Documente Academic
Documente Profesional
Documente Cultură
-note de curs –
22
Bibliografie selectivă
Suport de curs
Jemna, D.V., Econometrie cu aplicații în R, Editura Sedcom Libris, Iaşi, 2017
Bibliografie
Andrei T., Bourbonnais, R., Econometrie, Economica, Bucureşti, 2008
Berdot, J.P., Économétrie, CNED, Poitiers-Futurscope, 2001
Bourbonnais, R., Économétrie, Dunod, Paris, 2000
Greene, W.H., Econometric analysis, Mac Millan, 1993
Gujarati, D.N., Basic econometrics, McGraw-Hill, New York, 1995
Hamilton, J.D., Time series analysis, Princeton University Press, 1994
Kmenta, J., Elements of Econometrics, MacMillan Publishing, 1986
Pecican, E.S., Econometria pentru economişti, Editura Economică, Bucureşti, 2003
3
Structura cursului de econometrie
C1 - Introducere
C2-4 - Regresia liniară simplă
C5-7 - Regresia liniară multiplă
C8-9 - Regresia neliniară
Săptămâna a10-a - Test de Evaluare (PARȚIAL)
TEST GRILA
Materia de examen - primele 7 cursuri
4
CURS 1 - Introducere
1 oră de curs recapitulativ cu privire la:
inferenţa statistică
variabile aleatoare și repartiţii
estimatori şi proprietăţi
5
Mod de evaluare
1. Evaluare pe Parcurs - 60% din nota finală
6
Econometria: Date->informații
77
Econometria și rolul său în economiile moderne
De cele mai multe, ori apariția și, cu atât mai mult, impactul
acestora asupra economiilor nu poate fi anticipat de NICI O
TEORIE ECONOMICĂ!
ECONOMETRICS
=
ECONO + METRICS
10
Ce este ECONOMETRIA?
11
11
2. Obiectul de studiu al econometriei
12
3. Metoda de lucru a econometriei
13
4. Scopul econometriei
18
18
Estimarea și testarea modelului Keyns pentru Romania (2014)
pe baza datelor înregistrate la nivel de regiune (EXCEL)
SUMMARY OUTPUT
Regression Statistics
Multiple R 0.987
R Square 0.974
Adjusted R Square 0.969
Standard Error 22.893
Observations 8.000
ANOVA
df SS MS F Sig. F
Regression 1 116255.540116255.540 221.832 0.000
Residual 6 3144.421 524.070
Total 7 119399.962
A. Variabilele statistice
În cercetarea econometrică se utilizează variabile statistice,
(construite pentru populaţii reale, finite) între care există relaţii de
interdependenţă. Acestea vor fi notate cu majuscule ale alfabetului
latin: X, Y, Z etc.
Valorile variabilelor vor fi notate cu aceleaşi litere ca şi
variabilele dar, de data aceasta, vor fi scrise cu caractere mici
urmate de un indice care ne oferă informaţii cu privire la numărul
de ordine al valorii variabilei respective: xi, yi, zi etc.
X: xi, i = 1, n
20
5. Noţiuni şi notaţii (2)
Tipuri de variabile utilizate în modelul econometric:
- variabila dependentă (Y), numită şi variabilă rezultativă, efect;
- variabilele independente (Xi, i= 1, p ), numite şi variabile explicative,
factoriale. Acestea determină un anumit efect asupra variabilei dependente.
- variabila eroare (ε), variabila eroare de modelare/ reziduală. De regulă,
această variabilă apare în model ca sumă a tuturor influenţelor necunoscute
sau care nu apar explicit în model.
În modelarea econometrică, variabila eroare trebuie să îndeplinească un
set de condiţii care vor fi testate pentru fiecare model în parte.
Ipotezele clasice cu privire la variabila eroare testate sunt: ipoteza de
normalitate, ipoteza de homoscedasticitate şi ipoteza de independenţă a
variabilei eroare.
Pe baza analizei variabilei eroare se poate determina acurateţea
modelului econometric.
21
5. Noţiuni şi notaţii (3)
23
7. Ipotezele şi Testele statistice
7.1. Ipotezele statistice
În econometrie există un set de ipoteze cu privire la variabilele care
intră în componenţa modelului econometric. Acestea poartă denumirea
de ipotezele modelului clasic de regresie. Pe lângă acestea se
regăsesc şi ipoteze cu privire la parametrii modelului de regresie.
25
RECAPITULARE
Y 0 1 X Y 0 i X i
Y 0 1 X 2 X 2
29
III. După timpul la care se referă datele din model:
1. Modele de regresie statice
- variabilele incluse în model se referă la acelaşi moment
de timp sau la aceeaşi perioadă de timp.
- se construiesc pe baza datelor de sondaj sau a
cercetărilor de moment.
30
Gruparea modelelor de regresie după natura seriilor,
numărul de variabile incluse și forma legăturii
Serie de tip
Numărul de Forma
cross-section/ Serii de timp/ Serii de tip
variabile legaturii
serii de serii dinamice panel
independente
moment
Liniară
Univariate
Neliniară
Liniară
Mutivariate
Neliniară
31
31
ECONOMETRIE
CURS 2
- note de curs -
IAŞI
- 2021-2022-
C2. REGRESIA LINIARĂ SIMPLĂ (1)
TEMATICA CURS 02
Prezentarea modelului - regresia empirică și cea teoretică
Testarea parametrilor
Modele de
Simple Multiple
regresie
yi = β0+ β1xi + εi
Y= β0+ β1X+ ε
4. Componentele modelului de regresie
Legea cererii
- cererea populaţiei pentru o gamă de produse în funcţie de preţul
acestora:
, unde parametrul 1 este de regulă negativ şi arată
câtscade
0 1 Pi i
cu
C in medie cererea la o creştere a preţului cu o unitate.
i
STOP
7. Estimarea punctuală parametrilor
modelului de regresie prin MCMMP
MCMMP (engl. Method of Ordinary Least Sqares - OLS)
ˆ estimate
ˆ (teoretice ale lui Y)
y i 0 1 xi
Fie: -ˆvalorile
Pentru a ușura
ˆi mai
Astfel relația de i seyva
ysus
notațiile
i
ˆ vom
y deestimare
înˆprocesul
scrie:i 0
1 i
ˆ xutilizadirect ˆ pentru
yi notațiile
0
ˆ x estimații.
1 i
Notăm
n n n n
i 1 i 1 i 1 i 1
n n
S e y i b0 b1 xi
2 2
i
i 1 i 1
Rezolvarea acestei probleme de minim presupune
îndeplinirea a două condiţii:
1. Anularea derivatelor parţiale de ordinul I ale lui S în
raport b0 şi b1:
S n n n
b 2 yi b0 b1 xi 1 0 nb0 b1 xi yi
0 i 1 i 1 i 1
S n n n n
2 yi b0 b1 xi xi 0 b0 xi b1 xi yi xi
2
b1 i 1 i 1 i 1 i 1
b
b0 0
y x x x y
i
2
i i i i
n x x
2 2
i i
sau b 0 y b1 x
b1 n xi yi xi yi
b1
n xi2 xi
2
2. Matricea derivatelor parţiale de ordinul doi să fie pozitiv
definită:
2S 2S
2 2n 2 xi
b0 b0 b1 2n 2 xi
0
det 2 0 det
2 xi 2 xi
2
S 2 xi S 2 xi2
2
b b 2b1
0 1
n
det
x
i
0
x x 2
i i
- urmează o distribuţie normală:̂ 0 ~ N 0 , 2ˆ , ̂ 1~ N 1 , 2ˆ
0 1
- sunt nedeplasaţi: M ˆ 0 0 ,
M ˆ1 1
t / 2,n k -> aceasta este o valoare teoretica si se ia din tabelul valorilor statisticii Student
si nu din tabelul de mai sus!!!!
0 b0 t / 2,n k sˆ , b0 t / 2,n k sˆ
0 0
= -151.816 2,11*61,808 -> vezi Li si Ls din
tabelul de mai sus
1 b1 t / 2,n k s ˆ , b1 t / 2,n k s ˆ
1 1
= 1,266 2,11*0,364 -> vezi Li si Ls din
tabelul de mai sus
4. Criterii de decizie:
|tcalc| ≤ tteoretic= tα/2, n-2 sau sig.≥α=> AH0 cu o probabab. de 1-α.
|tcalc| > tteoretic= tα/2, n-2 sau sig.<α => RH0 cu un risc asumat α.
Coefficients Standard Error t Stat P-value Lower 95% Upper 95%
(bi) ( sˆ , i 0,1 )
i
(t calc) (sig.) (Li) (Ls)
Intercept (β0) -151.816 61.808 -2.456 0.025 -282.219 -21.412
Inaltimea (X) (β1) 1.266 0.364 3.483 0.003 0.499 2.034
1. Formularea ipotezelor
pentru β0 pentru β1
H0: β0=0 H0: β1=0
H1: β0#0 H1: β1#0
2. Fixarea pragului de semnificaţie
α=0,05
b 3. Alegerea si calcul statisticii test b1
tcalc b0 0 ~ t / 2, n 2 tcalc b1 ~ t / 2 , n2
sˆ sˆ
0 1
4. Criterii de decizie:
|tcalc β0| =|-2,456| > tteoretic= t0,025; 17=2,11 |tcalc β1|=|-2,456| ≤ tteoretic= t0,025; 17 =2,11
sig.=0.025<α=0,05 sig.=0.003<α=0,05
5. Probleme specifice analizei de corelație și regresie
Analiza de regresie si corelație în SPSS
xi yi
10 2500
20 4100
50 5000
100 7500
180 19100
ECONOMETRIE
CURS 3
- note de curs -
IAŞI
- 2021-2022-
C 3 - REGRESIA LINIARĂ SIMPLĂ
TEMATICA CURS 03
Indicatorii de corelație
1. Estimarea indicatorilor de corelaţie (coeficient, raport)
2. Relația coeficient corelație - coeficient de regresie
3. Testarea indicatorilor de corelaţie
4. Testarea modelului
5. Probleme specifice utilizând SPSS si Excel
1. Estimarea indicatorilor de corelaţie
Coeficientul de corelaţie - se foloseşte doar pentru modelul liniar
sau N
cov( X , Y )
( xi x )( yi y )
( X ,Y ) i 1
x y N x y
, -1≤ρ≤+1
n n n
N xi yi xi yi
( X ,Y ) i 1 i 1 i 1
n n n n
[ N x ( xi ) ][ N y ( yi ) 2 ]
2
i
2 2
i
i 1 i 1 i 1 i 1
Interpretarea lui ρ
Astfel:
(x i x )( yi y )
r i 1
ns x s y
n n n
n xi yi xi yi
r se interpretează la fel ca ρ.
i 1 i 1 i 1
n n n n
[ n xi2 ( xi ) 2 ][n yi2 ( yi ) 2 ]
i 1 i 1 i 1 i 1
Raportul de determinaţie
Parametrul raportului de determinație (η2)(desen)
i
(ŷ y) 2
VE V
η 2 i
1 R , cu 0<η2<1
i
(y
i
y) 2
VT VT
TSS=ESS+RSS
df T n - 1; df E k - 1; df R n - k
dfT=dfE+dfR
2. Relația coeficientul de corelație (r) -
coeficientul de regresie (b1)
xi yi
10 2500
20 4100
50 5000
100 7500
180 19100
Rezultatele analizei in SPSS
3. Testarea indicatorilor de corelaţie
I. Testarea coeficientul de corelaţie
1. Formularea ipotezelor H0: ρ=0(->ρ0=0)
H1: ρ≠0 (->Test Bilateral->tα/2, n-k =tth)
2. Fixarea pragului de semnificaţie α (ex. α=0,05)
3. Alegerea statisticii test si aflarea valorii critice a acesteia pentru un
α dat : t / 2, n k
ˆ 0 ˆ r n2
4. Calcularea statisticii test tcalc
ˆ 1 ˆ 2 1 r 2
5. Criterii de decizie:
|tcalc|≤ tteoretic= tα/2, n-2 n H2 cu o probabilitate
sig.≥α =>se acceptă/ nu se respinge 0
de 1-α
|tcalc| > tteoretic= tα/2, n-2 sig.<α =>se respinge H0 cu un risc asumat α.
II. Testarea raportului de corelaţie
1. Formularea ipotezelor H0: η=0 H1: η≠0 (->Test Unilateral deoarece
valorile lui η>0->Fα,ν1, ν2= Fα, k-1, n-k) NB:v1=k-1≤v2=n-k
2. Fixarea pragului de semnificaţie α (ex. α=0,05)
ˆ 2 n k
3. Alegerea statisticii test F
1 ˆ 2 k 1
4. Calcularea statisticii test R2 n k
F
5. Criterii de decizie: 1 R2 k 1
Fcalc≤ Fα, k-1, n-k => se acceptă H0 cu o probabilitate de 1-α sig.≥α.
Fcalc> F α, k-1, n-k => se respinge H0 cu un risc asumat α sig.<2α.
4. Testarea modelului de regresie - testul F
omnibus
1. Formularea ipotezelor
H0: β0= 0 și β1=0
H1: β0≠ 0 sau/si β1≠0
2. Fixarea pragului de semnificaţie α=0,05
VˆE n k
3. Alegerea statisticii test F
VˆR k 1
ESS
4. Calcularea statisticii test
ESS n k k 1 (b b x y)
0 1 i
2
nk
Fcalc i
RSS k 1 RSS (y b b x )
i 0 1 i
2
k 1
nk i
5. Criterii de decizie:
Fcalc≤ Fα, k-1, n-k => se acceptă H0 cu o probabilitate de 1-α sig.≥α.
Fcalc> F α, k-1, n-k => se respinge H0 cu un risc asumat α sig.≥α.
Legatura dintre testarea lui R2 și testarea modelului
0 1
(b b x y ) 2
ESS RSS
2
R = i
1
i
(
i
y y ) 2
TSS TSS
xi yi
10 2500
20 4100
50 5000
100 7500
180 19100
ECONOMETRIE
CURS 04
- note de curs -
IAŞI
- 2022-
Tematica C04
2
Regresia prin origine
Situaţii în care am putea construi un model de regresie prin
origine:
3
Regresia prin origine -Aplicatie
Pentru un eşantion de 28 de studente de la FEEA anul II, se
studiază legătura dintre greutate si inaltime.
4
5
6
7
8
Regresia prin origine
În cazul modelului de regresie Y 1 X aplicarea metodei celor
mai mici pătrate se simplifică.
Relația de minimizat este de forma:
Ex.:
Modelul reciproc (invers) cunoascut in economie si sub sub denumirea de
curba lui Philips:Y=β0+ β1*(1/X)+ε Y=β0+ β1*X’+ε
Model de crestere:Y=eβ0+ β1*X+εlnY= β0+ β1X+εY’= β0+ β1X+ε
1
REGRESIA LINIARĂ MULTIPLĂ
C5.
1. Prezentarea modelului liniar multiplu
2. Estimarea parametrilor modelului liniar multiplu
3. Testarea parametrilor modelului liniar multiplu
4. Testarea modelului de regresie liniara multipla
2
Modelul liniar multiplu
Forma generală a modelului liniar multiplu este dată prin relaţia:
Y M Y / X1 ,...X i ,...., X p 0 1 X1 2 X 2 ... p X p
unde:
Y - variabila dependentă;
X1, X2,…,Xi,…,Xp - variabile independente (predictori);
ε - variabilă reziduu de modelare (variabila aleatoare);
βi - parametrii modelului de regresie
k - numărul de parametri din model, k=p+1.
homoscedasticitate: V ( i ) M ( i2 ) 2
necorelarea erorilor: cov( i , j ) 0
lipsa corelaţiei dintre variabilele independente şi variabila
eroare
lipsa coliniarităţii sau a unei legături liniare între variabilele
independente
5
Estimarea parametrilor modelului
multiplu liniar
6
Se consideră modelul de regresie liniară multiplă cu două
variabile independente:
y i 0 1 x1i 2 x 2 i i
7
Estimarea punctuala
Pentru satisfacerea condiţiei MCMMP trebuie ca derivatele parţiale de ordin I
în raport cu coeficienţii modelului să se anuleze. Astfel se va obţine un sistem de
2+1=3 ecuaţii cu 3 necunoscute. La nivelul unui eşantion de date, sistemul de
ecuaţii devine:
n n n
nb 0 b 1 x 1i b 2 x 2i y i
i 1 i 1 i 1
n n n n
b 0 x 1i b 1 x 1i b 2 x 1i x 2i y i x 1i
2
i 1 i 1 i 1 i 1
n n n n
b 0 x 2i b 1 x 1i x 2i b 2 x 2i y i x 2i
2
i 1 i 1 i 1 i 1
β i [β̂ i t α/2, n k σ β̂ ]
i
βi bi tα/2,nksβ̂ , bi tα/2,nksβ̂
i i
9
Testarea individuală parametrilor modelului
liniar multiplu
10
Testarea parametrilor modelului multiplu liniar se face la fel ca în cazul
modelului simplu liniar:
1. Formularea ipotezelor i=0,p:
H : i 0
0
H1: i 0
2. Alegerea pragului de semnificaţie α
De regulă, se asumă un risc α = 0,05.
β̂ i bi
3. Alegerea statisticii test si calculul acesteia t calc σ s
β̂ β̂
4. Valoarea critica/teoretică a statisticii test
i i
12
Testarea modelului de regresie se realizează cu ajutorul testului F, după următorul
demers:
1. Formularea ipotezelor
H0: β0=β1=…=βp=0 (modelul nu este semnificativ)
H1: nu toţi coeficienţii sunt simultan zero
13
EXEMPLU
Pentru un eşantion de mărci de cereale, se studiază legătura
dintre ratingul acordat de consumatori (Y) unei mărci de
cereale şi cantitatea de grăsimi (grame/100g) (X1), cantitatea
de zahăr (grame/100g) (X2) şi cantitatea de fibre
(grame/100g) (X3).
14
Y=b0+b1X1+b2X2+e
Model Summary
Y=61.089-3.066X1-2.213X2+e
Adjusted Std. Error of
Model R R Square R Square the Estimate
1 ,789a ,622 ,612 8,75456
a. Predictors: (Constant), sugars, fat
M(ΔY/X1=0; X2=0)=b0=61.089
M(ΔY/ ΔX1=1; ΔX2=0)=b1=-3.066
ANOVAb M(ΔY/ ΔX2=1; ΔX1=0)=b2=-2.213
Sum of
Model Squares df Mean Square F Sig.
1 Regression 9325,268 2 4662,634 60,836 ,000a
Residual 5671,533 74 76,642
Total 14996,800 76
a. Predictors: (Constant), sugars, fat
b. Dependent Variable: rating
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 61,089 1,953 31,284 ,000
fat -3,066 1,036 -,220 -2,958 ,004
sugars -2,213 ,235 -,700 -9,428 ,000
15 a. Dependent Variable: rating
Model Summary Y=b0+b1X1+b2X2+b3X3+e
Adjusted Std. Error of
Model R R Square R Square the Estimate
1 ,930a ,865 ,859 5,35086
a. Predictors: (Constant), fat, fiber, sugars
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 12503,728 3 4167,909 145,570 ,000a
Residual 1946,958 68 28,632
Total 14450,686 71
a. Predictors: (Constant), fat, fiber, sugars
b. Dependent Variable: rating
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 53,673 1,389 38,637 ,000
fiber 2,938 ,261 ,507 11,265 ,000
sugars -1,992 ,150 -,622 -13,238 ,000
fat -3,347 ,656 -,238 -5,103 ,000
a. Dependent Variable: rating
16
REGRESIA LINIARĂ MULTIPLĂ
TEMATICA C6-C7
n x1i yi x1i yi
Cov ( y, x1 )
ry1 i i i
s y s x1 [n x1i ( x1i ) ][n yi2 ( yi ) 2 ]
2 2
i i i i
n x2 i y i x 2 i y i
cov( y, x2 )
ry 2 i i i
s y s x2 [n x2i ( x2i ) ][ n yi2 ( yi ) 2 ]
2 2
i i i i
i i i i
Coeficienţi de corelaţie parţială
… şi trei coeficienţi de corelaţie parţială calculaţi cu
ajutorul coeficienţilor de corelaţie bivariată:
ry1 ry 2 r12 r12 ry1ry 2 ry 2 ry1r12
ry1.2 r12. y ry 2.1
(1 r )(1 r )
2
y2
2
12 (1 ry21 )(1 ry22 ) (1 ry21 )(1 r122 )
Parametri
xi
( y y ) 2
VE VR
2 i
1 => 2
i
(
i
y y ) 2
VT VT
Estimaţiile
ESS RSS
R2 1 => R R 2
TSS TSS
Estimatorul ajustat a raportului de
determinatie
Adjusted R square
RSS
2
n k RSS n 1 2 n 1
R 1 1 1 (1 R )
TSS TSS n k nk
n 1
Se observă că R R
2 2
pentru k>1.
R2 n k
4. Calcularea statisticii test F 1 R 2 k 1
5. Criterii de decizie:
Fcalc≤ Fα, k-1, n-k sig.≥α. => se AH0 cu o probabilitate de 1-α
Fcalc> F α, k-1, n-k sig.<α => se RH0 cu un risc asumat α.
Coeficienţii de corelaţie se testează cu ajutorul testului
t după algoritmul prezentat la modelul liniar simplu, ţinând
cont de faptul că k=p+1 reprezintă numărul parametrilor din
noul model (tth= tα/2, n-k)
3. Testarea indicatorilor de corelaţie
5. Criterii de decizie:
Dacă Fcalc≤ Fα, k new-k old, n-k new sig.≥α => se AH0 cu o probabilitate de 1-α.
Dacă Fcalc> F α, k new-k old, n-k new sig.<α => se RH0 cu un risc asumat α.
ENTER/STEPWISE MEHOD
Model Summary
Change Statistics
Adjusted Std. Error
Model R R Square R Square Sig. F
R Square of the Estimate
Change F Change df1 df2 Change
1 .783a 0.61 0.60 14.76 0.61 69.59 1.00 44.00 0.00
2 .902b 0.81 0.80 10.38 0.20 45.96 1.00 43.00 0.00
3 .902c 0.81 0.80 10.50 0.00 0.02 1.00 42.00 0.88
a. Predictors: (Constant), Copiii nascuti dupa 40 ani (X1)->Y=β0+β1*X1+ε
b. Predictors: (Constant), Copiii nascuti dupa 40 ani (X1), Cons. de vin/pers (X2) ->Y=β0+β1*X1+β2*X2+ε
c. Predictors: (Constant), Copiii nascuti dupa 40 ani (X1), Cons. de vin/pers (X2), Cons. de liqior/pers (X3) ->Y=β0+β1*X1+β2*X2+β3*X3+ε
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 15157.97 1.00 15157.97 69.59 .000b
Residual 9583.38 44.00 217.80
Total 24741.35 45.00
2 Regression 20109.27 2.00 10054.64 93.34 .000c
Residual 4632.08 43.00 107.72
Total 24741.35 45.00
3 Regression 20112.00 3.00 6704.00 60.82 .000d
Residual 4629.35 42.00 110.22
Total 24741.35 45.00
a. Dependent Variable: Rata deces prin ciroza (Y)
b. Predictors: (Constant), Copiii nascuti dupa 40 ani (X1)
c. Predictors: (Constant), Copiii nascuti dupa 40 ani (X1), Cons. de vin/pers (X2)
d. Predictors: (Constant), Copiii nascuti dupa 40 ani (X1), Cons. de vin/pers (X2), Cons. de liqior/pers (X3)
Coefficientsa
Unstdz. Stdz. 95.0% Confidence
Coefficients Coeff. Interval for B Correlations
Model t Sig.
Std. Lower Upper
B Error Beta Bound Bound Zero-order Partial Part
1 (Constant) -44.57 13.13 -3.39 0.00 -71.04 -18.10
Copiii nascuti dupa 40 ani (X1) 2.61 0.31 0.78 8.34 0.00 1.98 3.23 0.78 0.78 0.78
2 (Constant) -16.00 10.15 -1.58 0.12 -36.48 4.47
Copiii nascuti dupa 40 ani (X1) 1.37 0.29 0.41 4.78 0.00 0.79 1.94 0.78 0.59 0.32
Cons. de vin/pers (X2) 1.97 0.29 0.58 6.78 0.00 1.39 2.56 0.84 0.72 0.45
3 (Constant) -15.77 10.37 -1.52 0.14 -36.70 5.15
Copiii nascuti dupa 40 ani (X1) 1.34 0.32 0.40 4.15 0.00 0.69 2.00 0.78 0.54 0.28
Cons. de vin/pers (X2) 1.95 0.32 0.58 6.00 0.00 1.30 2.61 0.84 0.68 0.40
Cons. de liqior/pers (X3) 0.02 0.11 0.02 0.16 0.88 -0.20 0.23 0.68 0.02 0.01
Testarea influenţei marginale a unei
variabile independente asupra variabilei
dependente
(Metoda REMOVE/ BACKWARD)
REMOVE/ BACKWARD METHOD
1. Formularea ipotezelor
H0: variabila independentă exclusă din model nu are o influenţă
semnificativă asupra variaţiei variabilei dependente
H1: variabila independentă exclusă din model are o influenţă
semnificativă asupra variaţiei variabilei dependente
2. Fixarea pragului de semnificaţie α=0,05
3. Alegerea statisticii test si stabilirea valorii critice a
acesteia Fα;k(old)-k(new);n-k(old)= Fα;k(change);n-k(old)
4. metoda
Calcularea
ESS
statisticii
ESS n k
testR 2 R 2 n k old R 2 change n k old
old new
Fcalc
iesirilor old
new old
RSSold k old k new 1 R 2 old k old k new 1 R old k change
2
5. Criterii de decizie:
Dacă Fcalc≤ Fα, k(old) –k(new), n-k(old) sig.≥α => se AH0 cu o probabilitate de 1-α.
Dacă Fcalc > Fα, k(old) –k(new), n-k(old) sig.<α => se RH0 cu un risc asumat α.
REMOVE/BACKWARD METHOD
Model Summary
R Adjusted R Std. Error of Change Statistics
Model R Square Square the Estimate R Square Change F Change df1 df2 Sig. F Change
1 .902a 0.813 0.800 10.4987 0.813 60.822 3 42 0.000
2 .858b 0.736 0.724 12.3228 -0.077 17.240 1 42 0.000
3 .845c 0.713 0.707 12.6954 -0.023 3.701 1 43 0.061
a. Predictors: (Constant), Cons. de liqior/pers (X3), Cons. de vin/pers (X2), Copiii nascuti dupa 40 ani (X1) ->Y=β0+β1*X1+β2*X2+β3*X3+ε
b. Predictors: (Constant), Cons. de liqior/pers (X3), Cons. de vin/pers (X2)->Y=β0+β2*X2+β3*X3+ε
c. Predictors: (Constant), Cons. de vin/pers (X2) ->Y=β0+β2*X2+ε
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 20112.001 3 6704.000 60.822 .000b
Residual 4629.347 42 110.223
Total 24741.348 45
2 Regression 18211.749 2 9105.875 59.966 .000c
Residual 6529.599 43 151.851
Total 24741.348 45
3 Regression 17649.687 1 17649.687 109.507 .000d
Residual 7091.661 44 161.174
Total 24741.348 45
a. Dependent Variable: Rata deces prin ciroza (Y)
b. Predictors: (Constant), Cons. de liqior/pers (X3), Cons. de vin/pers (X2), Copiii nascuti dupa 40 ani (X1)
c. Predictors: (Constant), Cons. de liqior/pers (X3), Cons. de vin/pers (X2)
d. Predictors: (Constant), Cons. de vin/pers (X2)
Coefficientsa
95.0%
Unstandardized Stdz. Confidence
Coefficients Coeff. Interval for B Correlations
Std. Lower Upper Zero-
Model B Error Beta t Sig. Bound Bound order Partial Part
1 (Constant) -15.775 10.370 -1.521 0.136 -36.703 5.153
Copiii nascuti dupa 40 ani (X1) 1.343 0.323 0.403 4.152 0.000 0.690 1.995 0.783 0.539 0.277
Cons. de vin/pers (X2) 1.951 0.325 0.576 6.005 0.000 1.295 2.606 0.845 0.680 0.401
Cons. de liqior/pers (X3) 0.017 0.107 0.016 0.157 0.876 -0.200 0.233 0.682 0.024 0.011
2 (Constant) 23.308 5.109 4.562 0.000 13.005 33.611
Cons. de vin/pers (X2) 2.393 0.360 0.706 6.645 0.000 1.667 3.120 0.845 0.712 0.521
Cons. de liqior/pers (X3) 0.217 0.113 0.205 1.924 0.061 -0.010 0.444 0.682 0.282 0.151
3 (Constant) 30.335 3.680 8.243 0.000 22.918 37.752
Cons. de vin/pers (X2) 2.862 0.273 0.845 10.465 0.000 2.311 3.413 0.845 0.845 0.845
a. Dependent Variable: Rata deces prin ciroza (Y)
Utilitatea modelului de regresie cu variabile
standardizate
Modelul liniar multiplu cu variabile standardizate permite
compararea coeficienților de regresie din model; fiecare
coeficient arătând impactul partial al variației cu o unitate a
variabilei independente standardizate asupra variabilei
dependente standardizate.
Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate
1.00 .902 a
0.81 0.80 10.38
a. Predictors: (Constant), Copiii nascuti dupa 40 ani (X1), Cons. de vin/pers (X2)
ANOVAa
Mean
Model Sum of Squares df Square F Sig.
Regression 20109.27 2.00 10054.64 93.34 .000b
1 Residual 4632.08 43.00 107.72
Total 24741.35 45.00
a. Dependent Variable: Rata deces prin ciroza (Y)
b. Predictors: (Constant), Copiii nascuti dupa 40 ani (X1), Cons. de vin/pers (X2)
Coefficientsa
Stndz. 95.0% Confid.
Unstdz. Coeff. Coeff. Int. for B Correlations
Model t Sig.
Std. Lower Upper
B Error Beta Bound Bound Zero-order Partial Part
2 (Constant) -16.00 10.15 -1.58 0.12 -36.48 4.47
Copiii nascuti dupa 40 ani (X1) 1.37 0.29 0.41 4.78 0.00 0.79 1.94 0.78 0.59 0.32
Cons. de vin/pers (X2) 1.97 0.29 0.58 6.78 0.00 1.39 2.56 0.84 0.72 0.45
EXEMPLUL 2
ANOVAa
Sum of
Model Squares df Mean Square F Sig.
1 Regression 20.985 1 20.985 26.241 .001b
Residual 7.197 9 .800
Total 28.182 10
2 Regression 22.703 2 11.351 16.575 .001c
Residual 5.479 8 .685
Total 28.182 10
a. Dependent Variable: ECONOMETRIE
b. Predictors: (Constant), MATE
c. Predictors: (Constant), MATE, STAT
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients Correlations
Model B Std. Error Beta t Sig. Zero-order Partial Part
1 (Constant) 2.167 1.033 2.098 .065
MATE .685 .134 .863 5.123 .001 .863 .863 .863
2 (Constant) 1.604 1.020 1.573 .154
MATE .442 .197 .557 2.245 .055 .863 .622 .350
STAT .307 .194 .393 1.584 .152 .827 .489 .247
a. Dependent Variable: ECONOMETRIE
ry2.1
Correlations
ECONOM
MATE (X1) STAT (X2) (Y)
MATE (X1) Pearson Correlation 1 .778** .863**
Sig. (2-tailed) .005 .001
N 11 11 11
STAT (X2) Pearson Correlation .778 **
1 .827**
Sig. (2-tailed) .005 .002
N 11 11 11
ECONOMETRIE Pearson Correlation .863 **
.827** 1
(Y) Sig. (2-tailed) .001 .002
N 11 11 11
**. Correlation is significant at the 0.01 level (2-tailed).
Curs Econometrie
- Regresia neliniara-
Partea I
-2021-
Tipuri de modele neliniare
Modelele neliniare studiate se pot împărți în două categorii:
1.Modele liniarizabile. În cazul modelelor neliniare dar
liniarizabile, în urma unor transformări: logaritmare sau
substituţii de variabile (ex. Z=1/X), se va ajunge la o expresie
liniară a modelului iniţial. Pentru estimarea parametrilor
modelului se vor utiliza relaţiile utilizate pentru modelele
liniare în care locul valorilor variabilelor X şi Y va fi luat de
variabilele obţinute în urma transformării/substituţiei de
variabile.
2.Modele polinomiale. Sunt modelele econometrice pentru
care media lui E(Y/X=xi) este exprimată printr-un model
polinomial de grad 2, 3, ... .
2
Modelul log-liniar simplu -> Modelul putere
- este un model de regresie neliniară
- atat variabila dependentă căt și variabila independentă sunt
logaritmate
- modelul poate fi liniarizat prin logaritmare
Estimarea parametrilor modelului
Considerăm modelul putere simplu de forma:
Y 0 X e sau y i 0 xi1 e i
1
3
Modelul log-linear simplu -> Modelul
putere
Modelul log-liniar poate fi transformat într-un model liniar făcând
următoarele notaţii:
y i* ln y i
0* ln 0
1* 1 y *i 0* 1* x*i i*
x*i ln xi
i* i
Interpretarea parametrilor modelului
- parametrul 0 : valoarea medie a variabilei dependente Y, când
variabila independentă X ia valoarea 1;
*
- parametrul 1 al modelului (*): β1 β1* dY dlnY , exprimă
*
dX dlnX
variaţia medie relativă (%) a variabilei dependente Y la o variaţie
relativă (%) de 1% a variabilei independente X.
4
Modelul log-linear simplu -> Modelul
putere
n ln xi ln yi ln xi ln yi
b1
n (ln xi ) 2 ( ln xi ) 2
1 1
lnb0 ln xi b1 ln yi
n n
5
Modelul log-linear simplu -> Modelul putere
Elasticitatea
Elasticitatea unei variabile Y în raport cu o altă variabilă X
reprezintă modificarea relativă (%) a variabile Y la o modificare
relativă (%) dată a lui X, de obicei subunitară, cf. relației:
Y
100
% modif Y Y Y X
E
X
% modif X 100 X Y
X
6
Model Putere
GDP [per Capita] – var. dep
Employment Rate – var. indep
7
Model Putere:
GDP [per Capita] – var. dep
Employment Rate – var. indep
ln y i ln β 0 β1ln x i ε i
ln GDP 3.668 10-44 26.186 ln xi ei
8
Modelul log-liniar multiplu -> Funcţia de
producţie
Funcţia de producţie Cobb-Douglas
Este un model de regresie neliniar multiplu de tip log-liniar, de
forma:
y i β 0 x x ... x e
β1
1i
β2
2i
βk
ik
εi
9
Modelul log-liniar multiplu (II) -> Funcţia de producţie
Interpretarea parametrilor
Parametrii modelului βi , i=1,k, poartă denumirea de elasticități
parțiale ale variabilei dependente în raport cu fiecare factor sau
variabilă independentă, Xi.
β0 - este nivelul mediu al producţiei pentru K=1 şi L=1;
β1 - este elasticitatea parţială a producţiei în raport cu munca;
β2 - este elasticitatea parţială a producţiei în raport cu capitalul;
β1+β2 - este elasticitatea totală a producţiei în raport cu cei doi
factori. Se numeşte randament de scară.
10
Modelul log-liniar multiplu-> Funcţia de producţie
Interpretarea elasticităţii totale
β1+β2 =1 - variaţie constantă a producţiei în raport cu factorii
de producţie;
β1+β2 <1 - variaţie cu o viteză mai redusă a producţiei în raport
cu variaţia factorilor;
β1+β2 >1- variaţie mai accelerată a producţiei în raport cu
variaţia factorilor.
Exemplu: În studiul legăturii dintre producţia agricolă (lei),
numărul mediu de salariaţi în agricultură (persoane) şi
suprafaţa agricolă (ha), se obţine următoarea ecuaţie estimată:
ln y i 6,758 0,143 ln x1i 0,471 ln x 2i
11
Model putere multiplu
Ln_gdp (Y)– variabila dependenta
Ln_empl_rate (X1), Ln_dir_invest (X2) – var. ind.
1. Datele sunt prezentate pentru a
putea fi testată și influența
marginală a variabilelor în model.
2. Pentru modelul putere multiplu
estimatia furnizată în tabelul
Coefficients în dreptul termenului
liber (Constant pentru modelul 2)
este de fapt (ln b0) astfel încât
estimația lui β0 va fi
e-73.125 pentru modelul (2). Aceeași
observație poate fi făcută și pentru
modelul (1).
12
13
Modele semi-logaritmice
ln (y)=f(x)+
Econometrie
Modele semi-logaritmice: GENERALITĂȚI
În acest tip de modele variabila independentă sau variabila
dependentă apar, în forma liniarizată a modelului, ca variabile
logaritmate.
Estimează variaţia relativă sau absolută a variabilei
dependente la o variaţie absolută respectiv relativă cu o unitate/
un procent a variabilei independente.
Modelul cu variabila independentă logaritmată pe care îl vom
studia este modelul Logarithmic.
Modelele cu variabila dependentă logaritmată pe care le vom
studia sunt: modelul Compound (Compus), Growth (Model de
creştere) şi Exponential
Econometrie
Modele semilogaritmice
Econometrie
Modelul Logarithmic
1. Forma generală a modelului: Y β 0 β1 lnX , εX>0
- β0 este valoarea medie a lui Y pentru X=1.
-β1/100 arată variaţia medie absolută a lui Y la o variaţie
procentuală a lui X cu 1%.
Y
β1
(lnX)
Econometrie
Exemplu
Se consideră legătura dintre Puterea motorului şi Numărul de cilindri.
Coefficients
Unstandardized Standardized
Coefficients Coefficients
B Std. Error Beta t Sig.
ln(Number of Cylinders) 104.458 3.632 .822 28.761 .000
(Constant) -68.048 6.112 -11.134 .000
-Regresia Neliniara-
Partea a II-a
2015
2. Modele cu variabila dependentă logaritmată au
forma generala:
ln (y)=f(x)+
In aceasta categorie de modele se inscriu
modelele Compound, Growth și Exponential
Econometrie
Modelul Compound (Modelul Compus)
X
1. Forma generală a modelului: Y β 0 β1 e ε
Ecuaţia se liniarizează prin logaritmare:
lnY lnβ 0 X lnβ1 ε
Y>0; β0 si β1 >0
Interpretarea parametrilor modelului:
- β0 este nivelul mediu a lui Y atunci când X=0. Variabila Y
are numai valori pozitive, deci β0 satisface condiţia β0 >0.
- lnβ1 arată variaţia medie procentuală a lui Y la o variaţie
absolută a lui X cu o unitate. Reprezintă rata de creştere/
reducere a variabilei Y în raport cu o variație absolută a lui
X cu o unitate. ln Y
ln 1
X
Econometrie
Observaţii:
Econometrie
2. Estimarea parametrilor modelului
ln b0 xi + ln b1 xi2 = xi ln yi
n x i lny i x i lnyi
lnb1 ;
n x xi
2 2
i
ln b0
i i x i x i lnyi
lny x 2
n x i2 x i
2
Econometrie
3. Testarea semnificaţiei parametrilor
• Ipoteze
• Interpretare
Econometrie
5. Exemplu
În urma analizei legăturii dintre valoarea investiţiilor
(mii euro) şi valoarea producţiei (mil. euro) înregistrate pe
un eşantion de 5 firme, s-au obţinut următoarele rezultate:
Coefficients
Unstandardized Standardized
Coefficients Coefficients
B Std. Error Beta t Sig.
xi 1.769 .103 2.677 17.118 .000
(Constant) 1.322 .256 5.161 .014
The dependent variable is ln(yi).
Econometrie
Interpretare:
-valoarea parametrului β1 , estimata la 1,769, arată că, la o
creştere cu o mie de euro a valorii investiţiilor, valoarea
producţiei creşte, în medie, cu ln(1,769) = 0,57 adică cu
57%.
2. Testarea semnificaţiei parametrilor
3. Estimarea şi testarea intensităţii legăturii dintre variabile
Model Summary ANOVA
Econometrie
Modelul Growth (Model de Creştere)
Forma generală a modelului: Y eβ 0 β1X ε
Ecuaţia se liniarizează prin logaritmare: lnY β 0 β1 X , εY>0
Parametrii modelului:
- eβ0 este valoarea medie a lui Y pentru X=0.
- β1 arată variaţia medie procentuală a lui Y la o
variaţie absolută a lui X cu o unitate.
lnY
β1
X
Econometrie
Exemplu
Se consideră legătura dintre Timpul de accelerare de la 0 la
60 mile/ora(exprim. Secunde) şi Puterea motorului (CP).
Coefficients
Unstandardized Standardized
Coefficients Coefficients
B Std. Error Beta t Sig.
Horsepower -.004 .000 -.726 -21.032 .000
(Constant) 3.092 .019 164.791 .000
The dependent variable is ln(Time to Accelerate from 0 to 60 mph (sec)).
Econometrie
Interpretare:
-când Puterea motorului este de 0 C.P., Timpul de accelerare
este de e3,092=22 secunde.
-la o creştere a puterii motorului cu 1 C.P., avem o crestere
relativă ( sau variatie relativa) a timpului de acceleratie cu - 0,4%.
Econometrie
Modelul Exponential
Forma generală a modelului: Y β 0 eβ X e ε
1
Econometrie
Exemplu
Se consideră legătura dintre Puterea motorului (CP) şi
Numărul de cilindri (cilindri).
Coefficients
Unstandardized Standardized
Coefficients Coefficients
B Std. Error Beta t Sig.
Number of Cylinders .170 .005 .842 31.057 .000
(Constant) 38.911 1.221 31.877 .000
The dependent variable is ln(Horsepower).
40.00
yi = 89,041 - 25,795 xi + 2,114
30.00
xi2
20.00 Coefficients
Unstandardized Standardized
Coefficients Coefficients
10.00 B Std. Error Beta t Sig.
Productia -25.795 3.895 -5.322 -6.623 .000
2.00 3.00 4.00 5.00 6.00 7.00 8.00 9.00
Productia ** 2 2.114 .351 4.842 6.026 .001
Productia
(Constant) 89.041 9.231 9.646 .000
Interpretare:
β1<0, β2>0, deci legătura de tip parabolic admite un punct
de minim.
Y 0 1 X 2 X 2 3 X 3
Unstandardized Standardized
80 Coefficients Coefficients
B Std. Error Beta t Sig.
PIB/loc .010 .002 2.557 4.950 .000
60
PIB/loc ** 2 -6.1E-007 .000 -3.206 -2.652 .009
PIB/loc** 3 1.21E-011 .000 1.255 . .
40 (Constant) 32.036 3.395 9.438 .000
20
PIB / loc
Ecuaţia estimată este: