Cur Suri

ECONOMETRIE
CURS 2
Regresia liniară simplă (RLS)
1. Modelul RLS
2. Estimarea punctuală a parametrilor modelului RLS
3. Estimarea prin interval de încredere a parametrilor modelului
RLS
4. Probleme specifice utilizând Excel şi SPSS
5. Estimarea indicatorilor de corelaţie (coeficientul de corelaţie,
raportul de corelaţie, raportul de determinaţie)
2
1. Modelul de regresie simplă liniară
Interpretarea geometrică şi statistică a regresiei
Exemplu
•Se consideră repartiţia a 50 de firme după profitul realizat (Y,
variabilă dependentă, sute mil. lei) şi cheltuielile cu publicitatea (X,
variabilă independentă, mil. lei).
•Pe baza datelor de mai sus, putem construi 5 repartiţii condiţionate.

Interpretarea geometrică şi statistică a regresiei
Interpretarea geometrică a regresiei
•Mediile condiţionate corespunzătoare celor 5 repartiţii:
 O valoare a variabilei condiţionate Y | X  xi se poate scrie:

yxi  0  1 xi
 Dreapta de regresie: mediile distribuţiilor condiţionate
YX  0  1 X
6
 Forma generală a unui model de regresie este: M(Y│X)=f(x).
 Pentru modelul de regresie liniară simplă forma modelului

devine:
M(Y│X) = β0+β1X
unde:
M(Y│X) – media condiţionată corespunzătoare variabilei
stohastice Y
β0 şi β1 – parametrii modelului.
7
 În cele mai multe cazuri, valorile reale yi diferă de valorile

aşteptate (teoretice) M(Y│X=xi) = yxi = .
 Abaterea valorilor reale faţă de valorile teoretice reprezintă
valorile variabilei stohastice, ε, denumită eroare de modelare.
εi = yi – yxi = yi - M(Y│X=xi)  yi = M(Y│X=xi) + εi = β0+ β1xi + εi
Deci:
yi = β0+ β1xi + εi
sau Y= β0+ β1X + ε
8
1. Modelul RLS
 Componentele modelului RLS sunt:
1. Componenta deterministă este reprezentată de media

condiţionată: M(Y│X=xi) = β0+ β1xi
2. Componenta aleatoare ε depinde de: natura fenomenului,

specificarea incompletă a modelului şi erorile de măsurare.
9
Parametrii modelului de regresie liniară simplă
Y
0
1
0 X
Linia de regresie sau media condiţionată
Parametrii modelului de regresie liniară simplă
  o reprezintă constanta sau termenul liber al modelului şi reprezintă
valoarea medie a variabilei Y atunci când X=0.
M(Y|X=0) =
 Grafic, parametrul reprezintă ordonata la origine sau intersecţia
dreptei de regresie liniară cu axa OY (engl. intercept).
 1 reprezintă variaţia medie absolută a variabilei dependente, Y, la o

variaţie absolută cu o unitate a variabilei independente, X.
Daca
 Grafic, parametrul reprezintă tangenta unghiului format dintre dreapta
de regresie şi axa OX sau panta dreptei de regresie (engl. slope).
 Dacă β1>0 => ceea ce indică o legătură directă sau pozitivă între variabilele
X şi Y (de exemplu, dacă X creşte cu o unitate, Y creşte, în medie, cu β1 unităţi);
 Dacă β1<0 => există o legătură inversă între variabilele Y şi X între variabile
există o legătură inversă (de exemplu, la o creştere a lui X cu o unitate, Y scade,
în medie, cu β1 unităţi);
 Dacă β1=0 nu există legătură de tip liniar între variabilele Y şi X.
12
La nivelul unui eşantion, modelul yi   0  1 xi   i poate fi scris pe

baza estimatorilor yi  ˆ0  ˆ1 xi  ˆi sau y i  yˆ i  ˆi .
unde:
- yˆ i  ˆ0  ˆ1 xi este estimatorul mediei condiţionate M(Y│X=xi);
- ̂ 0 este estimatorul parametrului  0
- ˆ este estimatorul parametrului  1
1
-  este estimatorul erorii stohastice εi
i
 Pentru un eşantion observat, modelul de regresie liniară simplă poate fi
scris:
yi  b0  b1 xi  ei
13
2. Estimarea punctulă a parametrilor
modelului RLS
Estimarea parametrilor modelului de regresie liniară
simplă
•Estimarea reprezintă procedeul de aflare a unui parametru al unei
populaţii (  o , 1 ) pe baza datelor înregistrate la nivelul unui
eşantion.
•Estimarea se poate realiza:

-punctual: metoda celor mai mici pătrate (MCMMP);
-prin interval de încredere.
•Problemele pe care le ridică estimarea parametrilor modelului de

regresie vizează metodele de determinare a estimatorilor,
proprietăţile estimatorilor obţinuţi printr-o anumită metodă şi
metodele de estimare a parametrilor.
2. Estimarea punctuală a parametrilor
modelului RLS
simplă
•Metode de determinare a estimatorilor parametrilor modelului de
regresie: metoda celor mai mici pătrate, metoda momentelor,
metoda verosimilităţii maxime etc.
•Principalele proprietăţi ale estimatorilor parametrilor modelului de

regresie sunt: nedeplasarea, convergenţa, eficienţa.
•Metoda celor mai mici pătrate presupune estimarea unei linii de

regresie care să aproximeze cel mai bine datele reale, adică între
valorile estimate și cele reale să existe o distanță cât mai mică.
2. Estimarea punctuală a parametrilor
modelului RLS
Metoda celor mai mici pătrate (MCMMP)
•Criteriul
care stă la baza metodei celor mai mici pătrate constă în
minimizarea pătratelor erorii de modelare:
2
   
n n n n
 i  i i   yi  (ˆ0  ˆ1 xi )   yi  ˆ0  ˆ1 xi

 2 2
S 
ˆ 2
 y  ˆ
y  min
i 1 i 1 i 1 i 1
• Rezolvarea acestei probleme de minim presupune îndeplinirea a două

condiţii:
-anularea derivatelor parţiale de ordinul I ale lui S în raport cu ̂ 0 şi ̂1
S ( ˆ0 , ˆ1 ) şi S ( ˆ0 , ˆ1 )

0 0
ˆ ˆ  2S
0 1 2S 
 
-matricea derivatelor parţiale de   2 ˆ0 ˆ ˆ
 0 1 
det 2 2  0
ordinul doi să fie pozitiv definită:  S  S
 
 ˆ ˆ  1 
2 ˆ
 0 1
modelului RLS
•Anularea derivatelor parţiale de ordinul I ale lui S în raport cu estimatorii
celor doi parametri:
 
n n n
S
ˆ
2 yi  ˆ0  ˆ1 xi  1  0 nˆ0  ˆ1 x y i i
i 1
0
 i 1 i 1
 
n n n n
S
2 y i  ˆ0  ˆ1 xi  xi   0 ˆ0  xi  ˆ1  xi2  yx i i
 1 i 1 i 1 i 1 i 1
ˆ 
 y x x x y
i
2
i i
;
i i
ˆ1 
n x y x y ;
i i i i ˆ0  y  ˆ1 x
n x   x  n x   x 
0 2 2
2 2
i i i i
•Matricea derivatelor parţiale de ordinul II

n
 x i 
 este pozitiv
 x x 2
definită fiindcă: n  x 2    x   n 2 2 . 0
2  i i 
i i
modelului RLS
Estimarea punctuală
• Parametrii modelului de regresie se estimează punctual, considerând
estimaţiile calculate la nivelul unui eşantion reprezentativ extras din
populaţia de referinţă, pe baza relaţiilor obţinute pentru estimatori:
sau
n
3. Estimarea prin interval de încredere a
parametrilor modelului RLS
Proprietăţile estimatorilor paramerilor modelului de
regresie
•Estimatorii parametrilor modelului de regresie sunt variabile de
selecţie care:
-urmează o repartiţie normală:  0

ˆ0 ~ N  0 , 2ˆ ˆ1 ~ N 1 , 2ˆ1  
-sunt nedeplasaţi:   M ˆ   
M ˆ0 ,   0 1 1
-sunt convergenţi: ˆ  ,  ˆ   

0 nN 0 1 nN 1
-sunteficienţi: dintre toţi estimatorii posibili pentru , are varianţa

cea mai mică.
• Estimarea prin interval de încredere se bazează pe distribuţiile de

selecţie ale estimatorilor parametrilor  şi  .
0 1
• Atât pentru  0 , cât şi pentru 1 , intervalele de încredere se vor construi

pentru un nivel de încredere de (1-α):
IC (  0 ) : [ ˆ0  t / 2,n  k ˆ ˆ ] IC ( 1 ) : [ ˆ1  t / 2,n  k ˆ ˆ ]
0 1
• Pe baza datelor de la nivelul unui eşantion, se vor utiliza estimaţiile

parametrilor:
IC (  0 ) : [b0  t / 2,n k sˆ ] IC ( 1 ) : [b1  t / 2,n k sˆ ]
0 1
unde
k = numărul parametrilor estimaţi în model (pentru modelul liniar k=2),
n = volumul eşantionului pe baza căruia se fac estimările.
• Abaterile standard ale estimatorilor şi estimaţiile acestora se determină

după relaţiile:
   

2 1 x 2  
2 1 x 2 
ˆ   ˆ 2ˆ      , respectiv sˆ  sˆ  s  
2
2 
0 0
n 
 ix  x 2

0 0
 n  xi  x  
 i   i 
ˆ 2 s2
ˆ   ˆ 2ˆ 
1 n
s
, respectiv 1ˆ  s 2
ˆ1
 n
 ( x  x)  ( x  x)
1
2 2
i i
i 1 i 1
unde ˆ 2 este estimatorul varianţei erorii de modelare, iar s 2 este

estimaţia acestuia:
ˆ  ˆ x ) 2 , respectiv 2  ei2  ( yi  b0  b1 xi ) 2
ˆ 2   i   i
ˆ 2
( y   0 1 i
s  
n2 n2 n2 n2
Exemple de modele liniare simple în
teoria economică
Funcţia de consum
-consumul populaţiei în funcţie de venit:
Ci   0  1Vi   i , unde parametrul 1

 arată cu cât creşte consumul unui anumit produs (Ci ) la o creştere
cu o unitate a venitului;
 este de regulă pozitiv.
Legea cererii
-cererea în funcţie de preţul produselor:
Ci   0  1 Pi   i , unde parametrul 1
 arată cu cât scade cererea la o creştere a preţului cu o unitate.
 este de regulă negativ şi
22
4. Probleme specifice utilizând Excel si
SPSS
1. Se consideră datele cu privire la Nivelul studiilor (ani), X, şi

Venitul (lei), Y, pentru un eşantion de 5 angajaţi . Datele sunt
prezentate în tabelul următor.
xi yi
10 800
12 1000
12 1200
14 1600
16 1800
23
Estimatiile punctuale ale parametrilor
24
1. Tabelul coeficientilor de regresie
Rezultate Excel
Coefficients Standard Error t Stat P-value Lower 95% Upper 95%

Intercept -984,615 315,291 -3,123 0,052 -1988,011 18,781
Nivelul studiilor (ani) 176,923 24,325 7,273 0,005 99,509 254,337
Rezultate SPSS
25
Estimatiile punctuale ale parametrilor
Pentru eşantionul observat, modelul de regresie liniară simplă poate fi

scris:
Ecuatia dreptei de regresie este:
b1: Daca nivelul studiilor creste cu 1 an ( ), venitul creste, in

medie, cu 176,92 lei ( = ).
Daca nivelul studiilor creste cu 2 ani ( ), venitul creste, in
medie, cu 353,84 lei ( = ).
b0: Daca, ipotetic, nivelul studiilor este egal cu 0 ani, venitul mediu
estimat este egal cu -984,62 lei (M(Y|X=0) = . 26
Venitul estimat
in functie de
Venitul real
studii
Erorile
Valorile 𝑦 reprezinta valorile venitului estimat in functie de studii, adica 𝑦 .

Daca X=10, atunci Yx=-984,62+176,92*10 --> Yx=784,62
27
Estimarea prin IC a parametrilor
 Estimarea prin IC a pantei dreptei:
; ;
Din tabelul Coefficients:

=176,92 (Unstd. Coeff.)
= 24,325 (Std. Error)
28
 In estimarea prin IC a pantei dreptei se foloseşte
statistica t Student.
 IC 95% este:
;
 Din Tabelul repartiţiei Student (Anexă) se citeşte

valoarea:
;
= t0,025;3=3,182.
29
Valorile distribuţiei Student
v t0.1 t0.05 t0.025
1 3,078 6,314 12,706
2 1,886 2,920 4,303
3 1,638 2,353 3,182
... ... ... ...
19 2,093
∞ 1,96
30
 IC devine:
 Se poate garanta cu o probabilitate de 95% că

panta dreptei de regresie este acoperită de
intervalul (99,52; 254,32).
 La o crestere cu 1 an a nivelului de studii, venitul
creste, in medie, cu o valoare acoperita de
intervalul (99,52; 254,32) lei.
31
 Estimarea prin IC a ordonatei la origine:
; ;
Din tabelul Coefficients (de pe randul Intercept / Constant):

=-984,62 (Unstd. Coeff.)
= 315,291 (Std. Error)
32
 In estimarea prin IC a ordonatei la origine se
foloseşte statistica t Student.
 IC 95% este:

valoarea

; = t0,025;3=3,182.
33
 IC devine:

ordonata la origine este acoperită de intervalul
.
 Atunci cand, ipotetic, nivelului de studii este 0
ani, venitul mediu estimat este egal cu o valoare
acoperita de intervalul lei.
34
Rezultate Excel

Intercept -984,615 315,291 -3,123 0,052 -1988,011 18,781
Rezultate SPSS
35
36
5. Estimarea indicatorilor de corelaţie
Coeficientul de corelaţie (se foloseşte doar pentru modelul liniar):
N
cov( X , Y )
(x  i x )( yi  y )
 ( X ,Y )   i 1 , -1≤ ρ ≤+1
 x y N x y
n n n n
 ( x  x)( y  y )
i i n xi yi  xi  yi
̂ ( X , Y )  r  i 1
 i 1 i 1 i 1
nsx s y n n n n
[n x  ( xi ) ][n y  ( yi ) 2 ]
2
i
2 2
i
i 1 i 1 i 1 i 1
•Legătura dintre estimația coeficientului de corelație (r) și estimația

coeficientului de regresie liniară (b1) se realizează prin relația:
s x2 2
r  b1 2
2 , unde s x şi
s y reprezintă estimațiile varianțelor variabilei
sy
X, respectiv a variabilei Y.
Coeficientul de corelaţie
38
2. Tabelul coeficientilor de corelatie
Rezultate SPSS
0,973
Legatura dintre Studii si Venit este o legatura directa si foarte

stransa.
39
Descompunerea variaţiei totale a variabilei Y
41
VT =  (y
i
i - y )2 , reprezintă variaţia totală (Total Sum of Squares);
VE =  (yˆ i - y )2 , reprezintă variaţia explicată (Explained Sum of Squares);

i
𝑉 = (𝑦 − 𝑦 ) = 𝑒 , reprezintă variaţia reziduală (Residual Sum of Squares).
•Variaţia totală este egală cu suma celorlalte două variaţii componente
VT = VE  VR
(TSS = ESS + RSS)
TSS = ESS + RSS
TSS = 688000 TSS 2
ESS= 651076,923 ESS 2
RSS 43
RSS = 36923,077
3. Tabelul ANOVA de regresie
Rezultate Excel
ANOVA
df SS MS F Significance F
Regression 1 651076,9231 651076,923 52,9 0,005364071
Residual 3 36923,07692 12307,6923
Total 4 688000
TSS = ESS + RSS

TSS = Total Sum of Squares = 688000
ESS = Regression Sum of Squares = 651076,923
RSS = Residual Sum of Squares = 36923,077
44
3. Tabelul ANOVA de regresie
Rezultate SPSS
TSS = ESS + RSS

TSS = Total Sum of Squares = 688000
ESS = Regression Sum of Squares = 651076,923
RSS = Residual Sum of Squares = 36923,077
45
Raportul de determinaţie
 ( yˆ i  y)2
VE V
 2
 i
  1  R , cu 0 ≤ η2 ≤1
(y
i
i  y)2 VT VT
•O estimaţie a raportului de determinaţie se obţine prin relaţia:
 0 1
(b  b x  y ) 2
ESS RSS
R 2= i
  1
(y
i
i  y)2 TSS TSS
R2 măsoară ponderea variaţiei variabilei Y explicată prin variabila X.

Estimaţia raportului de determinaţie se obţine prin relaţia:
R2 măsoară ponderea variaţiei variabilei Y explicată prin variabila X.
Variatia Venitului este explicata in proportie de 94,6% de variatia

Nivelului studiilor.
Variatia Venitului este explicata in proportie de 5,4% de variatia factorilor
aleatori.
Raportul de corelaţie la nivelul populatiei totale
(parametrul)
0≤η≤1
Estimaţia raportului de corelaţie:
 (b  b x  y )
0 1
2
ESS RSS
R i
=  1
(y  y)
i
i
2
TSS TSS
48
Estimaţia raportului de corelaţie:
Legatura dintre Studii si Venit este o legatura foarte stransa.
49
4. Tabelul indicatorilor de corelatie
Rezultate Excel
SUMMARY OUTPUT
Regression Statistics
Multiple R 0,973
R Square 0,946
Adjusted R Square 0,928
Standard Error 110,940
Observations 5,000
Rezultate SPSS
50
2. Se consideră datele cu privire la Valoarea vânzărilor (sute mii
euro), Y, şi Cheltuielile cu publicitatea (sute euro), X, pentru un
eşantion de 4 firme. Datele sunt prezentate în tabelul următor.
xi yi
10 2500
20 4100
50 5000
100 7500
51
Model Summary
Adjusted Std. Error of

Model R R Square R Square the Estimate
1 .977 a .954 .931 10.64486
a. Predictors: (Constant), chelt_publicitate
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients 95% Confidence Interval for B
Model B Std. Error Beta t Sig. Lower Bound Upper Bound
1 (Constant) -45.163 15.015 -3.008 .095 -109.766 19.439
chelt_publicitate .019 .003 .977 6.422 .023 .006 .032
a. Dependent Variable: Val_vanzari
Correlations
vanzari chelt_publ
vanzari Pearson Correlation 1 .977*
Sig. (2-tailed) .023
N 4 4
chelt_publ Pearson Correlation .977* 1
N 4 4
*. Correlation is significant at the 0.05 level (2-tailed).
52
Coefficientsa
1 (Constant) -45.163 15.015 -3.008 .095 -109.766 19.439
Pentru eşantionul observat, modelul de regresie liniară simplă poate fi

scris:
Daca cheltuielile de publicitate cresc cu 100 euro, atunci valoarea

vanzarilor creste, in medie, cu 1900 euro.
53
 Estimarea prin IC a pantei dreptei:
; ;

= 0,003 (Std. Error)
54
 In estimarea prin IC a pantei dreptei se foloseşte
statistica t Student.
 IC 95% este:

valoarea

; = t0,025;2=4,303.
55
v t0.1 t0.05 t0.025
1 3,078 6,314 12,706
2 1,886 2,920 4,303
3 1,638 2,353 3,182
... ... ... ...
19 2,093
∞ 1,96
56
 IC devine:

panta dreptei de regresie este acoperită de
intervalul .
 La o crestere cu 100 de euro a cheltuielior de
publicitate, vanzarile cresc, in medie, cu o valoare
acoperita de intervalul (600; 3200) euro.
57
ECONOMETRIE
CURSUL 3
Iaşi
- 2021 -
CURS 3 - REGRESIA LINIARĂ SIMPLĂ
3.1. Testarea parametrilor de regresie
3.2. Testarea modelului de regresie
3.3. Testarea indicatorilor de corelaţie
3.4. Probleme specifice utilizând SPSS
2
3. Modelul de regresie liniară simplă
3.1. Testarea parametrilor modelului de regresie
1. Formularea ipotezelor:
H 0 : 0  0 H 0 : 1  0
H1 :  0  0 H1 : 1  0
2. Alegerea pragului de semnificaţie: α=0.05
3. Alegerea statisticii test:
ˆ0   0 H 0 ˆ0 ˆ1  1 H 0 ˆ1
t  ~ t (n  2) t  ~ t (n  2)
ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ
0 0 1 1
4. Determinarea valorii teoretice a testului:

tteoretic  t / 2; n  2 tteoretic  t / 2; n  2
5. Determinarea valorii calculate a testului:

b0 b1
tcalc  t calc 
sˆ s ˆ
1
3
0
6. Regula de decizie:
- dacă | t calc |  tteoretic , nu se respinge ipoteza H 0 cu o probabilitate 1- α
- , se respinge ipoteza cu un risc asumat α
4
-
Se compara p-value (Sig.) si α
Sig.    H 0
Sig.
5
- dacă | t calc | tteoretic , se respinge ipoteza H 0 cu un risc asumat α
6
-
Sig.    H1
Sig.
7
Probleme specifice utilizând Excel
Aplicaţia (1)
 Se consideră datele cu privire la Nivelul studiilor (ani), X, şi

Venitul (lei) pentru un eşantion de 5 angajaţi. Datele sunt
prezentate în tabelul următor.
xi yi
10 800
12 1000
12 1200
14 1600
16 1800
64 6400
8
Rezultate Excel
SUMMARY OUTPUT
Multiple R 0,973
R Square 0,946
Observations 5,000
ANOVA
Regression 1 651076,9231 651076,9231 52,9 0,005364071
Residual 3 36923,07692 12307,69231
Total 4 688000

Intercept -984,615 315,291 -3,123 0,052 -1988,011 18,781
9
Testarea semnificatiei pantei dreptei
H 0 : 1  0
H1 : 1  0
3. Alegerea statisticii test: testul Student
4. Determinarea valorii teoretice (critice) a testului: tteoretic  t / 2; n  2
Din Tabelul repartiţiei Student (Anexă) se citeşte valoarea:
; = t0,025;3=3,182.
10
v t0.1 t0.05 t0.025
1 3,078 6,314 12,706
2 1,886 2,920 4,303
3 1,638 2,353 3,182
... ... ... ...
19 2,093
∞ 1,96
11
Testarea semnificatiei pantei dreptei

= 24,325 (Std. Error)
𝑏 176,92
𝑡 = = = 7,27
𝑠 24,325
12
3.1. Testarea semnificatiei pantei dreptei de regresie
- dacă | t calc |  tteoretic , nu se respinge ipoteza H 0

Sig.    H1
Sig.    H 0
13
7. Decizia:
Deoarece ( =3,182)
, se respinge ipoteza H 
0
Deci, cu un risc de 5%, putem afirma ca panta dreptei de regresie difera

semnificativ de 0. Deci, legatura dintre Venit si Studii este semnificativa
statistic.
14
Testarea semnificatiei ordonatei la origine
H 0 : 0  0
H1 :  0  0
; = t0,025;3=3,182.
15
Testarea semnificatiei ordonatei la origine

b0
tcalc 
sˆ
0

=-984,62 (Unstd. Coeff.)
= 315,29 (Std. Error)
16
- dacă | t calc |  tteoretic , nu se respinge ipoteza H 0

Sig.    H1
Sig.    H 0
17
3.1. Testarea semnificatiei ordonatei la origine
7. Decizia:
Deoarece ( =3,182)
, nu se respinge ipoteza H 0 
Deci, cu o probabilitate de 95%, putem afirma ca ordonata la origine nu

difera semnificativ de 0.
18
19
1.Formularea ipotezelor:
(modelul nu este semnificativ, adică X nu explică semnificativ variaţia lui Y)
(modelul este bine specificat sau modelul explică semnificativ legătura liniară dintre
cele două variabile)
2.Alegerea pragului de semnificaţie: α=0.05

3.Alegerea statisticii test: statistica test Fisher
4.Determinarea valorii teoretice a testului:

; ; ;
20
(modelul nu este semnificativ, adică X nu explică semnificativ variaţia lui Y)
cele două variabile)

3.Alegerea statisticii test:

; ; ;
5.Determinarea ESS scrisă pentru 2date de la

valorii calculate a testului (relaţia
nivelul eşantionului):
RSS
21
- dacă Fcalc  Fteoretic , nu se respinge ipoteza H 0 cu o probabilitate 1- α
- SAU Sig.    H 0
𝑆𝑖𝑔.
𝑐𝑎𝑙𝑐
22
- dacă Fcalc  Fteoretic , se respinge ipoteza H 0 cu un risc asumat α
- SAU Sig.    H 1
𝑆𝑖𝑔.
𝑐𝑎𝑙𝑐
23
7. Luarea deciziei
3. Tabelul ANOVA de regresie (RLS)
24
3.2. Testarea modelului de regresie dintre Studii si Venit
(modelul nu este semnificativ; Studiile nu explică semnificativ variaţia Venitului)
Studii di Venit)

3.Alegerea statisticii test: Testul Fisher

; ; ;
Din tabelul repartitiei Fisher, se citeste valoarea teoretica (critica) a testului:
, ; ;
25
Tabelul Fisher
v2/v1 1 2 3 4 5 6 7
1 161,448 199,500 215,707 224,583 230,162 233,986 236,768
2 18,513 19,000 19,164 19,247 19,296 19,330 19,353
3 10,128 9,552 9,277 9,117 9,014 8,941 8,887

4 7,709 6,944 6,591 6,388 6,256 6,163 6,094
5 6,608 5,786 5,410 5,192 5,050 4,950 4,876
6 5,987 5,143 4,757 4,534 4,387 4,284 4,207

n>120 3,842 2,996 2,605 2,372 2,214 2,099 2,010
26
5. Determinarea valorii calculate a testului (la nivelul eşantionului):
ANOVA
Regression k-1 = 1 ESS = 651076,92 651076,92 52,9 0,0054
Residual n-k = 3 RSS = 36923,077 12307,692
Total n-1 =4 TSS = 688000
27
- dacă Fcalc  Fteoretic , nu se respinge ipoteza H 0 cu o probabilitate 1- α

Sig.    H1
Sig.    H 0
7. Luarea deciziei
128  H1
Deci, exista o legatura liniara semnificativa intre Venit si Studii.

28
Modelul RLS este semnificativ statistic.
Testarea coeficientului de corelaţie 
H0 :  0 (între cele două variabile nu există o legătură de tip liniar sau cele două variabile nu sunt
corelate semnificativ)
H1 :   0 (coeficientul de corelaţie este semnificativ statistic, adică cele două variabile sunt corelate
semnificativ; legătura de tip liniar dintre cele două variabile este semnificativă)
3.Alegerea statisticii test : statistica test Student

tteoretic  t / 2; n  2
5.Determinarea valorii calculate a testului (la nivelul eşantionului observat):
29
- dacă | t calc | tteoretic, nu se respinge ipoteza H 0 ( ρ nu este semnificativ)
- dacă | tcalc | tteoretic, se respinge ipoteza H 0 cu un risc asumat α ( ρ este
semnificativ)
7. Luarea deciziei: 30
Testarea semnificatiei coeficientului de corelatie
(Variabilele Studii si Venit nu sunt corelate semnificativ; nu există o
legătură de tip liniar intre Studii si Venit)
(Variabilele Studii si Venit sunt corelate semnificativ; există o legătură de
tip liniar intre Studii si Venit)
;
= t0,005;3=5,841
31
4. Determinarea valorii calculate a testului (relaţia scrisă pentru
date de la nivelul eşantionului):
, , , ,
= =7,25
, , , ,
Tabelul coeficientilor de corelatie
0,973
32
- dacă | t calc | tteoretic, nu se respinge ipoteza H 0 cu o probabilitate 1- α
- dacă | tcalc | tteoretic, se respinge ipoteza H 0 cu un risc asumat α ( ρ este
semnificativ)
33
7. Decizia:
Deoarece ( =5,841)
, se respinge ipoteza H 
0
Deci, cu un risc de 1%, coeficientul de corelatie Pearson difera semnificativ

de 0. Deci, legatura dintre Venit si Studii este semnificativa statistic.
34
Testarea raportului de determinaţie η2
 02  0
H 0 : (între cele două variabile nu există o legătură semnificativă de tip liniar)
 02  0
H1 :  (între cele două variabile există o legătură semnificativă de tip liniar)

3.Alegerea statisticii test : statistica test Fisher

Fteoretic  F ; k -1; n  k
5.Determinarea valorii calculate a testului (la nivelul eşantionului):
35
- dacă Fcalc  Fteoretic, nu se respinge ipoteza H 0 ( η2 nu este semnificativ)
- dacă Fcalc  Fteoretic, se respinge ipoteza H 0 cu un risc asumat α ( η2 este
semnificativ)
Testarea raportului de determinaţie η2 dintre Studii si Venit
 02  0
H 0 : (între Studii si Venit nu există o legătură semnificativă de tip liniar)
 02  0
H1 :  (între Studii si Venit există o legătură semnificativă de tip liniar)

3.Alegerea statisticii test: statistica test Fisher

; ; ;
Din tabelul repartitiei Fisher, se citeste valoarea teoretica (critica) a testului:
, ; ; 37
Tabelul Fisher
v2/v1 1 2 3 4 5 6 7
1 161,448 199,500 215,707 224,583 230,162 233,986 236,768
2 18,513 19,000 19,164 19,247 19,296 19,330 19,353
3 10,128 9,552 9,277 9,117 9,014 8,941 8,887

4 7,709 6,944 6,591 6,388 6,256 6,163 6,094
5 6,608 5,786 5,410 5,192 5,050 4,950 4,876
6 5,987 5,143 4,757 4,534 4,387 4,284 4,207

n>120 3,842 2,996 2,605 2,372 2,214 2,099 2,010
38
39
3.2. Testarea indicatorilor de corelatie
- dacă Fcalc  Fteoretic , nu se respinge ipoteza H 0

Sig.    H1
Sig.    H 0
7. Luarea deciziei
128  H1
Deci, exista o legatura liniara semnificativa intre Venit si Studii, in

40
conditiile unui risc de 5%.
Testarea raportului de corelaţie η
(între cele două variabile nu există o legătură semnificativă de tip liniar)
(între cele două variabile există o legătură semnificativă de tip liniar)

3.Alegerea statisticii test : statistica test Fisher

Fteoretic  F ; k -1; n  k
41
semnificativ)
Probleme specifice utilizând SPSS
Aplicaţia (2)
• Se consideră datele cu privire la valoarea vânzărilor şi cheltuielile cu
publicitatea pentru un eşantion de 4 firme. Datele sunt prezentate în
tabelul următor:
43
Rezultatele modelării econometrice
Model Summary

1 .977a .954 .931 10.64486
a. Predictors: (Constant), chelt_publicitate
Coefficientsa
1 (Constant) -45.163 15.015 -3.008 .095 -109.766 19.439
Correlations
vanzari chelt_publ
vanzari Pearson Correlation 1 .977*
N 4 4
chelt_publ Pearson Correlation .977* 1
N 4 4
44
*. Correlation is significant at the 0.05 level (2-tailed).
Aplicaţia (3)
Se consideră rata mortalităţii infantile şi PIB-ul (Produsul Intern Brut)
înregistrate pentru judeţele României, în anul 2010.
1. Reprezentarea grafică a legăturii dintre cele două variabile analizate
45
Aplicaţia (3) – rezultatele modelării econometrice
2. Estimarea şi testarea parametrilor de regresie
Coefficientsa
1 (Constant) 13,636 ,825 16,526 ,000 11,969 15,304
PIB -,00016 ,00004 -,00016 -4,140 ,000 -,00023 -,00008
a. Dependent Variable: Rata mortalitatii infantile
46
3. Estimarea şi testarea coeficientului de corelaţie
Correlations
Rata
mortalitatii
infantile PIB
Rata mortalitatii infantile Pearson Correlation 1 -,548**
Sig. (2-tailed) ,000
N 42 42
PIB Pearson Correlation -,548** 1
Sig. (2-tailed) ,000
N 42 42
**. Correlation is significant at the 0.01 level (2-tailed).
47
4. Estimarea şi testarea raportului de determinaţie şi raportului de
corelaţie
Model Summary

1 ,548a ,300 ,282 2,0406
a. Predictors: (Constant), PIB
5. Testarea modelului de regresie (Estimarea şi testarea raportului de

determinaţie şi raportului de corelaţie)
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 71,382 1 71,382 17,142 ,000a
Residual 166,568 40 4,164
Total 237,951 41
a. Predictors: (Constant), PIB 48
b. Dependent Variable: Rata mortalitatii infantile
ECONOMETRIE
CURSUL 4
Iaşi
- 2021 -
CURS 4 - REGRESIA LINIARĂ SIMPLĂ
4.1. Regresia prin origine
4.2. Exemplu de model RLS prin origine
2
Regresia prin origine (1)
 Modelul de regresie prin origine:

Y  1 X  
2000
1500
Venit
1000 y = 101.9x
R² = 0.9823
500
0
0 5 10 15 20
Studii
3
 Există situaţii în care am putea construi un model

de regresie prin origine:
 În urma testării parametrilor modelului, parametrul β0 are

o valoare nesemnificativă statistic, iar parametrul β1 este
semnificativ statistic;
 Există suport teoretic care să impună estimarea unui

model care trece prin origine.
4
 În cazul modelului de regresie prin origine, aplicarea

metodei celor mai mici pătrate se simplifică.
 Problema de minim care trebuie rezolvată este de

forma:
5
 Prin anularea derivatei de ordinul întâi se obţine:
 Estimatorul ˆ1 este nedeplasat.

 Avem n-1 grade de libertate.
6
 Probleme ale utilizării în practică:
o Suma erorilor nu mai este zero;
o R2 poate avea o valoare foarte mare, prin urmare,

interpretarea acestuia nu mai are sens.
o Se utilizează o variantă a lui R2, şi anume:
 Aceste probleme dispar dacă modelul de regresie liniară

are variabilele standardizate.
o În acest caz, panta dreptei de regresie are aceeaşi valoare cu
coeficientul de corelaţie Pearson.
7
Exemplu de model RLS prin origine
 Se consideră datele cu privire la xi yi

Nivelul studiilor (ani), X, şi
Venitul (lei) pentru un eşantion
de 5 angajaţi . Datele sunt 10 800
prezentate în tabelul următor. 12 1000
12 1200
14 1600
16 1800
64 6400
8
Exemplu de model RLS prin origine
 Tabelul coeficienţilor de regresie
Standard
Coefficients Error t Stat P-value Lower 95% Upper 95%
Intercept 0 #N/A #N/A #N/A #N/A #N/A
 Tabelul ANOVA
Significance
df SS MS F F
Regression 1 8723048 8723048 222,3107 0,000655
Residual 4 156952,4 39238,1
Total 5 8880000
9
 Raportul de corelaţie şi raportul de determinaţie
Multiple R 0,991123
R Square 0,982325

Observations 5
10
ECONOMETRIE
CURSURI 5-7
CURS 5 – MODELUL DE REGRESIE LINIARĂ MULTIPLĂ
1. Prezentarea modelului
2. Estimarea parametrilor modelului
3. Estimarea indicatorilor de corelaţie (coeficientul de corelaţie
parţială, raportul de corelaţie, raportul de determinaţie)
4. Probleme specifice utilizând SPSS
2
Modelul de regresie liniară multiplă
1. Prezentare generală
Ecuaţia modelului de regresie liniară multiplă

•Considerăm un model de regresie liniară multiplă care conţine p
variabile independente: .
•Formal, modelul este dat prin relaţia:
•unde:
 Y este variabila dependentă;
 sunt cele p variabile independente;
 este variabila eroare sau reziduu;
 reprezintă cei k (k = p+1) parametrii ai modelului sau coeficienţi
de regresiei
3
Ecuaţia modelului de regresie liniară multiplă

•Modelul multiplu admite şi o abordare cu ajutorul matricelor. Acesta se
poate scrie sub formă matriceală astfel:
•iar:
 p este numărul de variabile independente;
 k este numărul de parametri din model;
 n este volumul de date disponibile. 4
Interpretarea coeficienţilor de regresie
• este valoarea medie a variabilei dependente, în condiţiile în care
influenţa variabilelor independente este nulă. Acest parametru se
numeşte constanta sau termenul liber al modelului, pentru că este
coeficientul asociat unei variabile degenerate, 1;
• fiecare parametru din modelul de regresie liniară multiplă este
cunoscut precum coeficient de regresie parţial, care indică efectul
sau influenţa parţială a unei variabile explicative asupra variabilei
explicate, considerând constante sau eliminând efectul celorlalte
variabile independente;
• reprezintă variaţia absolută a variabilei dependente

la o variaţie absolută cu o unitate a variabilei independente , în
condiţiile în care influenţa celorlalte variabile independente este
menținută constantă sau este controlată influența acestora; 5
multiplă
•Estimarea reprezintă procedeul de determinare a unui parametru al
unei populaţii pe baza datelor înregistrate la nivelul unui eşantion.
•Estimarea se poate realiza:

-punctual: metoda celor mai mici pătrate (MCMMP);
-prin interval de încredere.
•Problemele pe care le ridică estimarea parametrilor modelului de

regresie vizează metodele de determinare a estimatorilor,
proprietăţile estimatorilor obţinuţi printr-o anumită metodă şi
metodele de estimare a parametrilor.
6
multiplă
•considerăm modelul de regresie liniară multiplă, cu două variabile
independente, la nivelul unei populații:
•la nivelul unui eşantion, acesta devine:
7
•MCMMP presupune ca estimatorii parametrilor modelului de regresie să
respecte condiţia:
• Prin rezolvarea problemei de minim, se obţine sistemul de ecuaţii:
8
Estimarea punctuală
• Parametrii modelului de regresie  j se estimează punctual,
considerând estimaţiile b j calculate la nivelul unui eşantion
reprezentativ extras din populaţia de referinţă, pe baza relaţiilor
obţinute pentru estimatorii ˆ j .
Estimarea prin interval de încredere

• Pe baza datelor de la nivelul unui eşantion, se vor utiliza estimaţiile
parametrilor:

 j  b j  t / 2,nk  sˆ , b j  t / 2,nk  sˆ
j j

9
Exemplu
• Se consideră rata mortalităţii infantile, PIB-ul (Produsul Intern Brut) şi
populaţia urbană înregistrate pentru judeţele României, în anul 2013.
Coefficientsa
Coeff icients Coeff icients Correlations
Model B Std. Error Beta t Sig. Zero-order Partial Part
1 (Constant) 14,314 1,182 12,113 ,000
Produs Intern Brut -,00012 ,00005 -,439 -2,312 ,026 -,548 -,347 -,307
Populatia urbana -,027 ,033 -,153 -,804 ,426 -,466 -,128 -,107
a. Dependent Variable: Rata mortalitatii inf antile
10
a) Coeficientul de corelaţie parţială
r12  ry1ry 2
r12. y 
(1  ry21 )(1  ry22 )
11
Coeficienţi de corelaţie parţială măsoară dependenţa dintre

variabile prin excluderea succesivă a influenţei celorlalţi factori,
considerând influenţa lor constantă (variabile de control) și
menţinând numai influenţa factorului măsurat.
În funcţie de numărul variabilelor a căror influenţă se menține
constantă, coeficienţii de corelaţie parţială pot fi:
 de ordinul întâi (pentru o variabilă de control),
 de ordinul doi (pentru două variabile de control)
 etc.
12
Estimarea coeficienţilor de corelaţie bivariată (coloana Zero-order) şi
parţială (coloana Partial)
Coeffi ci entsa
Unstandardized St andardized
Coef f icients Coef f icients Correlations
Model B St d. Error Beta t Sig. Zero-order Part ial Part
1 (Constant) 14,314 1,182 12,113 ,000
Produs I ntern Brut -,00012 ,00005 -,439 -2,312 ,026 -,548 -,347 -,307
13
Estimarea şi testarea coeficienţilor de corelaţie parţială
Correlati ons
Rata
mortalitatii Produs
Control Variables inf antile Intern Brut
Populatia urbana Rata mortalitatii inf antile Correlation 1,000 -,347
Signif icance (2-tailed) . ,026
df 0 39
Produs I ntern Brut Correlation -,347 1,000
Signif icance (2-tailed) ,026 .
df 39 0
Correlati ons
Rata
mortalitatii Populatia
Control Variables inf antile urbana
Produs Intern Brut Rata mortalitatii inf antile Correlation 1,000 -,128
Signif icance (2-t ailed) . ,426
df 0 39
Populatia urbana Correlation -,128 1,000
Signif icance (2-t ailed) ,426 .
df 39 0
14
3.Estimarea indicatorilor de corelaţie
Raportul de determinaţie multiplă
15
Raportul de corelaţie multiplă
Raportul de determinaţie multiplă ajustat
17
Estimarea raportului de determinaţie multiplă şi raportului de corelaţie
multiplă
Estimarea raportului de determinație multiplă ajustat
Model Summary
Adjusted St d. Error of
1 ,558a ,311 ,276 2,0497
a. Predictors: (Constant), Populat ia urbana, Produs
Intern Brut
ANOVAb
Sum of
1 Regression 74,098 2 37,049 8,818 ,001a
Residual 163,852 39 4,201
Total 237,951 41
a. Predictors: (Const ant), Populatia urbana, Produs Intern Brut
b. Dependent Variable: Rata mortalitatii inf antile
18
CURS 6 - REGRESIA LINIARĂ MULTIPLĂ
4. Testarea parametrilor modelului
5. Testarea indicatorilor de corelaţie
6. Testarea modelului de regresie
19
4. Testarea parametrilor modelului de regresie

3. Alegerea statisticii test:
20
4. Testarea parametrilor modelului de regresie
4. Determinarea valorii teoretice a testului:
21
Testarea coeficientului de corelaţie parţială
22
Testarea coeficientului de corelaţie parţială
23
Testarea coeficienţilor de corelaţie parţială
Correlati ons
Rata
mortalitatii Produs
df 0 39
df 39 0
Correlati ons
Rata
df 0 39
24
df 39 0
H 0 :  02  0 (între variabile nu există o legătură semnificativă de tip liniar)
 02  0
H1 :  (între variabile există o legătură semnificativă de tip liniar)

3.Alegerea statisticii test (relaţia scrisă la nivelul eşantionului):

Fteoretic  F ; k -1; nk
5.Determinarea valorii calculate a testului (relaţia scrisă pentru date de la

nivelul eşantionului):
25
Modelul de regresie liniară simplă
semnificativ)
Modelul de regresie liniară mutiplă
27
28
Testarea modelului de regresie liniară multiplă
ANOVAb
Sum of
1 Regression 74,098 2 37,049 8,818 ,001a
Residual 163,852 39 4,201
Total 237,951 41
29
CURS 7 - REGRESIA LINIARĂ MULTIPLĂ
7. Testarea influenţei marginale a unei variabile independente
8. Ierarhizarea inportanţei factorilor de influenţă (variabilelor
independente)
30
Testarea influenţei marginale a unei variabile
independente introduse în model
EXEMPLUL 1
H0: variabila Months since hire (Vechimea) nu are o

influenţă semnificativă asupra Salariului.
H1: variabila Months since hire (Vechimea) are o influenţă
semnificativă asupra Salariului.
Model Summary
Change Statistics
Adjusted St d. Error of R Square
Model R R Square R Square the Estimate Change F Change df 1 df 2 Sig. F Change
1 .661a .436 .435 $12,833.540 .436 365.381 1 472 .000
2 .663b .439 .437 $12,815.280 .003 2.346 1 471 .126
a. Predictors: (Constant), Educat ional Lev el (y ears)
b. Predictors: (Constant), Educat ional Lev el (y ears), Months since Hire
EXEMPLUL 2
H0: variabila Beginning Salary (Salariul la angajare) nu are

o influenţă semnificativă asupra Salariului curent.
H1: variabila Beginning Salary (Salariul la angajare) are o
influenţă semnificativă asupra Salariului curent.
Model Summary
Change Statistics
1 .661a .436 .435 $12,833.540 .436 365.381 1 472 .000
2 .890b .792 .792 $7,796.524 .356 807.889 1 471 .000
a. Predictors: (Constant), Educat ional Lev el (y ears)
b. Predictors: (Constant), Educat ional Lev el (y ears), Beginning Salary
Testarea influenţei marginale a unei variabile
independente excluse din model
EXEMPLUL 3
H0: variabila People living in cities (Populația din urban) nu

are o influenţă semnificativă asupra Mortalităţii infantile)
H1: variabila People living in cities (Populația din urban) are
o influenţă semnificativă asupra Mortalităţii infantile)
Model Summary
Change Statistics
1 .910a .828 .818 5.2961 .828 83.271 4 69 .000
2 .907b .822 .814 5.3542 -.006 2.544 1 69 .115
a. Predictors: (Constant), Av erage f emale lif e expectancy , People liv ing in cities (%), Daily calorie intake, People who read (%)
b. Predictors: (Constant), Av erage f emale lif e expectancy , Daily calorie intake, People who read (%)
35
8. Ierarhizarea importanţei factorilor de influenţă
36
Modele cu variabile standardizate
•Fiecare coeficient arată impactul parţial al variaţiei cu o

unitate a variabilei independente standardizate asupra
variabilei dependente standardizate.
•În urma standardizării, discutăm despre variaţia în unităţi
de abateri standard pentru fiecare variabilă.
• Valoarea coeficienţilor de regresie din modelul
standardizat se interpretează ca unităţi de abateri
standard pentru variabila dependentă.
•Cel mai mare coeficient în valoare absolută indică cea mai
mare influenţă asupra variabilei dependente, iar semnul
coeficientului arată sensul acestei influenţe.
37
Exemplu
38
Aplicaţia (1)
• Se consideră rata mortalităţii infantile, PIB-ul (Produsul Intern Brut) şi
populaţia urbană înregistrate pentru judeţele României, în anul 2013.
39
1. Estimarea şi testarea parametrilor de regresie
Coefficientsa
Coeff icients Coeff icients Correlations
Model B Std. Error Beta t Sig. Zero-order Partial Part
1 (Constant) 14,314 1,182 12,113 ,000
Produs Intern Brut -,00012 ,00005 -,439 -2,312 ,026 -,548 -,347 -,307
40
2. Estimarea coeficienţilor de corelaţie bivariată (coloana Zero-order) şi
parţială (coloana Partial)
Coeffi ci entsa
1 (Constant) 14,314 1,182 12,113 ,000
41
3. Estimarea şi testarea coeficienţilor de corelaţie parţială
Correlati ons
Rata
mortalitatii Produs
df 0 39
df 39 0
Correlati ons
Rata
df 0 39
42
df 39 0
4. Estimarea şi testarea raportului de determinaţie multiplă şi
raportului de corelaţie multiplă
Model Summary
Adjusted St d. Error of
1 ,558a ,311 ,276 2,0497
a. Predictors: (Constant), Populat ia urbana, Produs
Intern Brut
5. Testarea modelului de regresie liniară multiplă

ANOVAb
Sum of
1 Regression 74,098 2 37,049 8,818 ,001a
Residual 163,852 39 4,201
Total 237,951 41
43
introduse în model
7. Testarea influenţei marginale a unei variabile independente excluse
din model
Model Summary
Change Statistics
Adjusted Std. Error of R Square
1 ,558a ,311 ,276 2,0497 ,311 8,818 2 39 ,001
2 ,548b ,300 ,282 2,0406 -,011 ,646 1 39 ,426
a. Predictors: (Constant), Produs Intern Brut, Populatia urbana
b. Predictors: (Constant), Produs Intern Brut
8. Ierarhizarea importanţei factorilor de influenţă (ierarhizarea
variabilelor independente)
Coeffi ci entsa
1 (Constant) 14,314 1,182 12,113 ,000
8. Ierarhizarea importanţei factorilor de influenţă (ierarhizarea
variabilelor independente)
Coeffi ci entsa
1 (Constant) 14,314 1,182 12,113 ,000
47

Cur Suri

Încărcat de

Informații document

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

Cur Suri

Încărcat de

Drepturi de autor:

Formate disponibile

ECONOMETRIE

•Pe baza datelor de mai sus, putem construi 5 repartiţii condiţionate.

 O valoare a variabilei condiţionate Y | X  xi se poate scrie:

 Forma generală a unui model de regresie este: M(Y│X)=f(x).

 Pentru modelul de regresie liniară simplă forma modelului

 În cele mai multe cazuri, valorile reale yi diferă de valorile

εi = yi – yxi = yi - M(Y│X=xi)  yi = M(Y│X=xi) + εi = β0+ β1xi + εi

sau Y= β0+ β1X + ε

1. Componenta deterministă este reprezentată de media

2. Componenta aleatoare ε depinde de: natura fenomenului,

 1 reprezintă variaţia medie absolută a variabilei dependente, Y, la o

 Dacă β1=0 nu există legătură de tip liniar între variabilele Y şi X.

La nivelul unui eşantion, modelul yi   0  1 xi   i poate fi scris pe

•Estimarea se poate realiza:

-prin interval de încredere.

•Problemele pe care le ridică estimarea parametrilor modelului de

•Principalele proprietăţi ale estimatorilor parametrilor modelului de

•Metoda celor mai mici pătrate presupune estimarea unei linii de

 i  i i   yi  (ˆ0  ˆ1 xi )   yi  ˆ0  ˆ1 xi

• Rezolvarea acestei probleme de minim presupune îndeplinirea a două

S ( ˆ0 , ˆ1 ) şi S ( ˆ0 , ˆ1 )

•Matricea derivatelor parţiale de ordinul II

-sunt convergenţi: ˆ  ,  ˆ   

-sunteficienţi: dintre toţi estimatorii posibili pentru , are varianţa

• Estimarea prin interval de încredere se bazează pe distribuţiile de

• Atât pentru  0 , cât şi pentru 1 , intervalele de încredere se vor construi

• Pe baza datelor de la nivelul unui eşantion, se vor utiliza estimaţiile

• Abaterile standard ale estimatorilor şi estimaţiile acestora se determină

unde ˆ 2 este estimatorul varianţei erorii de modelare, iar s 2 este

Ci   0  1Vi   i , unde parametrul 1

1. Se consideră datele cu privire la Nivelul studiilor (ani), X, şi

Coefficients Standard Error t Stat P-value Lower 95% Upper 95%

Pentru eşantionul observat, modelul de regresie liniară simplă poate fi

Ecuatia dreptei de regresie este:

b1: Daca nivelul studiilor creste cu 1 an ( ), venitul creste, in

Valorile 𝑦 reprezinta valorile venitului estimat in functie de studii, adica 𝑦 .

 Estimarea prin IC a pantei dreptei:

Din tabelul Coefficients:

 Din Tabelul repartiţiei Student (Anexă) se citeşte

v t0.1 t0.05 t0.025

1 3,078 6,314 12,706

2 1,886 2,920 4,303

3 1,638 2,353 3,182

... ... ... ...

 Se poate garanta cu o probabilitate de 95% că

Din tabelul Coefficients (de pe randul Intercept / Constant):

 Din Tabelul repartiţiei Student (Anexă) se citeşte

 Se poate garanta cu o probabilitate de 95% că

Coefficients Standard Error t Stat P-value Lower 95% Upper 95%

•Legătura dintre estimația coeficientului de corelație (r) și estimația

Legatura dintre Studii si Venit este o legatura directa si foarte

Descompunerea variaţiei totale a variabilei Y

VE =  (yˆ i - y )2 , reprezintă variaţia explicată (Explained Sum of Squares);

𝑉 = (𝑦 − 𝑦 ) = 𝑒 , reprezintă variaţia reziduală (Residual Sum of Squares).

•Variaţia totală este egală cu suma celorlalte două variaţii componente

TSS = ESS + RSS

TSS = 688000 TSS 2

ESS= 651076,923 ESS 2

3. Tabelul ANOVA de regresie

TSS = ESS + RSS

TSS = ESS + RSS

•O estimaţie a raportului de determinaţie se obţine prin relaţia:

R2 măsoară ponderea variaţiei variabilei Y explicată prin variabila X.

R2 măsoară ponderea variaţiei variabilei Y explicată prin variabila X.