs=78)

| PIB indice~t

-------------+------------------

PIB | 1.0000

indicepret | 0.9870 1.0000

Inca o data se demonstreaza corelarea dintre PIB si indicele preturilor. Aceasta corelatie
este foarte mare 0.9870, deci factorul considerat poate explica in mare masura variatia
variabilei dependente.

3.5. Autocorelarea

Prin aplicarea testului Breusch-Godfrey putem determina existenta unei


autocorelari la nivelul modelului:

. estat bgodfrey

Breusch-Godfrey LM test for autocorrelation

---------------------------------------------------------------------------

lags(p) | chi2 df Prob > chi2

-------------+-------------------------------------------------------------
1 | 76.050 1 0.0000

---------------------------------------------------------------------------

H0: no serial correlation

Avand in vedere ca valoarea ‚hi patrat’ este 0, ipoteza nula de inexistenta autocorelarii
este respinsa. Asadar modelul prezinta o autocorelare.

. estat dwatson

Durbin-Watson d-statistic( 2, 78) = .0368163

Testul Durbin-Watson arata existenta unei autocorelari la nivelul modelului, intrucat


valoarea coeficientului este destul de apropiata de 0, ceea ce arata o corelare directa intre
erori.

3.6. Analiza reziduurilor si predictiilor


3.6.1. Media reziduurilor

. ttest rpret==0

One-sample t test

------------------------------------------------------------------------------

Variable | Obs Mean Std. Err. Std. Dev. [95% Conf. Interval]

---------+--------------------------------------------------------------------

rpret | 78 -7.60e-06 228.9622 2022.14 -455.9221 455.9221

------------------------------------------------------------------------------

mean = mean(rpret) t = -0.0000

Ho: mean = 0 degrees of freedom = 77

Ha: mean < 0 Ha: mean != 0 Ha: mean > 0

Pr(T < t) = 0.5000 Pr(|T| > |t|) = 1.0000 Pr(T > t) = 0.5000

Testarea mediei rezidurilor egala cu 0 arata ca aceasta este diferita semnificativ de 0.

3.6.2. Distributia erorilor fata de model


Din acest grafic se observa ca erorile nu sunt normal distribuite.

3.6.3. Testarea normalitatii reziduurilor


Din acest grafic se observa ca reziduurile nu sunt normal distribuite.

In continuare prezentam cateva teste prin care se verifica aceeasi normalitate a


reziduurilor. Aceste teste propun analiza asimetriei, respectiv a boltirii pentru a stabili
distribtia normala a reziduurilor.

. sktest rpret

Skewness/Kurtosis tests for Normality

------- joint ------

Variable | Pr(Skewness) Pr(Kurtosis) adj chi2(2) Prob>chi2

-------------+-------------------------------------------------------

rpret | 0.182 0.188 3.64 0.1620

- erorile nu sunt distribuite normal

- erorile sunt distribuite normal

Prob>chi2 = 0.05 < 0.1620 se accepta, erorile nu sunt distribuite normal.

. swilk rpret

Shapiro-Wilk W test for normal data

Variable | Obs W V z Prob>z

-------------+-------------------------------------------------

rpret | 78 0.97213 1.874 1.374 0.08477

Prob>z = 0.05 < 0.08477 se accepta, erorile nu sunt distribuite normal.

. sfrancia rpret

Shapiro-Francia W' test for normal data

Variable | Obs W' V' z Prob>z

-------------+-------------------------------------------------
rpret | 78 0.97054 2.175 1.530 0.06305

Prob>z = 0.05 < 0.06305 se accepta, erorile nu sunt distribuite normal.

3.7. Variante constante (homoscedasticitatea)

Testul White

. estat imtest,white

White's test for Ho: homoskedasticity

against Ha: unrestricted heteroskedasticity

chi2(2) = 34.21

Prob > chi2 = 0.0000

Cameron & Trivedi's decomposition of IM-test

---------------------------------------------------

Source | chi2 df p

---------------------+-----------------------------

Heteroskedasticity | 34.21 2 0.0000

Skewness | 18.18 1 0.0000

Kurtosis | 1.06 1 0.3037

---------------------+-----------------------------

Total | 53.44 4 0.0000

---------------------------------------------------

H0: modelul este homoscedastic

H1: modelul nu este homoscedastic

λcalc = 34.21

λtab = 5.99 (sunt 2 grade de libertate)


λcalc > λtab => H0 se respinge, deci modelul nu este homoscedastic.

Din cele observate si testate pana acum se observa ca acest model este
heteroscedastic, erorile sunt autocorelate, nu urmeaza legea normala, iar media acestora
este semnificativ diferita de 0. Asadar renuntam la acest model si in continuare ne
propunem sa gasim un model care sa explice variatia produsului intern brut in functie de
amandoi factorii prezentati pana acum : veniturile si preturile.

4. Modelul liniar multifactorial: PIB in functie de nivelul veniturilor si


al preturilor
4.1. Analiza regresiei

. regress PIB venit indicepret

Source | SS df MS Number of obs = 78

-------------+------------------------------ F( 2, 75) = .

Model | 1.2210e+10 2 6.1049e+09 Prob > F = 0.0000

Residual | 3594817.54 75 47930.9005 R-squared = 0.9997

-------------+------------------------------ Adj R-squared = 0.9997

Total | 1.2213e+10 77 158616055 Root MSE = 218.93

------------------------------------------------------------------------------

PIB | Coef. Std. Err. t P>|t| [95% Conf. Interval]

-------------+----------------------------------------------------------------

venit | 1.157639 .0143654 80.59 0.000 1.129022 1.186257

indicepret | 8.792613 4.443268 1.98 0.052 -.0588302 17.64406

_cons | 56.47864 68.00137 0.83 0.409 -78.98703 191.9443

------------------------------------------------------------------------------

La fel ca in cazul modelelor unifactoriale, si aici se observa o puternica informatie


detinuta de cei 2 factori. Asadar variatia modelului este 1.2210e+10 , net mai mare decat
cea reziduala, ceea ce conduce la un R patrat foarte mare de 0.9997. Aceasta inseamna ca
informatia explicata de factori este in proportie de 99.97%.
De asemenea, o prima analiza a modelului il anunta valid, astfel ca valoarea F este 0,
ceea ce inseamna ca modelul este reprezentativ si poate conduce la viitoare prognoze.

Forma modelului este data de coeficientii parametrilor:

PIB = 56.47864 + 1.157639 * venit + 8.792613* indicepret + 3594817.54

Asadar, la o modificare cu 1 miliard dolari a veniturilor, PIB-ul va creste cu


1.15 miliarde dolari, iar la o modificare a preturilor cu 1 miliard dolari, PIB-ul va
creste cu 8.79 miliarde dolari.

P>|t| arata ca parametrii coeficientilor sunt valizi, ca factorii alesi sun


valabili, in sensul ca coeficientii corespunzatori acestora nu pot lua valoarea 0. Acest
lucru ne arata si intervalul de incredere, care nu il cuprinde pe 0.

4.2. Corelarea

. correlate PIB venit indicepret

(obs=78)

| PIB venit indice~t

-------------+---------------------------
PIB | 1.0000

venit | 0.9998 1.0000

indicepret | 0.9870 0.9865 1.0000

Din analiza tabelului de corelatii se observa puternica corelatie dintre variabila


dependenta si fiecare factor, dar si puternica corelatie dintre factori, ceea ce slabeste din
validitatea modelului regresional.

4.2.1. Eliminarea fenomenului de corelare a factorilor

Pentru a elimina fenomenul de corelare a factorilor se va realiza analiza componentelor


principale, rezultand doua variabile noi, in functie de cele anterior avute. Astfel:

. pca venit indicepret

Principal components/correlation Number of obs = 78

Number of comp. = 2

Trace = 2

Rotation: (unrotated = principal) Rho = 1.0000

--------------------------------------------------------------------------

Component | Eigenvalue Difference Proportion Cumulative

-------------+------------------------------------------------------------

Comp1 | 1.98654 1.97308 0.9933 0.9933

Comp2 | .0134622 . 0.0067 1.0000

--------------------------------------------------------------------------

Principal components (eigenvectors)

------------------------------------------------

Variable | Comp1 Comp2 | Unexplained

-------------+--------------------+-------------

venit | 0.7071 0.7071 | 0


indicepret | 0.7071 -0.7071 | 0

------------------------------------------------

Noile componente ale modelului vor fi:

F1 = 0.7071*venit + 0.7071*indicepret

F2 = 0.7071*venit - 0.7071*indicepret

4.2.2. Regresia in functie de factorii F1 si F2

. regress PIB f1 f2

Source | SS df MS Number of obs = 78

-------------+------------------------------ F( 2, 75) = .

Model | 1.2210e+10 2 6.1049e+09 Prob > F = 0.0000

Residual | 3594812.52 75 47930.8336 R-squared = 0.9997

-------------+------------------------------ Adj R-squared = 0.9997

Total | 1.2213e+10 77 158616055 Root MSE = 218.93

------------------------------------------------------------------------------

PIB | Coef. Std. Err. t P>|t| [95% Conf. Interval]

-------------+----------------------------------------------------------------

f1 | 7.036149 3.131896 2.25 0.028 .7970917 13.27521

f2 | -5.398985 3.151939 -1.71 0.091 -11.67797 .8799989

_cons | 56.47501 68.00173 0.83 0.409 -78.99139 191.9414

------------------------------------------------------------------------------

Se observa ca si in acest caz se mentin valorile ridicate ale variantei explicite cat si a R.
Asadar si acest model este reprezentativ si trece de primele teste.

Forma modelului este:

PIB = 56.47501 + 7.036149*f1 -5.398985*f2


Inlocuind cu valorile initiale ale factorilor vom avea:

PIB = 56.47501 + 1.1576378 * venit + 1.1576378 * indicepret

4.3. Corelatia partiala

. pcorr PIB venit indicepret

(obs=78)

Partial correlation of PIB with

Variable | Corr. Sig.

-------------+------------------

venit | 0.9943 0.000

indicepret | 0.2228 0.052

Daca se ia in considerare doar actiunea factorului (venit), celalalt factor


ramanand constant, atunci rezulta ca acesta influenteaza variabila Y in proportie de
0.9943.

Daca se ia in considerare doar actiunea factorului (indicepret), celalalt factor


ramanand constant, atunci rezulta ca acesta influenteaza variabila Y in proportie de
0.2228.

4.4. Autocorelarea erorilor

. estat dwatson

Durbin-Watson d-statistic( 3, 78) = .6110033

Testul Durbin-Watson arata existenta unei autocorelari la nivelul modelului, intrucat


valoarea coeficientului este destul de apropiata de 0, ceea ce arata o corelare directa intre
erori.

. estat bgodfrey

Breusch-Godfrey LM test for autocorrelation

---------------------------------------------------------------------------
lags(p) | chi2 df Prob > chi2

-------------+-------------------------------------------------------------

1 | 36.481 1 0.0000

---------------------------------------------------------------------------

H0: no serial correlation

Avand in vedere ca valoarea ‚hi patrat’ este 0, ipoteza nula de inexistenta autocorelarii
este respinsa. Asadar modelul prezinta o autocorelare.

4.4.1. Eliminarea fenomenului de autocorelare

Pentru a corecta autocorelarea erorilor cu ajutorul STATA se va rula testul Prais-


Winston, specificandu-se de asemenea optiunea Cochran-Orcutt.

Datele obtinute vor fi vizibil diferite fata de cele originale:

. prais PIB f1 f2 ,corc

Iteration 0: rho = 0.0000

Iteration 1: rho = 0.7081

Iteration 2: rho = 0.7167

Iteration 3: rho = 0.7181

Iteration 4: rho = 0.7183

Iteration 5: rho = 0.7183

Iteration 6: rho = 0.7183

Iteration 7: rho = 0.7183

Iteration 8: rho = 0.7183

Cochrane-Orcutt AR(1) regression -- iterated estimates

Source | SS df MS Number of obs = 77

-------------+------------------------------ F( 2, 74) =22850.00


Model | 1.1755e+09 2 587761035 Prob > F = 0.0000

Residual | 1903471.11 74 25722.5825 R-squared = 0.9984

-------------+------------------------------ Adj R-squared = 0.9983

Total | 1.1774e+09 76 15492441.3 Root MSE = 160.38

------------------------------------------------------------------------------

PIB | Coef. Std. Err. t P>|t| [95% Conf. Interval]

-------------+----------------------------------------------------------------

f1 | 9.545685 6.797692 1.40 0.164 -3.999012 23.09038

f2 | -7.921125 6.839497 -1.16 0.251 -21.54912 5.706871

_cons | 6.719343 164.2768 0.04 0.967 -320.6093 334.048

-------------+----------------------------------------------------------------

rho | .7183342

------------------------------------------------------------------------------

Durbin-Watson statistic (original) 0.611004

Durbin-Watson statistic (transformed) 1.717177

Observam ca valoarea coeficinetului Durbin-Watson este peste 1 ceea ce


inseamna ca nu mai exista o autocorelare a erorilor. Se observa ca modelul este valid atat
din punct de vedere al informatiei esplicate de factori, cat si din punct de vedere al
posibilitatii de predictie (F=0). De asemenea, coeficientii modelului sunt diferiti de 0.

4.5. Testarea parametrilor

. testparm f1 f2

( 1) f1 = 0

( 2) f2 = 0

F( 2, 75) = 1.3e+05

Prob > F = 0.0000 => parametrii sunt diferiti de 0


4.6. Legatura intre reziduuri si variabilele factor

Reziduurile nu trebuie sa fie corelate cu factorii

. correlate venit indicepret rmodel

(obs=78)

| venit indice~t rmodel

-------------+---------------------------

venit | 1.0000

indicepret | 0.9865 1.0000

rmodel | 0.0000 -0.0000 1.0000

Din tabelul de mai sus se observa ca variabilele factor (venitul si indicele


preturilor) nu se coreleaza cu reziduurile.

4.7. Analiza reziduurilor si predictiilor


4.7.1. Media reziduurilor

. ttest rmodel==0

One-sample t test

------------------------------------------------------------------------------

Variable | Obs Mean Std. Err. Std. Dev. [95% Conf. Interval]

---------+--------------------------------------------------------------------

rmodel | 78 3.89e-07 24.46501 216.0691 -48.71606 48.71607

------------------------------------------------------------------------------

mean = mean(rmodel) t = 0.0000

Ho: mean = 0 degrees of freedom = 77

Ha: mean < 0 Ha: mean != 0 Ha: mean > 0

Pr(T < t) = 0.5000 Pr(|T| > |t|) = 1.0000 Pr(T > t) = 0.5000
Testarea mediei rezidurilor egala cu 0 arata ca aceasta este egala cu 0.

4.7.2. Distributia erorilor fata de model

Din acest grafic se observa ca erorile sunt normal distribuite.

4.7.3. Testarea normalitatii reziduurilor


Din acest grafic se observa ca reziduurile sunt normal distribuite.

In continuare prezentam cateva teste prin care se verifica aceeasi normalitate a


reziduurilor. Aceste teste propun analiza asimetriei, respectiv a boltirii pentru a stabili
distribtia normala a reziduurilor.

. sktest rmodel

Skewness/Kurtosis tests for Normality

------- joint ------

Variable | Pr(Skewness) Pr(Kurtosis) adj chi2(2) Prob>chi2

-------------+-------------------------------------------------------

rmodel | 0.007 0.000 17.20 0.0002

- erorile nu sunt distribuite normal

- erorile sunt distribuite normal

Prob>chi2 = 0.05 > 0.0002 se respinge, erorile sunt distribuite normal.


4.8. Testarea ipotezelor liniare privind parametrii
4.8.1. Testul lui Ramsey

. estat ovtest

Ramsey RESET test using powers of the fitted values of PIB

Ho: model has no omitted variables

F(3, 72) = 10.67

Prob > F = 0.0000

- Y depinde doar de variabilele factor considerate

- Y depinde si de alte variabile

Fcalc = F(3, 72) = 10.67

Ftab = 2.74

se respinge, inseamna ca exista si alte variabile care explica variabila Y

Prob > F = 0.0000 < 0.05 se respinge

4.8.2. Testul lui Chaw

Presupunem ca impartim esantionul in 2 grupe: n1=65 si n2=13.

Estimam parametrii pentru prima grupa:

. regress PIB venit indicepret in 1/65

Source | SS df MS Number of obs = 65

-------------+------------------------------ F( 2, 62) = .

Model | 3.4100e+09 2 1.7050e+09 Prob > F = 0.0000

Residual | 802265.002 62 12939.7581 R-squared = 0.9998

-------------+------------------------------ Adj R-squared = 0.9998


Total | 3.4108e+09 64 53293550.8 Root MSE = 113.75

------------------------------------------------------------------------------

PIB | Coef. Std. Err. t P>|t| [95% Conf. Interval]

-------------+----------------------------------------------------------------

venit | 1.089366 .0209872 51.91 0.000 1.047414 1.131319

indicepret | 25.18873 5.367007 4.69 0.000 14.46024 35.91722

_cons | -95.6645 59.36767 -1.61 0.112 -214.3388 23.00978

------------------------------------------------------------------------------

Estimam parametrii pentru intreg esantionul:

. regress PIB venit indicepret

Source | SS df MS Number of obs = 78

-------------+------------------------------ F( 2, 75) = .

Model | 1.2210e+10 2 6.1049e+09 Prob > F = 0.0000

Residual | 3594817.54 75 47930.9005 R-squared = 0.9997

-------------+------------------------------ Adj R-squared


= 0.9997

Total | 1.2213e+10 77 158616055 Root


MSE = 218.93

------------------------------------------------------------------------------

PIB | Coef. Std. Err. t P>|t| [95% Conf. Interval]

-------------+----------------------------------------------------------------

venit | 1.157639 .0143654 80.59 0.000 1.129022 1.186257

indicepret | 8.792613 4.443268 1.98 0.052 -.0588302 17.64406

_cons | 56.47864 68.00137 0.83 0.409 -78.98703 191.9443


------------------------------------------------------------------------------

-parametrii celor doua grupe sunt constanti

- parametrii celor doua grupe nu sunt constanti

(e*’ * e* - e1 ‘ * e1 ) / n2

F=

e1 ‘ * e1 / (n1 - k)

= F(n2 , n1 – k) = F(13,65 – 2) = F(13,63) = 1.87

Fcalc = mare

Ftab = 3.13

se respinge, parametrii celor doua grupe nu sunt constanti

4.9. Variante constante (homoscedasticitatea)

. estat hettest

Breusch-Pagan / Cook-Weisberg test for heteroskedasticity

Ho: Constant variance

Variables: fitted values of PIB

chi2(1) = 13.37

Prob > chi2 = 0.0003

H0: modelul este heteroscedastic

H1: modelul nu este heteroscedastic

λcalc = 13.37

λtab = 11.07 (sunt 5 grade de libertate)

λcalc > λtab => H0 se respinge, deci modelul nu este heteroscedastic

. estat imtest,white
White's test for Ho: homoskedasticity

against Ha: unrestricted heteroskedasticity

chi2(5) = 27.05

Prob > chi2 = 0.0001

Cameron & Trivedi's decomposition of IM-test

---------------------------------------------------

Source | chi2 df p

---------------------+-----------------------------

Heteroskedasticity | 27.05 5 0.0001

Skewness | 7.08 2 0.0290

Kurtosis | 1.22 1 0.2686

---------------------+-----------------------------

Total | 35.35 8 0.0000

---------------------------------------------------

H0: modelul este homoscedastic

H1: modelul nu este homoscedastic

λcalc = 27.05

λtab = 11.07 (sunt 5 grade de libertate)

λcalc > λtab => H0 se respinge, deci modelul nu este homoscedastic.

4.10. Puterea de previzionare a modelului

. anova PIB venit indicepret,partial

Number of obs = 78 R-squared = 1.0000

Root MSE = 0 Adj R-squared =


Source | Partial SS df MS F Prob > F

-----------+----------------------------------------------------

Model | 1.2213e+10 77 158616055

venit | 1.2213e+10 77 158616055

indicepret | 0 0

Residual | 0 0

-----------+----------------------------------------------------

Total | 1.2213e+10 77 158616055

Facand testul ANOVA acesta ne arata ca varianta totala este data de varianta explicta a
modelului, iar varianta reziduala este 0. aceasta inseamna ca modelul este vaid si poate fi
folosit in previziune.

In continuare voi prezenta graficele suprapuse ale valorilor PIB-ului, asa cum au
fost ele preluate din tabele si asa cum au fost prezise de model. Astfel:

PIB-ul in functie de variatia veniturilor:


PIB-ul in functie de variatia preturilor:

PIB-ul prezis de modelul multifactorial, luand in considerare atat variatia veniturilor cat
si variatia preturilor:
Comparand variantele celor doua variabile : PIB-ul in valori reale si PIB-ul in valori
prezise se observa ca acestea au variantele egale:

. sdtest PIB==pmodel

Variance ratio test

------------------------------------------------------------------------------

Variable | Obs Mean Std. Err. Std. Dev. [95% Conf. Interval]

---------+--------------------------------------------------------------------

PIB | 78 11227.68 1426.022 12594.29 8388.107 14067.25

pmodel | 78 11227.68 1425.812 12592.43 8388.525 14066.83

---------+--------------------------------------------------------------------

combined | 156 11227.68 1005.018 12552.67 9242.38 13212.98

------------------------------------------------------------------------------

ratio = sd(PIB) / sd(pmodel) f = 1.0003


Ho: ratio = 1 degrees of freedom = 77, 77

Ha: ratio < 1 Ha: ratio != 1 Ha: ratio > 1

Pr(F < f) = 0.5005 2*Pr(F > f) = 0.9990 Pr(F > f) = 0.4995

5. Concluzii
Analizand validitatea modelelor se observa ca acestea nu trec toate testele necesitand
astfel diferite ajustari. Este clar insa ca intr-o economie, variatia PIB-ului este
determinata de variatia nivelului veniturilor si de variatia nivelului preturilor. Asadar,
variabila independenta, dupa cum ne arata si testele si modelele depinde in mare masura
de cei doi factori analizati.

Modelul PIB-ului in functie de venit si pret poate arata astfel: