1) În urma prelucrării datelor privind variabilele Y, X1 şi X2 se

obţin următoarele rezultate:

Correlations

Control Variables Y X1
X2 Y Correlation 1.000 .956
Significance (2-tailed) . .003
df 0 4
X1 Correlation .956 1.000
Significance (2-tailed) .003 .
df 4 0

Cu privire la coeficientul de corelaţie rYX • X = 0 ,956 , se poate1 2

afirma că
a) măsoară legătura bivariată dintre variabilele Y şi X1
b) arată că între variabilele Y şi X1 există o legătură
directă, puternică, atunci când variaţia variabilei X2 se
menţine constantă
c) indică faptul că între variabilele Y şi X2 există o legătură
directă, puternică, atunci când variaţia variabilei X1 se
menţine constantă
---------------------------------------------------------------------
2) Rezultatele modelării legăturii dintre variabilele PIB/loc
($) şi Procentul de populaţie urbană (%), pentru un
eşantion de ţări în anul 2010, folosind modelul Compound, sunt
prezentate în tabelul de mai jos.
Coefficients

Unstandardized Standardized
Coefficients Coefficients
B Std. Error Beta t Sig.
Pop_urbana 1,046 ,004 2,126 265,173 ,000
(Constant) 210,430 48,762 4,315 ,000
The dependent variable is ln(PIB).

Ecuaţia estimată a modelului de regresie este:

X
a) y x = 210 ,43 ⋅ 1,046
1,046
b) y x = 210 ,43 x
 210 ,43
c) y x = 1,046 x
---------------------------------------------------------------------
3) Rezultatele modelării legăturii dintre variabilele PIB/loc
($) şi Procentul de populaţie urbană (%), pentru un
eşantion de ţări în anul 2010, folosind modelul Compound, sunt
prezentate în tabelul de mai jos.
Coefficients

Unstandardized Standardized
Coefficients Coefficients
B Std. Error Beta t Sig.
Pop_urbana 1,046 ,004 2,126 265,173 ,000
(Constant) 210,430 48,762 4,315 ,000
The dependent variable is ln(PIB).

Sunt corecte afirmaţiile:

a) la o creştere cu 1% a Populaţiei urbane, PIB/loc. scade în
medie cu (ln 1,046 ) ⋅ 100%
b) la o creştere cu 1% a Populaţiei urbane, PIB/loc. creşte
în medie cu (ln 1,046 ) ⋅ 100%
c) la o creştere cu 1% a Populaţiei urbane, PIB/loc. creşte
în medie cu 104,6%.

4) În studiul legăturii dintre Rata inflaţiei (%) şi Rata

şomajului (%) înregistrate în România în perioada 1997-2008, s-au
obţinut următoarele rezultate:
Coefficients

Unstandardized Standardized
Coefficients Coefficients
B Std. Error Beta t Sig.
1/X 269,392 45,171 ,815 5,964 ,000
(Constant) 36,346 7,801 4,659 ,000

Sunt corecte afirmaţiile:

a) Rata inflaţiei scade în medie cu 269,392%, la o
creştere cu 1% a Ratei şomajului
b) Rata şomajului scade în medie cu 269,392%, la o creştere
cu 1% a Ratei inflaţiei
c) Rata medie a inflaţiei este de 36,346%, atunci când Rata
şomajului tinde spre infinit
---------------------------------------------------------------------
5) Rezultatele modelării legăturii dintre variabilele X (mii lei) şi
Y (mil. lei), pentru un eşantion de 109 ţări, se prezintă astfel:
Coefficients

Unstandardized Standardized
Coefficients Coefficients
B Std. Error Beta t Sig.
ln(X1) .697 .057 .944 12.164 .000
(Constant) 9.871 .898 10.994 .000
The dependent variable is ln(Y).

Sunt corecte afirmaţiile:

0 ,697
a) ecuaţia modelului estimat este Yx = 9 ,871 X
b) ecuaţia modelului estimat este ln Yx = ln 9 ,871 + 0 ,697 ⋅ ln X
c) la o creştere cu 1% a valorii variabilei X, Y creşte în
medie cu 0,697 mil. lei.
---------------------------------------------------------------------
6) În studiul legăturii dintre valoarea cheltuielilor de
consum ale gospodăriilor (lei/lună) şi indicele preţurilor de
consum (IPC) din România (%), în perioada 1991-2010, s-au
obţinut următoarele rezultate:
Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta
1 (Constant) 133,816 8,009
X -7,390 1,016 -,864
a. Dependent Variable: Y

Pentru exemplul dat, sunt corecte afirmaţiile:

a) IPC are o influenţă puternică, inversă, asupra cheltuielilor
de consum
b) nivelul cheltuielilor de consum ale gospodăriilor scad,
în medie, cu 73,9 lei/lună, la o creştere cu 10% a indicelui
preţurilor de consum
c) pentru a asigura un consum de 120 lei/lună , IPC trebuie să fie
de 1,87%
---------------------------------------------------------------------
7) În studiul legăturii dintre consumul anual pentru un
produs (Y, kg/pers.), preţul produsului (X1, lei/kg) şi venitul
anual disponibil (X2, mii lei), s-a obţinut următorul model
y = 42 − 0 ,56 ⋅ X + 7 ,5 ⋅ X
de regresie estimat: x i
1 2

Pentru exemplul dat, sunt corecte afirmaţiile:

a) consumul anual pentru acest produs scade, în medie, cu 3,92
kg/pers., dacă preţul creşte cu 7 lei/kg, considerând
constantă influenţa venitului
b) consumul anual pentru acest produs scade, în medie, cu 0,56
kg/pers., dacă preţul creşte cu 7 lei/kg, considerând
constantă influenţa venitului
c) consumul anual pentru acest produs creşte, în medie, cu
11,08 kg/pers., dacă preţul creşte cu 7 lei/kg şi venitul anual
creşte cu 2 mii lei.
---------------------------------------------------------------------
8) Datele privind variabilele X şi Y sunt reprezentate în figura de mai
jos:
 Y

60,00 Observed
Estimated

50,00

40,00

30,00

20,00

10,00

3,00 4,00 5,00 6,00 7,00 8,00 9,00 10,00

Ecuaţia teoretică a curbei care ajustează legătura dintre

variabile este
Y = β0 + β1 ⋅ X + β 2 ⋅ X 2 + ε
a)
2
b) Y = β 0 + β 1 ⋅ X 1 + β 2 ⋅ X 2 + ε
X ε
c) Y = β 0 ⋅ β 1 ⋅ e
---------------------------------------------------------------------
9) În studiul legăturii dintre costul unitar (lei) şi producţia
realizată (tone) s-au obţinut următoarele rezultate:
Coefficients

Unstandardized Standardized
Coefficients Coefficients
B Std. Error Beta t Sig.
Productie -,009 ,001 -4,897 -14,094 ,000
Productie ** 2 7,73E-006 ,000 4,809 13,839 ,000
(Constant) 5,886 ,142 41,431 ,000

Pentru exemplul dat, sunt corecte afirmaţiile:

−6 2
a) ecuaţia estimată este: Y X = 5 ,886 − 0 ,009 X + 7 ,73 ⋅ 10 ⋅ X
b) legătura de tip parabolic admite un punct de minim
−6 2
c) ecuaţia estimată este: Y X = 5 ,886 − 0 ,009 X 1 + 7 ,73 ⋅ 10 ⋅ X 2
d) nivelul optim al costului se atinge pentru o producţie de 582,14
tone.
10) Rezultatele modelării legăturii dintre variabilele X
(mii lei) şi Y (mil. lei), printr-un model Growth, se prezintă în
tabelul de mai jos.
 Coefficients

Unstandardized Standardized
Coefficients Coefficients
B Std. Error Beta t Sig.
X1 .130 .014 .912 9.412 .000
(Constant) 2.720 .073 37.090 .000
The dependent variable is ln(Y).

Sunt corecte afirmaţiile:

a) ecuaţia modelului estimat este ln Yx = 2 ,72 + 0 ,13 ⋅ X
b) atunci când X=0, nivelul mediu estimat al lui Y este e2,72
c) la o creştere a lui X cu o mie de lei, Y creşte în medie cu
13%

11) Rezultatele modelării legăturii dintre variabilele X (mii lei)

şi Y (mil. lei), printr-un model exponenţial, se prezintă în
tabelul de mai jos.
Coefficients

Unstandardized Standardized
Coefficients Coefficients
B Std. Error Beta t Sig.
X1 .130 .014 .912 9.412 .000
(Constant) 15.175 1.113 13.638 .000
The dependent variable is ln(Y).

Sunt corecte afirmaţiile:

a) ecuaţia modelului estimat este ln Yx = ln 15,175 + 0 ,13 ⋅ X
b) la o creştere a lui X cu 1%, Y creşte în medie cu 13%
c) la o creştere a lui X cu o mie de lei, Y creşte în medie
cu 13%

12) Rezultatele modelării legăturii dintre variabilele X (mii lei) şi

Y (mil. lei) se prezintă în tabelul de mai jos.

Coefficients

Unstandardized Standardized
Coefficients Coefficients
B Std. Error Beta t Sig.
ln(X) 20.535 3.396 .961 6.047 .009
(Constant) -1.799 5.388 -.334 .760

Sunt corecte afirmaţiile:

a) ecuaţia modelului estimat este Yx = −1,799 + 20 ,535 ⋅ ln X
b) ecuaţia modelului estimat este ln Yx = −1,799 + 20 ,535 ⋅ ln X
c) la o creştere a lui X cu 1%, Y creşte în medie cu 20,535
mil. lei
d) la o creştere a lui X cu 1%, Y creşte în medie cu 0,20535
mil. lei

13) În studiul legăturii dintre Salariu (mii lei) şi Nivelul de

educaţie (ani), pentru un eşantion format din 25
persoane, s-au obţinut rezultatele prezentate în tabelul
următor:
 Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) -18331.2 2821.912 -6.496 .000
Nivel de educatie 3909.907 204.547 .774 19.115 .000
a. Dependent Variable: Salariu

Care dintre afirmaţiile următoare sunt corecte?

a) parametrul β1 este semnificativ diferit de zero
b) între cele două variabile există o legătură directă
c) Nivelul de educaţie are o influenţă semnificativă
asupra Salariului
????( din ANOVA)

14) În urma prelucrării datelor privind mai multe variabile se

obţin următoarele rezultate:

Model Summary

Change Statistics
Adjusted Std. Error of R Square
Model R R Square R Square the Estimate Change F Change df1 df2 Sig. F Change
1 .910 a .828 .818 5.2961 .828 83.271 4 69 .000
2 .907 b .822 .814 5.3542 -.006 2.544 1 69 .115
a. Predictors: (Constant), Average female life expectancy, People living in cities (%), Daily calorie intake, People who read (%)
b. Predictors: (Constant), Average female life expectancy, Daily calorie intake, People who read (%)

Sunt corecte afirmaţiile:

a) prin excluderea variabilei People living in cities modelul a fost
 îmbunătăţit
b) excluderea variabilei People living in cities nu a modificat
semnificativ puterea explicativă a modelului
c) după excluderea variabilei People living in cities valoarea
R2 a scăzut cu 0.003
d) influenţa parţială a variabilei People living in cities
asupra variabilei dependente nu este semnificativă
????
Capitolul 1 - Introducere în econometrie

1. Obiectivele econometriei sunt:

a) descrierea şi explicarea dependenţelor dintre fenomenele economice
b) explorarea realităţii economice cu ajutorul datelor statistice pentru a propune noi teorii şi
ipoteze
c) testarea ipotezelor elaborate în teoria economică
d) predicţia fenomenelor economice

2. În teoria economică clasică, un model de regresie poate fi folosit în studiul legăturii dintre:
a) rata inflaţiei şi rata şomajului
b) valoarea consumului şi nivelul veniturilor
c) nivelul venitului, pe de o parte, şi nivelul de educaţie, experienţa în muncă şi genul
persoanei, pe de altă parte
d) cerere şi preţ

3. Într-un model econometric se întâlnesc următoarele elemente:

a) variabile observabile
b) variabile independente
c) variabile neobservabile
d) variabila dependentă
e) parametrii modelului
f) variabila aleatoare

4. După natura dependenţei dintre variabile, modelele econometrice se clasifică în:

a) modele de regresie deterministe
b) modele de regresie statice
c) modele de regresie probabiliste
d) modele de regresie matematice
e) modele de regresie dinamice
f) modele de regresie stochastice

5. După forma legăturii dintre variabile, modelele econometrice se clasifică în:

a) modele de regresie multiplă
b) modele de regresie liniară
c) modele de regresie simplă
d) modele de regresie neliniară
e) modele de regresie deterministe

6. Parametrii modelului de regresie:

a) reprezintă valori cunoscute, calculate pe baza datelor de la nivelul unui eşantion
b) se mai numesc coeficienţi de regresie
c) sunt variabile aleatoare
d) reprezintă mărimi fixe, dar necunoscute
e) constituie obiectul procesului de estimare

7. Pentru modelul de regresie liniară sunt corecte următoarele afirmaţii:

1
 a) componenta aleatoare este reprezentată de media condiţionată 𝑀(𝑌/𝑋) = 𝛽0 + 𝛽1 𝑋
b) regresia sau media condiţionată este o funcţie liniară definită: 𝑀(𝑌/𝑋 = 𝑥𝑖 ) = 𝛽0 + 𝛽1 𝑥𝑖
c) componenta aleatoare este reprezentată de variabila aleatoare eroare: 𝜀
d) componenta deterministă este reprezentată de media condiţionată: 𝑀(𝑌/𝑋) = 𝛽0 + 𝛽1 𝑋
e) componenta deterministă este reprezentată de variabila aleatoare reziduu: 𝜀

8. Apariţia termenului eroare în modelul de regresie este legată de următoarele probleme care
însoţesc procesul de modelare:
a) natura fenomenului studiat
b) erorile generate de metoda statistică
c) specificare modelului
d) factorii sau variabilele neincluse în modelul econometric
e) erorile de măsurare

Capitolul 1
Introducere în econometrie
Întrebare Răspuns
1 a, b, c, d
2 a, b, c, d
3 a, b, c, d, e, f
4 a, c, d, f
5 b, d
6 b, d, e
7 b, c, d
8 a, b, c, d, e

2
Capitolul 2 - Modelul de regresie liniară simplă

1. În teoria economică clasică, un model de regresie liniară simplă poate fi folosit în studiul
legăturii dintre:
a) rata inflaţiei şi rata şomajului
b) valoarea consumului şi nivelul veniturilor
c) nivelul venitului, pe de o parte, şi nivelul de educaţie, experienţa în muncă şi genul
persoanei, pe de altă parte
d) valoarea PIB-ului şi speranţa de viaţă
e) cerere şi preţ

2. Cu privire la parametrii unui model de regresie liniară simplă, sunt adevărate următoarele
afirmaţii:
a) panta dreptei de regresie reprezintă variaţia medie absolută a variabilei independente la o
variaţie a variabilei dependente cu o unitate
b) coeficientul de regresie 𝛽0 mai este denumit şi constanta modelului
c) parametrul 𝛽1 mai este denumit şi termenul liber al modelului
d) ordonata la origine indică nivelul mediu al variabilei dependente, atunci când variabila
independentă ia valoarea 1
e) panta dreptei de regresie reprezintă variaţia medie absolută a variabilei dependente la o
variaţie a variabilei independente cu o unitate
f) ordonata la origine indică nivelul mediu al variabilei dependente, atunci când variabila
independentă ia valoarea 0

3. Pentru un model de regresie liniară simplă sunt adevărate următoarele informaţii:

a) semnul negativ al parametrului 𝛽1 indică o legătură liniară inversă între cele două variabile
b) sensul legăturii dintre cele două variabile este indicat de semnul pantei de regresie
c) o legătură directă între cele două variabile arată că pe măsură ce variabila 𝑋 creşte cu o
unitate, variabila 𝑌 creşte, în medie, cu 𝛽1
d) sensul legăturii dintre cele două variabile este indicat de semnul ordonatei la origine
e) atunci când panta dreptei de regresie nu diferă semnificativ de zero, între cele două
variabile nu există o legătură liniară
f) o legătură negativă între cele două variabile arată că pe măsură ce variabila 𝑋 creşte cu o
unitate, nivelul mediu al variabilei 𝑌 scade cu 𝛽0

4. Estimarea punctuală a parametrilor modelului de regresie liniară:

a) se realizează prin metoda celor mai mari pătrate (MCMMP)
b) presupune maximizarea expresiei: 𝑆 = ∑𝑛𝑖=1 𝜀̂𝑖2
c) se realizează prin determinarea limitelor intervalului de încredere
d) presupune maximizarea expresiei: 𝑆 = ∑𝑛𝑖=1 𝜀̂𝑖2
2
e) se realizează pe baza criteriului: 𝑆 = ∑𝑛𝑖=1(𝑦𝑖 − 𝛽̂0 − 𝛽̂1 𝑥𝑖 ) = 𝑚𝑖𝑛
f) presupune minimizarea sumei tuturor erorilor modelului de regresie
g) se realizează prin metoda celor mai mici pătrate (MCMMP)
2
h) se realizează pe baza criteriului: 𝑆 = ∑𝑛𝑖=1(𝑦𝑖 − 𝛽̂0 + 𝛽̂1 𝑥𝑖 ) = 𝑚𝑖𝑛
i) presupune minimizarea expresiei: 𝑆 = ∑𝑛𝑖=1 𝜀̂𝑖2

3
5. Pentru un model de regresie liniară simplă, s-au obţinut următoarele rezultate: estimaţia
punctuală a parametrului 𝛽1 de -0.164 şi estimaţia erorii standard a estimatorului acestui
parametru de 0.766. Considerând un eşantion de 26 de observaţii şi un risc asumat de 1%,
precizaţi care din afirmaţiile de mai jos sunt corecte:
a) între cele două variabile există o legătura liniară semnificativă
b) cu o încredere de 99%, se poate garanta că 𝛽1 este acoperit de intervalul [-2,306; 1,978]
c) panta dreptei de regresie nu diferă semnificativ de zero, pentru o probabilitate de 99%
d) cu o încredere de 99%, se poate garanta că 𝛽1 este acoperit de intervalul [-2,072; 1,744]

6. În studiul legăturii dintre Salariul curent ($) şi Nivelul de educaţie (ani) la nivelul unui
eşantion format din 474 persoane, s-au obţinut următoarele rezultate:
Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) -18331,2 2821,912 -6,496 ,000
Educational Level (years) 3909,907 204,547 ,661 19,115 ,000
a. Dependent Variable: Current Salary

Ecuaţia estimată a modelului este:

a) 𝑌𝑋 = −18331,2 + 3909,907𝑋
b) 𝑦𝑥𝑖 = −18331,2 + 3909,907𝑥𝑖 + 𝑒𝑖
c) 𝑌𝑋 = −18331,2 + 3909,907𝑋 + 𝜀
d) 𝑦𝑥𝑖 = −18331,2 + 3909,907𝑥𝑖
e) 𝑦𝑥𝑖 = 3909,907 − 18331,2𝑋

7. Considerând rezultatele de la întrebarea 6, precizaţi care din următoarele afirmaţii sunt

adevărate:
a) salariul influenţează semnificativ nivelul de educaţie
b) la o creştere a educaţiei cu un an, salariul creşte, în medie, cu 3909,907 $
c) pentru un nivel de educaţie egal cu 0 ani, ne aşteptăm ca salariul mediu estimat să fie de
3909,907 $
d) nivelul de educaţie are o influenţă semnificativă asupra variaţiei salariului
e) valoarea medie estimată a salariului este de -18331,2 $, în condiţiile în care nivelul de
educaţie este egal cu 0 ani

8. În urma prelucrării datelor înregistrate pentru două variabile, Valoarea venitului (lei) şi
Valoarea consumului (lei) la nivelul unui eşantion de 50 de gospodării, s-a estimat un model de
forma 𝑌𝑋 = 𝑏0 + 𝑏1 𝑋. Rezultatele obţinute sunt prezentate în tabelul de mai jos:

Coefficients(a)
Unstandardized Standardized
Coefficients Coefficients t Sig.
Model B Std. Error Beta
1 (Constant) -5,599 2,085 -2,686 ,055
Valoare_venit ,280 ,042 ,957 6,603 ,003
a Dependent Variable: Valoare_consum

4
 a) parametrul 𝛽0 este semnificativ diferit de zero pentru o probabilitate de 95%
b) considerând un risc asumat de 0,05, limitele intervalului de încredere pentru coeficientul de
regresie 𝛽0 sunt: [1,513; 9,685]
c) probabilitatea asociată valorii calculate a testului fiind mai mare decât riscul asumat de 5%,
se poate afirma că 𝛽0 nu este semnificativ diferit de zero
d) având în vedere că 𝑡𝑐𝑎𝑙𝑐 = −2,686 < 𝑡𝑡𝑒𝑜𝑟𝑒𝑡𝑖𝑐 = 1,96, se poate afirma, cu o încredere de
95%, că parametrul 𝛽0 nu diferă semnificativ de zero
e) cu o încredere de 95% se poate garanta că termenul liber al modelului 𝛽0 este acoperit de
intervalul [-9,685; -1,513]

9. Pentru rezultatele obţinute la aplicaţia 8, alegeţi răspunsurile corecte:

a) cu un risc de 0,95 se poate afirma că valoarea venitului are o influenţă semnificativă asupra
valorii consumului
b) semnul estimaţiei 𝑏1 arată că între cele două variabile există o legătură liniară directă
c) testarea semnificaţiei parametrului 𝛽1, pentru un risc asumat de 5%, indică existenţa unei
legături liniare între nivelul venitului şi cel al consumului
d) semnul estimaţiei 𝑏1 arată că între cele două variabile există o legătură liniară inversă
e) modelul de regresie construit explică semnificativ legătura liniară dintre cele două
variabile, pentru o probabilitate de 95%

10. Pe baza ecuaţiei estimate a modelului de regresie liniară 𝑦𝑥𝑖 = 0,638 + 0,402𝑥𝑖 , variaţia
variabilei dependente pentru o variaţie a variabilei independente cu 2,75 unităţi este:
a) 0,402
b) 1,105
c) 0,638
d) 1,754

11. Se consideră un model de regresie liniară simplă care explică variaţia salariului ($), la nivelul
unui eşantion de angajaţi, considerând vechimea în muncă (luni). În urma estimării acestui
model, s-au obţinut următoarele rezultate:
Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 22843,324 6362,214 3,590 ,000
Months since Hire 142,723 77,844 ,084 1,833 ,067
a. Dependent Variable: Current Salary

Pentru o vechime în muncă de 10 luni, se cere să se estimeze nivelul salariului:

a) 1427,230 $
b) 24270,554 $
c) 22843,324 $

12. Considerând ecuaţia estimată a modelului de la aplicaţia 11, se cere să se determine nivelul
vechimii în muncă pentru un nivel mediu al salariului de 30000 $:

5
 a) aprox. 50 de luni
b) aprox. 120 de luni
c) aprox. 142 de luni

13. Pe baza ecuaţiei estimate a modelului de regresie liniară 𝑦𝑥𝑖 = 1,254 − 0,894𝑥𝑖 , să se
determine cu cât ar trebui să crească nivelul variabilei independente 𝑋 pentru a avea o scădere
medie a variabilei dependente 𝑌 cu 2 unităţi.
a) 1,788
b) 2,237
c) -2,237
d) -1,788

14. Prin construirea unui model de regresie care să explice variaţia ratei generale de fertilitate în
funcţie de rata nupţialităţii, s-au obţinut rezultatele din tabelul de mai jos:
Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 21,040 3,527 5,965 ,000
nuptialitate 2,306 ,659 ,489 3,501 ,001
a. Dependent Variable: fertilitate

Precizaţi care din afirmaţiile de mai jos sunt corecte:

a) între cele două variabile există o legătură liniară inversă de intensitate medie
b) rata de nupţialitate şi rata generală de fertilitate sunt corelate semnificativ
c) estimaţia coeficientului de corelaţie este egală cu 2,306
d) legătura liniară dintre cele două variabile este directă şi de intensitate medie
e) coeficientul de corelaţie este semnificativ diferit de zero, cu o probabilitate de 95%
f) estimaţia coeficientului de corelaţie este egală cu 0,489

15. În studiul legăturii dintre Salariul curent ($) şi Nivelul de educaţie (ani), s-au obţinut
următoarele rezultate:
Correlations

Educational
Current Salary Level (years)
Current Salary Pearson Correlation 1 ,661**
Sig. (2-tailed) ,000
N 474 474
Educational Level (years) Pearson Correlation ,661** 1
Sig. (2-tailed) ,000
N 474 474
**. Correlation is significant at the 0.01 level (2-tailed).

Considerând un risc asumat de 5%, precizaţi care din afirmaţiile de mai jos sunt corecte:
a) cu o încredere de 95%, se poate afirma că legătură liniară directă, de intensitate medie,
dintre cele două variabile este semnificativă

6
 b) variaţia nivelului salariului este explicată în proporţie de 66,1% de variaţia nivelului
educaţiei
c) cele două variabile nu sunt corelate semnificativ, cu o probabilitate de 95%
d) estimaţia coeficientului de corelaţie indică existenţa unei legături liniare inverse, de
intensitate medie, între salariu şi nivelul de educaţie
e) cele două variabile sunt corelate semnificativ, cu o probabilitate de 95%

16. Care din următoare afirmaţii cu privire la coeficientul de corelaţie sunt adevărate:
a) domeniul de variaţie a coeficientului de corelaţie este: [0, 1]
b) pentru un model de regresie liniară simplă este valabilă relaţia: 𝑟 = |𝑅|
c) domeniul de variaţie a coeficientului de corelaţie este: [-1, 1]
𝐸𝑆𝑆
d) pentru un model de regresie liniară simplă este valabilă relaţia: 𝑟 = 𝑇𝑆𝑆
e) domeniul de variaţie a coeficientului de corelaţie este: [-3, 3]
f) pentru un model de regresie liniară simplă este valabilă relaţia: 𝑟 2 = 𝑅 2

17. Pentru aprecierea intensităţii legăturii dintre două variabile, se pot utiliza indicatorii:
a) coeficientul de corelaţie
b) raportul de determinaţie
c) variaţia reziduală a modelului
d) raportul de corelaţie
e) variaţia explicată a modelului

18. În urma estimării legăturii dintre variabile X, PIB pe locuitor (lei), şi Y, gradul de urbanizare
(%), observate la nivelul judeţelor din România, în anul 2015, s-au obţinut rezultatele din tabelul
de mai jos:
Correlations

pib gradurb
pib Pearson Correlation 1 ,506**
Sig. (2-tailed) ,001
N 41 41
gradurb Pearson Correlation ,506** 1
Sig. (2-tailed) ,001
N 41 41
**. Correlation is significant at the 0.01 level
(2-tailed).
Sunt adevărate următoarele afirmaţii:
a) 50,60 % din variaţia gradului de urbanizare este explicat de variaţia PIB-ului pe locuitor, iar
restul de până la 100% este explicat de variaţia factorilor neincluşi în model
b) estimaţia raportului de corelaţie 𝑅 = 0,506 indică existenţa unei legături liniare de
intensitate medie între cele două variabile
c) variaţia gradului de urbanizare este explicată în proporţie de 25,60% de variaţia PIB-ului pe
locuitor
d) estimaţia raportului de corelaţie 𝑅 = 0,256 indică existenţa unei legături directe, de
intensitate medie, între cele două variabile

7
19. Prin construirea unui model de regresie care să explice variaţia ratei generale de fertilitate în
funcţie de rata nupţialităţii, s-au obţinut rezultatele din tabelul de mai jos:
ANOVA(b)

Sum of
Model Squares df Mean Square F Sig.
1 Regression 147,119 1 147,119 12,255 ,001(a)
Residual 468,201 39
Total 41
a Predictors: (Constant), nuptialitate; b Dependent Variable: fertilitate
a) 𝑅 = 0,2390
b) 𝑅 2 = 0,3142
c) 𝑅̅ 2 = 0,4761
d) 𝑅 2 = 0,2390
e) 𝑅 = 0,4889
f) 𝑅̅ 2 = 0,2199

20. Precizaţi care din afirmaţiile de mai jos cu privire la indicatorii de corelaţie sunt corecte:
a) 𝑅̅ 2 indică mai precis cât la sută din variaţia variabilei dependente este explicat de variaţia
variabilei independente
b) 𝑅̅ 2 > 𝑅 2
c) 𝑅 2 indică mai precis cât la sută din variaţia variabilei dependente este explicat de variaţia
variabilei independente
d) 𝑅̅ 2 < 𝑅 2

21. Pe baza rezultatelor obţinute la aplicaţia 19, precizaţi care din următoarele afirmaţiile sunt
corecte, considerând o probabilitate de 99%:
a) modelul de regresie construit explică semnificativ legătura liniară dintre rata generală de
fertilitate şi rata nupţialităţii
b) între rata generală de fertilitate şi rata nupţialităţii nu există o legătură liniară
c) modelul de regresie liniară nu este corect specificat
d) rata nupţialităţii are o influenţă liniară semnificativă, de intensitate medie, asupra variaţiei
ratei generale de fertilitate
e) modelul de regresie liniară construit pentru a explica variaţia ratei generale de fertilitate în
funcţie de factorul rata nupţialităţii este semnificativ

22. Implicaţiile excluderii constantei dintr-un model de regresie liniară sunt:

a) 𝑅𝑆𝑆 > 𝑇𝑆𝑆 şi 𝑅 2 < 0
b) ∑𝑖 𝜀̂2 = 0
c) 𝑅𝑆𝑆 < 𝑇𝑆𝑆 şi 𝑅 2 > 0
d) ∑𝑖 𝜀̂ ≠ 0
e) 𝑅𝑆𝑆 > 𝑇𝑆𝑆 şi 𝑅 2 ≠ 0

8
 Capitolul 2
Modelul de regresie liniară simplă
Întrebare Răspuns Întrebare Răspuns Întrebare Răspuns
1 b, e 9 b, c, e 17 a, b, d
2 b, e, f 10 b 18 b, c
3 a, b, c, e 11 b 19 d, e, f
4 e, g, i 12 a 20 a, d
5 b, c 13 c 21 a, d, e
6 a, d 14 b, d, e, f 22 a, d
7 b, d, e 15 a, e
8 c, e 16 c, f

9
10
Capitolul 3 - Modelul de regresie liniară multiplă

1. Se consideră rata mortalităţii infantile (Y, %), PIB pe locuitor (X1, mil. de lei) şi populaţia
urbană (X2, persoane) înregistrate pentru judeţele României, în anul 2013.

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients 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 infantile

Ecuaţia estimată a modelului de regresie este:

a) 𝑦𝑖 = 14,314 − 0,00012𝑥1𝑖 − 0,027𝑥2𝑖 + 𝑒𝑖
b) 𝑌𝑋 = 14,314 − 0,027𝑋1 − 0,00012𝑋2
c) 𝑦𝑥𝑖 = 14,314 − 0,00012𝑥1𝑖 − 0,027𝑥2𝑖
d) 𝑌𝑋 = 14,314 − 0,00012𝑋1 − 0,027𝑋2

2. Considerând rezultatele modelării de la întrebarea 1, alegeţi răspunsurile corecte:

a) la o creştere a PIB-ului cu 1 mil. de lei, nivelul mediu al ratei mortalităţii infantile scade
cu 0,00012%, în condiţiile în care influenţa populaţiei urbane rămâne constantă
b) nivelul mediu estimat al ratei mortalităţii infantile este 14,314% în condiţiile în care PIB
şi populaţia urbană rămân constante
c) 𝑏2 = −0,027 arată că la o creştere a populaţiei urbane cu 1 persoană, rata mortalităţii
infantile scade, în medie, cu 0,027%, atunci când PIB pe locuitor ia valoarea 0
d) pentru 𝑋1 = 0 şi 𝑋2 = 0 , nivelul mediu estimat al ratei mortalităţii infantile este de
14,314%

3. Se construieşte un model de regresie liniară multiplă care să explice variaţia ratei generale de
fertilitate în funcţie de factorii rata de nupţialitate, rata de ocupare feminină, rata şomajului şi
gradul de urbanizare, observaţi la nivelul unui eşantion format din 41 de judeţe ale României.
Rezultatele obţinute în urma estimării acestui model sunt prezentate în tabelul de mai jos:

Coefficients(a)
Unstandardized Standardized
Coefficients Coefficients t Sig.
Model B Std. Error Beta
1 (Constant) 32,436 7,822 4,147 ,000
nuptialitate 1,988 ,799 ,421 2,487
ocupare feminină -,001 ,079 -,002 -,012
somaj -,519 ,256 -,338 -2,030 ,045
grad urbanizare -,131 ,052 -,361 -2,506
a Dependent Variable: fertilitate

11
Specificaţi care din afirmaţiile de mai jos sunt corecte, ştiind că rezultatele modelării sunt
garantate pentru un nivel de încredere de 95%:
a) rata de ocupare feminină are o influenţă semnificativă asupra fertilităţii, în condiţiile în
care celelalte variabile independente rămân constante
b) variaţia ratei de fertilitate este explicată semnificativ parţial de variaţia gradului de
urbanizare
c) rata de ocupare feminină nu este un factor cu influenţă parţială semnificativă asupra
variaţiei ratei de fertilitate
d) se poate garanta cu o încredere de 5% că rata şomajului influenţează parţial semnificativ
variaţia ratei de fertilitate deoarece 𝑆𝑖𝑔𝑡 < 0,05
e) coeficientul de regresie 𝛽1 diferă semnificativ de zero, ceea ce arată că rata nupţialităţii
explică semnifivativ variaţia ratei fertilităţii, în condiţiile în care influenţa celorlalte
variabile rămâne constantă

4. Specificaţi care din afirmaţiile de mai jos sunt corecte, ştiind că rezultatele modelării sunt
garantate pentru un nivel de încredere de 95%:
a) pentru variabila şomaj, coeficientul de regresie standardizat se interpretează astfel: la o
creştere a ratei şomajului cu 1%, nivelul mediu al ratei generale de fertilitate scade cu
0,338 abateri standard, atunci când variaţia celorlalte variabile este egală cu zero
b) valorile coeficienţilor de regresie standardizaţi permit ierahizarea variabilelor
independente astfel: cel mai important factor este nupţialitatea, urmat de gradul de
urbanizare, şomajul şi ocuparea feminină, care are cel mai mic impact asupra variaţiei
ratei generale de fertilitate
c) factorul care explică cel mai mult din variaţia fertilităţii este nupţialitatea, cu un coeficient
egal cu 0,421, iar cel mai mic impact asupra fertilităţii îl are gradul de urbanizare, cu un
coeficient egal cu -0,361
d) pentru variabila nupţialitate, coeficientul de regresie standardizat se interpretează astfel: la
o creştere a ratei de nupţialitate cu o abatere standard, rata generală de fertilitate creşte, în
medie, cu 0,421 abateri standard, în condiţiile în care celelalte variabile sunt constante

5. Se consideră rata mortalităţii infantile (%), PIB pe locuitor (lei) şi populaţia urbană
(persoane) înregistrate pentru judeţele României, în anul 2013.

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients 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 infantile

a) 𝑟𝑦2.1 = −0,128 indică o influenţă parţială negativă, de intensitate slabă a populaţiei

urbane asupra ratei mortalităţii infantile

12
 b) estimaţia coeficientul de corelaţie bivariată dintre rata mortalităţii infantile şi PIB pe
locuitor arată existenţa unei legături inverse, de intensitate medie, între cele două
variabile, în condiţiile în care influenţa populaţiei urbane rămâne constantă
c) estimaţia coeficientului de corelaţie 𝑟𝑦1.2 indică o influenţă parţială negativă, de
intensitate scăzută, a PIB-ului asupra ratei mortalităţii infantile
d) estimaţia coeficientul de corelaţie bivariată 𝑟𝑦2 = −0,107 arată existenţa unei legături
inverse, de intensitate medie, între rata mortalităţii infantile şi populaţia urbană

6. La nivelul unui eşantion de 1000 de persoane, s-au înregistrat date pentru variabilele Vârsta
(ani), Greutatea (kg), Tensiunea arterială (mmHg), Numărul de ţigări consumate într-o
săptămână, Înălţimea (cm). În urma prelucrării datelor în SPSS, s-au obţinut rezulatele de mai
jos:

Correlations

Tensiune Numarul
Control Variables arteriala de tigari
Varsta & Greutate Tensiune arteriala Correlation 1,000 ,738
Significance (2-tailed) . ,000
df 0 996
Numarul de tigari Correlation ,738 1,000
Significance (2-tailed) ,000 .
df 996 0

Care din afirmaţiile de mai jos sunt corecte:

a) cu o probabilitate de 95%, tensiunea arterială şi numărul de ţigări sunt corelate
semnificativ, în condiţiile în care influenţa vârstei şi a greutăţii rămân constante
b) coeficientul de corelaţie parţială dintre tensiunea arterială şi numărul de ţigări nu diferă
semnificativ de zero, cu o probabilitate de 95%
c) cu o probabilitate de 95% se poate afirma că influenţa liniară directă, de intensitate
puternică, a numărului de ţigări asupra tensiunii arteriale este semnificativă, în condiţiile
în care vârsta şi greutatea rămân constante
d) cu o probabilitate de 95%, tensiunea arterială şi numărul de ţigări sunt corelate
semnificativ, în condiţiile în care vârsta şi greutatea iau valoarea zero

7. În studiul legăturii dintre fertilitate şi factorii nupţialitate, grad de urbanizare şi rata şomajulu,
s-au obţinut următoartele rezultate:

13
 Correlations

fertilitate nuptialitate somaj gradurb

fertilitate Pearson Correlation 1 ,489** -,465** -,089
Sig. (2-tailed) ,001 ,002 ,580
N 41 41 41 41
nuptialitate Pearson Correlation ,489** 1 -,596** ,371*
Sig. (2-tailed) ,001 ,000 ,017
N 41 41 41 41
somaj Pearson Correlation -,465** -,596** 1 -,343*
Sig. (2-tailed) ,002 ,000 ,028
N 41 41 41 41
gradurb Pearson Correlation -,089 ,371* -,343* 1
Sig. (2-tailed) ,580 ,017 ,028
N 41 41 41 41
**. Correlation is significant at the 0.01 level (2-tailed).
*. Correlation is significant at the 0.05 level (2-tailed).

Care din afirmaţiile de mai jos sunt corecte:

a) coeficientul de corelaţie parţială estimat dintre şomaj şi fertilitate are valoarea de -0,465
b) coeficientul de corelaţie bivariată dintre fertilitate şi gradul de urbanizare nu diferă
semnificativ de zero, cu o probabilitate de 95%
c) între fertilitate şi nupţialitate există o legătură liniară directă, de intensitate medie
d) cu o probabilitate de 99%, se poate afirma că legătura liniară inversă, de intensitate foarte
scăzută, dintre rata fertilităţii şi gradul de urbanizare nu este semnificativă

8. În urma estimării unui model de regresie liniară multiplă, în care variabila dependentă este rata
mortalităţii infantile (%), iar variabilele independente sunt PIB pe locuitor (lei) şi populaţia
urbană (persoane), s-au obţinut următoarele rezultate:

Model Summary

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 ,558a ,311 ,276 2,0497
a. Predictors: (Constant), Populatia urbana, Produs
Intern Brut

Pentru exemplul considerat sunt adevărate următoarele afirmaţii:

a) 55,8% din variaţia medie a ratei mortalităţii infantile este explicat de variaţia simultană a
PIB-ului pe locuitor şi populaţiei urbane
b) 31,1% din variaţia medie a ratei mortalităţii infantile este explicat de variaţia simultană a
PIB-ului pe locuitor şi populaţiei urbane
c) 27,6% din variaţia medie a ratei mortalităţii infantile este explicat de variaţia simultană a
PIB-ului pe locuitor şi populaţiei urbane

9. În urma estimării unui model de regresie liniară multiplă care să explice variaţia ratei generale
de fertilitate în funcţie de factorii rata de nupţialitate, rata de ocupare feminină, rata şomajului şi
gradul de urbanizare, s-au obţinut următoarele rezultate:
14
 ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 243,337 4 60,834 5,887 ,001a
Residual 371,983 36 10,333
Total 615,320 40
a. Predictors: (Constant), gradurb, ocupfem, somaj, nuptialitate
b. Dependent Variable: fertilitate

Precizaţi care din următoarele afirmaţii sunt corecte:

a) raportul de corelaţie multiplă estimat este egal cu valoarea 0,628
b) raportul de determinaţie multiplă estimat este egal cu valoarea 0,395
c) cu o probabilitate de 99%, raportul de corelaţie multiplă nu diferă semnificativ de zero
d) raportul de determinaţie multiplă ajustat estimat este egal cu valoarea 0,328
e) cu o probabilitate de 95%, raportul de corelaţie multiplă diferă semnificativ de zero
f) raportul de determinaţie multiplă estimat este egal cu valoarea 0,328

10. Se construieşte un model de regresie liniară multiplă care să explice variaţia fertilităţii în
funcţie de o serie de factori demografici, economici şi sociali, la nivelul judeţelor României, în
anul 2015. Rezultatele modelării sunt prezentate în tabelul de mai jos:

Model Summary

Change Statistics
Std. Error
R Adjusted R of the R Square Sig. F
Model R Square Square Estimate Change F Change df1 df2 Change
1 ,629(a) ,395 ,328 3,21448 ,395 5,887 4 36 ,001
2 ,640(b) ,410 ,325 3,22118 ,410 4,860 5 35 ,002
3 ,629(c) ,395 ,346 3,17075 ,395 8,068 3 37 ,000
a Predictors: (Constant), gradurb, ocuparefem, somaj, nuptialitate
b Predictors: (Constant), gradurb, ocuparefem, somaj, nuptialitate, divortialitate
c Predictors: (Constant), gradurb, somaj, nuptialitate

Cu o probabilitate de 95%, precizaţi care din următoarele afirmaţii sunt corecte:

a) introducerea variabilei divorţialitate are un efect semnificativ asupra capacităţii
explicative a modelului
b) variabila independentă exclusă din modelul iniţial are o influenţă marginală semnificativă
asupra variaţiei fertilităţii
c) variabila independentă introdusă în modelul iniţial nu are o influenţă marginală
semnificativă asupra variaţiei fertilităţii
d) rezultatul testării influenţei marginale a ratei de ocupare feminină arată că această
variabilă nu trebuie exclusă din modelul de regresie iniţial

15
 Capitolul 3
Modelul de regresie liniară multiplă
Întrebare Răspuns Întrebare Răspuns
1 c, d 6 a, c
2 a, d 7 b, c, d
3 b, c, e 8 b, c
4 b, d 9 a, b, d, e
5 a, c 10 a, b, d

16
 Probleme rezolvate

[Link] simplu de regresie

Aplicația I.1
În perioada 2003-2009 numărul de salariați din Cercetare și Dezvoltare (notați cu NSCD) a
fost de : 3,9; 4,07; 4,1; 4,2; 4,2; 4,35; 4,24 (valorile sunt exprimate în sute mii persoane). Se
cere:
a) Să se estimeze parametrii unui model de forma NSCDt  a  bt   , t  1,7

b) Să se testeze dacă b diferă semnificativ de zero la un prag de 5%

c) Să se construiască un estimator pentru matricea de varianță-covarianță a
estimatorilor,  a,b

d) Estimați folosind un interval de încredere numarul de salariați din Cercetare și

Dezvoltare pentru anii 2010-2012. Sunt rezultatele fezabile? De ce?

Soluție
Fie T=7 numărul de perioade pe care se face analiza. Atunci :

a) min  ˆ 2

 min  NSCDt  aˆ  bˆt 
2
 
 min F aˆ, bˆ

 
F aˆ , bˆ

 0   2 NSCD  aˆ  bˆt  0 
aˆ aˆT  bˆ t   NSCDt

 
F aˆ , bˆ

 0   2 NSCD  a  bt t  0
ˆ ˆ 
aˆ  t  bˆ t 2   tNSCDt
bˆ
Rezolvând sistemul se ajunge la
covNSCT , t 
 bˆ 
ˆ t2
aˆ  NSCD  bˆt

 t  1  2  3....  7  T  1  4
t
T 7 2
 t  28
T (T  1)(2T  1) 7  8  15 t 2

t 2  6

6
 140 ˆ t2 
T
 t 2  20  16  4

1
cov( NSCD, t ) 
 NSCD t t
 NSCD  t 
T
3,9  1  4,07  2  ...  4,24  7
 4,151  4  16,846 - 16,60 = 0,24
7
 ˆ cov NSCD, t  0,24
b   t2
  0,06
Și deci  4
aˆ  NSCD  bˆt  4,1514  0,06  4  3,911

H0 b  0
b) Se testează ipotezele . Pentru aceasta se calculează statistica
H1 b  0

bˆ  0 ˆ 
tb  . Unde ˆ b 
ˆ b T ˆ t

Nu se cunoaște ˆ  . Pentru a determina valoarea acestui indicatori folosim următoarele relații:

2
 ^

  
ˆ 2   NSCDt  NSCD t 
  0,02367  0,0047  ˆ  0,0688
ˆ 2  
T 2 T 2 5

NSCDt  aˆ  bˆt
^
NSCD 1  3,911  0,06  3,971
NSCD2  3,911  0,06  2  3,971  0,06  4,031
...
...
^
NSCD 7  3,911  0,06  7  4,331
Revenind la testarea parametrului b, pe baza calculelor de mai sus rezultă:
bˆ  0 0,06
tb    4,62
ˆ b 0,0688 / 7  2
Cum această valoarea calculată este superioară valorii critice (valoarea critică nu este dată ,
dar din experiența cititorului se cunoaște faptul că ea este în jurul valorii 2-Se poate consulta
distribuția Student pentru a alege valoarea exactă corespunzătoare pragului de 5%) se poate
accepta ipoteza alternativă, panta dreptei de regresie temporală diferă semnificativ de zero la
pragul de semnificație specificat. Altfel spus pe baza datelor existente se poate accepta că

2
 exită un trend semnificativ din punct de vedere statistic privind evoluția numărului de
salariați din Cercetare și Dezvoltare în perioada analizată

.
 ˆ a2
c).  a ,b  
  .
cov aˆ , bˆ
Se cunoaște că ˆ a  ˆ 
1

t2
ˆ b 
ˆ 
, iar
ˆ ˆ b2  T T t2 T ˆ t
 cov(b, aˆ ) 

 
cov aˆ , bˆ  ˆ 2
t
Tˆ t2
Înlocuind în aceste expresii valorile calculate la punctele anterioare rezultă că

1 t2 t   1 16 4 
     
T Tˆ t2 Tˆ t2
 a ,b  ˆ 2    0,0047 7 7  4 74
 t 1   4 1 
   
 Tˆ t
2
Tˆ t2   74 74

d)O estimație punctuală se poate construi astfel

NSCD2010  3,911  0,06  8  4,391

1 t p  t  1 8  4
2 2
Eroarea de previziune  y  t / 2ˆ    2,36  0,0688   0,137
T Tˆ t2 7 74

Cu o probabilitate de 95% se poate spună că numărul de salariați din domeniul Cercetare și

Dezvoltare în anul 2010 va fi cuprins între 425 000 și 452800 persoane.
Intervalul de încredere este fezabil dacă totți factorii care au acționat în trecut asupra variabilelor
măsurate își păstrează direcția și intensitatea acțiunii și în perioadele de previziune. Cum în
ultima parte a perioadei de analiză a apărut criza economică (un factor nou a cărui dimenisiune și
direcție poate fi doar estimată în viitor) intervalul de încredere trebuie privit cu rezerve.

Observație: Întreaga problemă se poate mai ușor folosind variabila t  cu valorile

 3,2,1, 0 ,1,2 , 3 în locul variabilei t utilizate în rezolvarea de mai sus.

3
Aplicația I.2
Pentru a urmări dependența dintre prețul de vânzare al unui produs și cantitățile vândute,
au fost înregistrate 32 de valori. În urma prelucrării datelor a fost obținut modelul:

1
yˆ i  12,2  4,2 ,. Se mai cunosc, de asemenea, ˆ y  1,2 și ˆ 1 / x  0,2
xi
Se cere:
a) Să se testeze la un prag de semnificație de 5%, folosind Testul F, validitatea modelului
de regresie;

b) Pentru o probabilitate de 0,99, precizațí dacă, b, pentru care bˆ  4,2 diferă semnificativ
de 1;
c) Evaluați coeficientul de corelație dintre y și 1 / x . Testați semnificația statistică a
acestuia.

Observație
Pentru rezolvarea problemei se pot folosi valorile critice t 0,01/ 2,30  2,57 F0,05,1,30  4,17 .

Rezolvare

H0 R2  0
a) Se testează ipotezele . Pentru aceasta se calculează statistica
H1 R 2  0

  yˆ  y  bˆ 2 nˆ 12/ x  4,2  0,2 

2 2
R2 n  k 1 V y2/(1 / x )
F  , unde R 
2
     0,49
1 R2 V y2  y  y nˆ y2
2
k  1,2 

0,49
De unde imediat rezultă F   30  28,82 .
0,51
Cum F  F0,05,1,30 se poate respinge ipoteza nulă și în concluzie se poate accepta validitatea

modelului cu o probabilitate de 95%.

H0 b  1
b) Se testează ipotezele . Pentru aceasta se calculează statistica
H1 b  1

4
 bˆ  1 ˆ  (n  k  1)ˆ 2
tb  . Unde ˆ b  Dar R  1 
2

ˆ b nˆ 1 / x nˆ y2

nˆ y2 32 1,44 bˆ  1 4,2  1

ˆ 2  (1  R 2 )  0,51  0,78 . În aceste condiții t b    4,923
n  k 1 30 ˆ b 0,78
30  0,04

Deoarece t b  4,923  t 0,01/ 2,30  2,57  se respinge ipoteza nulă și în consecință se poate

accepta faptul că b diferă semnificativ de 1.

c) r  R 2  0,7 , valoare ce indică o legătură strânsă între inversul prețului de vânzare și

cantitatea vândută.

Pentru testarea acestui indicator se parcurg pașii

H0   0
1. se specifică ipotezele de lucru
H1   0

r
2. se calculează statistica t r  n  2  F  28,82  5,37
1 r2
3. se compară t r cu valoarea critică , și deoarece 5,37 > 2,57 se poate accepta că legătura
dintre inversul prețului și cantitatea vândută este semnficativă

Aplicația I.3
Pentru două variabile statistice, X și Y au fost înregistrate valorile pentru 50 de unități
statistice. În urma prelucrării datelor s-au obținut rezultatele următoare.

y  15, y  15000, x  12,  x  x   200, x y  9100

2 2
i i i i

Folosind datele de mai sus se cere:

a) Să se precizeze care dintre cele două variabile statistice este mai omogenă.
b) Să se calculeze coeficientul liniar de corelație, iar pentru un prag de semnificație de
5% stabiliți dacă valoarea acestuia diferă semnificativ de zero. t 0,05 / 2, 48  2,01

5
 c) Să se estimeze parametrii modelului y    x   prin metoda celor mai mici
pătrate
d) Să se stabilească dacă modelul de regresie este corect specificat
e) Pentru un prag de semnificație de 5% să se determine un interval de încredere
pentru valoarea lui y dacă nivelul caracteristicii X este 15 ( x p  15) .

Rezolvare

a) Pentru a compara gradul de omogenitate al celor două variabile se calculează cei doi
coeficienți ve variație

ˆ x
vX 
x
unde ˆ x 
200
=2 iar ˆ y 
y 2
i
 y 2  300  225  8,66
ˆ y 50 n
vY 
y

2 8,66
În aceste condiții v X   0,16666 și vY   0,577 de unde rezultă că variabila X este
12 15
mai omogenă decât Y.

 xy  xy
cov( X , Y ) 180  12  15
b) rxy   n   0,115
ˆ xˆ y vY y  v X x 2  8,66

Pentru testarea acestui indicator se parcurg pașii

H0   0
1. se specifică ipotezele de lucru
H1   0

rxy 0,115
2. se calculează statistica t r  n2  48  0,84
1 r 2
xy
0,94

3. se compară t r cu valoarea critică , și deoarece 0,84 < 2,01 nu se poate accepta că

legătura dintre cele două variabile statistice este semnificativă statistic la un prag de 5%

6
 c) În urma aplicării MCMMP și rezolvării sistemului de ecuații normale se ajunge la

cov( X , Y )
ˆ  =0,5 și ˆ  y  ˆ  x  15  0,5  12  9
ˆ x2
d) Pentru a verifica dacă modelul este corect specificat se poate testa semnificația
coeficientului variabilei factoriale sau se poate aplica testul Fisher

H0   0 R2
F  (n  2)  t r2  0,717 . Valoarea statisticii calculate este inferioară
H1   0 1 R 2

valorii critice preluate din distribuția Fisher, în concluzie modelul nu este corect specificat
(nu este adecvată specificarea unei forme liniare).


ˆ x 15   y  y  yˆ x 1   y  1  
e) P y 

unde yˆ x 15  ˆ  ˆ  15  9  0,5  15  16,5

(n  2)ˆ 2 nˆ y2 32  75
R2  r 2  1  ˆ 2
  (1  r 2
)  0,885   70,8  ˆ   8,41 de unde
nˆ y
2
n2 30

rezultă că

1 x p  x 
2

 y  t / 2,n k 1  ˆ  1   2,01  8,41 1  1 / 30  32 / 30  4  17,8

n  x  x 2

Cu o probabilitate de 95% valoarea lui y în condițiile în care X=15 iar toți ceilalți factori își
păstrează modul de manifestare va fi cuprinsă între 16,5-17,8 și 16,5+17,8. y x15   1,3; 34,3

Observații.
Intervalul de încredere astfel determinat nu are utilitate practică.
Nu este recomandat să se construiască un interval de încredere în condițiile în care modelul
econometric pe baza căruia s-a efectuat previziunea nu este validat din punct de vedere statistic.

7
În cazul de față construirea intervaluui a fost făcută doar cu scop didactic.

Aplicația I.4
Pentru două caracteristici (prețul de vânzare, cantitatea vândută =Y) au fost observate 20
de valori. Considerând că între acestea există relația de dependență liniară, s-a estimat,
pentru datele observate, următoarea funcție liniară de regresie: yˆ i  16  2 xi . S-au

determinat de asemenea, estimațiile pentru variabila reziduală, acestea fiind prezentate în

tabelul de mai jos:
ˆi (i  1,10) 0,12 -0,15 0,25 -0,18 -0,36 0,25 0,28 -0,24 0,12 -0,25
ˆi (i  11,20) 0,14 -0,18 0,22 0,19 -0,23 0,18 -0,29 0,33 -0,15 -0,05

Pentru cele două caracteristici se mai cunosc următoarele: nivelul mediu al caracteristicii
Y este 40, valorile variabilei X formează o progresie aritmetică cu semidiferența valorilor
extreme egală cu 4,75.
Se cer următoarele
(i). Să se reconstitutie cele două serii de date
(ii). Să se testeze, folosind testul F, dacă modelul de regresie este corect specificat
(iii). Să se testeze, dacă panta dreptei de regresie diferă semnificativ de 2.5 pentru un prag
de semificație de 5%
(iv). Să se măsoare intensitatea dependenței dintre cele două serii prin calcularea
coeficientului liniar de corelație. Să se testeze semnificația acestuia la un prag adecvat.
(v). Utilizând un test adecvat să se precizeze dacă fenomenul de autocorelare de ordinul I
poate fi neglijat la un prag de semnificație de 5%. La acest prag valorile critice din
Distribuția Durbin Watson sunt (dl=1,20 și du=1,41)

Soluție
(i). Dacă valorile lui X formează o progresie aritmetică cu rația r atunci xi  xi 1  r , i  1,20 .
x20  x1
În aceste condiții xn  x1  (n  1)r . Dar  4,75  19r  r  0,5
2

Dearece y  40  x  (40  16) / 2  12 

x i
  xi  240
20
19  20
x i  x1  x2  ...x20  x1  ( x1  r )  ( x1  2r )  ...  ( x1  19r )  20 x1  r
2
 240

 x1  9,5r  12  x1  7,25

8
Acum se determină foarte ușor toate valorile lui X. Apoi se înlocuiește fiecare valoare a lui x în
model, se adună valoarea estimată a componentei reziduale și se obține y.
Valorile astfel calculate sunt prezentate în tabelul de mai jos
Valorile lui x Modelul econometric Valorile lui y
X1=7,25 y1  16  2  7,25  0,12 =30,62
X2=x1+r=7,25+0,5=7,75 y2=16+2∙ 7,75-0,15=31,35
X3=x2+r=7,75+0,5=8,25 y3=16+2∙8,25+0,25=32,75
X4=8,75 y4=16+2∙8,75-0,18=33,32
X5=9,25 y5=16+2∙9,25-0,36=34,14
X6=9,75 y6=35,75
X7=10,25 y7=36,78
X8=10,75 y8=37,26
X9=11,25 yˆ i  16  2 xi de unde y9=38,62
X10=11,75 yi  16  2 xi  ˆi y10=39,25
X11=12,25 y11=40,64
X12=12,75 y12=41,32
X13=13,25 y13=42,72
X14=13,75 y14=43,69
X15=14,25 y15=44,27
X16=14,75 y16=45,68
X17=15,25 y17=46,21
X18=15,75 y18=47,83

X19=16,25 y19=48,35
X20=16,75 y20=49,45

(ii).Deoarece modelul este liniar se poate folosi relația r 2  R2 . Fie b coeficientul lui x din
modelul prezentat in enunț.

Se determină ușor ˆ 2

 x  x 
2

 8,3125 ,și ˆ 2

 y  y
2

 33,2648
x y
n n
covx, y  ˆ ˆ x ˆ 2 ˆ x2 8,3125
r b r b 2 4
2
 0,99
ˆ xˆ y ˆ y ˆ y 33,2648

9
 H0 b  0 R2 0,99
F  (n  2)  18  1782 . Valoarea statisticii calculate este mult
H1 b  0 1 R 2
0,01
peste valoarea critică preluată din distribuția Fisher, se poate accepta astfel că modelul este
corect specificat
Observație: Dacă valoarea lui r depășește 0,85 atunci modelul specificat ridică semne de
întrebare privind relevanța practică. Există posibilitatea ca una sau mai multe ipoteze ale
modelului de regresie specificat să fie încălcate. De asemenea o posibilă cauza privind valoarea
foarte mare a lui r este și înregistrarea valorilor variabilelor cu erori.
(iii). Pentru testarea coeficientului lui x în raport cu valoarea 2,5 se procedează astfel:
Se definesc ipotezele
H 0 b  2,5
H1 b  2,5
Se calculează statistica

tb 
bˆ  2,5
 . Unde ˆ b 
ˆ
. iar ˆ  
2  ˆi2
 0,0542
̂ b nˆ x n2

bˆ  2,5 2  2,5 0,05

În aceste condiții tb     2,77 .
ˆ b 0,0542 0,01805
20  8,31

Deoarece tb  2,77  t0,05 / 2,18  2,10  se respinge ipoteza nulă și în consecință se poate accepta

faptul că b diferă semnificativ de 2,5.

(iv). Folosind informațiile de la punctul (ii) ˆ x, y  r  0,99 . Legătura dintre cele două variabile

este extrem de strânsă , cvasideterministă. Vezi observația de la punctul (ii).

H0   0
a) Pentru testarea acestuia se specifică ipotezele
H1   0

rxy 0,99
b) se calculează statistica tr  n2  18  42
1  rxy2 0,01

rxy R2
Se poate folosi și faptul că tr  n2  (n  2)  F  42
1  rxy2 1  R2

c) se compară t r cu valoarea critică , și deoarece 42>> 2,10 se poate accepta că legătura

dintre cele două variabile statistice este semnificativă statistic la un prag de 5%

10
v). Pentru depistarea prezenței autocorelării erorilor se poate utiliza testul Durbin-Watson.

     2  t t 1
2
t 1
DW  t
 2  2(1  ˆ t  t 1 )
 t
2
 t
2

ˆ  
ˆ ˆ t t 1

(0,15  0,12)  (0,24  0,15)  ...(0,05  0,15)  0,5147
  0,528
t t 1
ˆ 2
t 1 0,122  (0,15) 2  ...(0,05) 2 0,9741

DW  2(1  0,528)  3,056

Utilizând valorile critice, 4-d1=4-1,20=2,80; 4-dU=4-1,41=2,59. Valoarea calculată este situată
între 4-dl și 4. Conform testului Turbin Watson suntem în zona de autocorelare puternică.

[Link] multiplă
Aplicația II.1
Trei variabile statistice X1, X2 și Y* se transformă conform relațiilor
xi1  x 1 xi2  x 2 yi*  y *
x1i  , x 2i  , y1  .Pe un număr de 20 observații ˆ X  0,
X 1 X 1 y *
1! X 2

ˆ Y , X  0,6 ˆ YX  0,35 . Se acceptă de asemenea că variabilele transformate nu sunt corelate cu

1 2

variabila reziduală.
Se cere:
a) Estimați parametrii modelului yi   0  1 x1i   2 x2i   i

b) Testați dacă parametrul corespunzător variabilei X 1 diferă semnificativ de -0,5 la un prag

de semnificație de 1% t / 2,17  2,89

c) Interpretați parametrii din punct de vedere economic

d) Cât de intensă este legătura dintre X2 și Y. Este semnificativă această legătură la un prag
de 1%
e) Construiți un interval de încredere pentru valoarea lui y la un prag de 5% în condițiile în
care X1 și X2 iau valorile 2 și respectiv 0,3.
Soluție

a) În urma aplicării MCMMP se obține

 ˆ 0 
 
ˆ   ˆ1   X t X  1
X tY
 ˆ 
 2

11
 După calcule imediate, caracteristice modelului cu doi factori, rezultă că în general

 n x x   y 
 1 2
  
Matricea X X    x1
T
x x x 2
 iar X T
Y    1 
x y

1 1 2
 x 2 
 2 x x x 2 1 2   x y
 2 

Daca ținem cont de informațiile prezentate în enunț se poate observa că

 X1  X1 
EX 1   
 X  X
 
  1 E X 1   X 1  0. Analog E X 2   EY   0
 1  1

 X1  X1   X2 1
VAR  X 1   VAR VAR X  X   2  1
  1
 1 1
  1   21  X1
 X  X

sau

 
2
 X1  X1  E X1  X1
2
 X2
VAR  X 1   E X 1  X 1   E ( X 1 )
2
 2
 E 
  1 
  
1
1
 X   X2 1  2
X1

Analog pentru X2 și Y

x1 
x 1i
 x2 
x 2i
y
y i
0
n n n
Trecând la eșantionul dat rezultă că
 X2 
x 2
1i
  X2 2 
x 2
2i

 y2 1
1
n n n

rYX1 
cov( X 1 , Y )

E  X 1Y   E ( X 1 ) E (Y )

E  X 1Y   0

x y 1

 X Y 1 E X   E  X  E (Y
1
2
1
2 2
)  E y
2
 (1  0)(1  0) n

rYX 2 
x 2 y
n

 20 0 0  1 0 0 0 
  1    
și atunci X X   0 20 0   20  I 3 ;  X t X
T
 1

1
20
I3   0 1 0
20 
X Y    12 
t

 0 0 20   7 
  0 0 1  

 ˆ 0  0  0  0 
       
ˆ   ˆ1   X X  X Y  I 3  nrYX1    rYX1     0,6 
t 1 t 1
 ˆ  n    
 2  nrYX   rYX   0,35 
 2   2

12
De reținut! Dacă variabilele sunt standardizate atunci coeficienții variabilelor factor dintr-
un model de regresie sunt egali chiar cu coeficienții de corelație liniară dintre variabilele
factor și variabila dependentă.
b) Pentru testarea coeficientului lui X2 se procedează astfel
Se specifică ipotezele
H 0  2  0,5
H 1  2  0,5
Se calculează statistica
ˆ 2  0,5
tˆ 2   . Unde ˆ   ˆ  d 22 . Unde d22 reprezintă elementul de pe diagonala
ˆ 
2

principală (linia 2, coloana 2) din matricea X t X  

1
. Acest lucru este o consecință a faptului

  20 cov  0 ,  1  cov  0 ,  2 

 
că var ˆ    cov  1 ,  0   21 
cov  1 ,  2    ˆ 2 X t X 1

 cov  ,   cov  ,    22 

 2 0 2 1 


Dar în cazul de față ˆ 2 X t X 
1
 ˆ 2
1
20
I 3  ˆ 22  ˆ 2
1
20

Apare problema determinării lui ˆ 2 . Pentru a o rezolva apelăm la descompunerea variației

(ANOVA). Aici se știe că V y  V y / X1 , X 2  V y /  (1) (Din faptul că cei doi factori sunt

independenți și necorelați cu variabila reziduală)

Această relație (1) mai este echivalentă și cu nˆ y2  ˆ12 n X2 1  ˆ x2 n X2 2  (n  3)ˆ 2 (2)

În (2) înlocuim valorile calculate mai sus și avem:

20  1  (0,6) 2 20  1  (0,35) 2  20  1  (20  3)ˆ 2 . De unde ˆ 2  0,6088

ˆ 2  0,5  0,6  0,5  0,1

În aceste condiții tˆ 2     0,5733 .
ˆ 
2
0,6088 0,1744
20

Deoarece tˆ 2  0,5733  t 0,05 / 2,17  2,89  nu se poate respinge ipoteza nulă și în consecință se

poate accepta faptul că  2 nu diferă semnificativ de -0,5.

c). În lipsa unor semnificații economice ale variabilelor coeficienții vor fi interpretați pe caz
general. O variantă de interpretare ar putea fi următoarea

13
Pentru ̂ 1 . Atunci cand X1 crește cu o unitate iar X2 rămâne constant Y scade în medie cu 0,6
unități
Pentru ̂ 2 . Atunci cand X2 crește cu o unitate iar X1 rămâne constant Y crește în medie cu 0,35
unități.
Observația1. În urma transformării aplicate asupra variabilelor inițiale, X 1,X2 și Y devin
adimensionale.
Observația2. Deoarece toate valorile vor fi situate în același interval (-1;1) se poate măsura
impactul fiecărui factor prin intermediul valorii coeficienților (dacă acești sunt
semnificativi din punct de vedere statistic). Cu cât coficientul este mai mare în modul cu
atât influența factorului corespunzător este mai mare.

d). Coeficientul de corelație liniară dintre cele două variabile este de 0,35. Valoare ce indică o
legătură moderat-slabă.
Pentru testarea statistică a legăturii se procedează astfel:
a) Se specifică ipotezele
H 0 Y , X 2  0
H1 Y , X 2  0

b) Se construiește statistica
ˆ YX 0,35
t  2
n2  18  1,586
1  ˆ Y2, X 2 0,936

c) Se compară cu valoarea critică. Deoarece valoarea calculată este inferioară valorii critice
atunci nu se poate respinge ipoteza nulă. Legătura liniară dintre cele două variabile nu
este semnificativă statistic.
e). Intervalul de încredere se construiește plecând de la estimația punctuală

yˆ X 12, x 20,3  0,6  2  0,35  0,3  1,095

1 
 
Dacă X1=2 și X2=0,3 atunci. Fie X 0   2  vectorul de previziune
 0,3 
 
Eroarea de
previziune

14
  1 0 0  1 
1   
 y  t / 2, n 3ˆ  1  X X X
t
0  t

1
X 0  2,1  0,78 1  1  0,6 0,35  0 1 0   0,6   1,69
20   
 0 0 1  0,35 

Cu o probabilitate 95% valoarea lui y va fi cuprinsă între -3,11 și 0,92.

III. Ecuații simultane

Aplicația III.1
Se consideră variabilele endogene Y1t , Y2t și variabila exogenă X t pe baza cărora se definește

MES:
Y1t  aY2t  b   1t
 unde cele două variabile reziduale sunt zgomote albe necorelate între ele.
Y2t  dX t  e   2t
Se cere:
a. Să se scrie sistemul sub formă matricială și să se studieze condițiile de identificare
b. Să se estimeze parametrii formei structurale prin MCMMP și să se demonstreze că
estimatorii nu mai satisfac teorema lui Gauss-Markov.
c. Să se estimeze parametrii prin metoda celor mai mici pătrate indirectă și MCMMP în
două stadii.

Soluție
Forma generală a MES este BY  CX   unde X este vectorul variabilelor exogene iar Y este
vectorul variabilelor endogene
 1 a   Y1   b 0   1    1 
a)               (1)-Sistemul este corect identificat
 0 1   Y2   e d   X    2 
1 1
Y   1 a   b 0   1   1 a   1 
  1               -(2)-Forma redusă
 Y2   0 1   e d   X   0 1   2 

Se calculează ușor
1
1 a  1 0
    
0 1  a c
și înlocuind această expresie în relația (2) se poate observa că valoarea
covY2 1   a 21  0

15
 Y  aY2t  b   1t
b) Sistemul se mai poate scrie  1t
Y2t  dX t  e   2t
Aplicând MCMMP pe fiecare ecuație rezultă

  y1  y1  y 2  y 2  ˆ
aˆ   , b   y1  aˆy 2

 2 2 y  y 2

  y1  y1  y 2  y 2  ˆ
aˆ   , b   y1  aˆy 2
  y2  y2 
2

 y1  y1  y 2  y 2    ay 2t  b   1t  ay 2  b  y 2  y 2 
aˆ    
  y2  y2    y2  y2 
2 2

  a y 2  y 2     y 2  y 2  1t   y 2  y 2  1t , E (aˆ )  a
2

  aˆ  a 
  y2  y2    y2  y2 
2 2

   y 2  y 2  1t
2

Var aˆ   E aˆ  a 
2
 E
   y  y 2 
  k    E  k k    
  E  k 2  E 2 2
i j i j
 2 2 
 2
  k E   
2 2

 y  y2 
2
2

În acest caz estimatorul nu mai are varianță minimă încălcând teorema Gauss-Markov.
În cazul celei de-a doua ecuații estimatorul rămâne nedeplasat și de varianță minimă deoarece
variabila X este exogenă și se acceptă ca ea este independentă de variabila reziduală.
c) În formă redusă sistemul arată
Y1t  adX t  b  ae   1t  a 2t Y1t  X t    ut
 
Y2t  dX t  e   2t Y2t  dX t  e   2t
C1. Metoda celor mai mici pătrate indirectă
a). Se stimează ˆ , ˆ , dˆ , eˆ aplicând MCMMP în formă redusă, apoi se țin cont de expresiile ce
leagă parametrii din forma structurală cu cei din forma redusă.
ˆ
aˆdˆ  ˆ  aˆ 
dˆ
ˆeˆ ˆ
 bˆ  aˆeˆ  ˆ  bˆ  aˆeˆ  ˆ  
dˆ
C2. Metoda celor mai mici pătrate în două faze
Faza I.

16
Se estimează dˆ , eˆ din ecuația Y2t  dX t  e   și apoi se calculează valorile Yˆ2t  dˆX t  eˆ

Cu aceste valori se merge în prima ecuație Y1t  aYˆ2t  b   1t și aplicând MCMMP se estimează
a și b

Aplicația III.2
Fie modelul
Ct  a  bYt   t
I t  dYt  cRt  u t unde Ct =Consumul Populatiei, It=Investițiile, Yt= PIB-ul Rt=Rata dobanzii,
Yt  Ct  I t  Gt

Gt consumul public,  t , u t două zgomote albe necorelate între ele.

a) Să se scrie forma structurală a modelului sub formă matriceală

b) Să se aducă modelul în formă redusă
c) Să se precizeze dacă aplicarea MCMMP asupra fiecărei ecuații din model este o soluție pentru
obținerea unor estimatori eficienți.
d) Să se scrie condițiile de ordin pentru identificarea modelului
e) Să se descrie o metodă ce poate fi folosită pentru estimarea parametrilor
f) să determine un estimator al matricii de varianță-covarianță a erorilor din forma redusă.

Soluție
În sistem există trei variabile endogene C, I, Y și două variabile exogene R,G. Fie Y=vectorul
format din variabilele endogene și X=vectorul format din variabile exogene.
Forma generală a unui model in forma structurală este de tipul BY+CX= 
Aducem sistemul în această formă și apoi completăm matricile
Ct  a  bYt   t
I t  dYt  cRt  u t
Yt  Ct  I t  Gt  0

1 0  b  C t    a 0 0  1    t 
       
 0 1  d  I t    0  c 0  Rt    u t 
  1  1 1  Y   0  
  t   0  1 Gt   0 
B Y C X 
b). Forma redusă presupune exprimarea variabilelor endogene numai în funcție de variabilele
exogene
Plecând de la

17
 Ct  a  bYt   t (1)
 Yt  a  bYt   t  dYt  cRt  Gt  u t
I t  dYt  cRt  u t (2)  
Y  C  I  G Yt (1  b  d )  a  cRt  Gt   t  u t
 t t t t (3)

Se ajunge la (5) și (6) înlocuind relația (4) în (1) și (2)


Yt  1  b  d  1  b  d Rt  1  b  d Gt  1  b  d  t  u t 
a c 1 1
(4)


Ct  a 
ba

bc
Rt 
b
Gt 
b
 t  ut    t (5)
 1  b  d 1  b  d 1  b  d 1  b  d

 I t  1  b  d  1  b  d Rt  cRt  1  b  d Gt  1  b  d  t  u t   u t (6)
da dc d d


c) Evaluând
 a   c   1 
cov(Yt ,  t )  cov ,  t   cov Rt ,  t   cov Gt ,  t  
1 b  d  1 b  d  1 b  d 
cov t , u t  
1 1
  2 
1 b  d 1 b  d
 2  2
cov(Yt ,  t )  0  0  0 0
1 b  d 1 b  d
se observă că variabila factor Y din modelul (1) nu este independentă de variabila reziduală. Se
încalcă astfel una din ipotezele modelului de regresie.
 u2
Analog se demonstrează că și în modelul (2) cov(Yt , u t )   0 cu aceleași consecințe.
1 b  d
d) Identificarea modelului
Reamintim faptul că sunt 3 variabile endogene(Y) și o variabilă exogenă(X) în tot sistemul
Ecuația Nr de Loc pentru Y-Y’ =(număr variabile + X-X’= Concluzie
relații-1 semn endogene absente din (număr variabile
fiecare ecuație) eXogene absente din
fiecare ecuație)
1 3-1 < 3-2 + 2-0 Ecuație
supraidentificată
2 3-1 = 3-2 + 2-1 Ecuație exact
identificată

Deoarece sistemul are o ecuați supraidentificată atunci el este supraidentificat

e) O metodă ce dă rezultate privind estimarea parametrilor este Metoda Celor Mai Mici
Patrate în două Stadii (2SLS). Aceasta se aplică în cazul de față astfel:

18
Faza 1. Se estimează parametrii ecuației (4) din forma redusă (deoarece variabila endogenă
Y este cea care încalcă ipotezele modelului de regresie în forma structurală).

Yt 
a

c
Rt 
1
Gt 
1
 t  ut    0  1 Rt   2 Gt  t
1 b  d 1 b  d 1 b  d 1 b  d
Apoi se determină Yˆt  ˆ0  ˆ1 Rt  ˆ2 Gt (7)

Faza a 2-a
Valorile estimate cu ajutorul relației (7) se înlocuiesc peste tot unde apare Y în forma
structurală, adică în ecuațiile (1) și (2) de mai sus.
Se aplică MCMMP în fiecare relație și se obțin astfel aˆ , bˆ, cˆ, dˆ
f) Preluăm variabilele reziduale din relațiile (4) , (5) și (6) și notă astfel

t 
1
 t  ut 
1 b  d  t 
b 1 d  
wt  ut   t Fie vectorul    wt 
1 b  d 1 b  d  
d 1 b  t
t  ut  t
1 b  d 1 b  d
  2 cov( , w) cov ,   
 
Matricea var-covar    covw,   w2 covw,  
 cov ,  cov , w  2 

Unde


 t  u t       u 2
2 2
var  t   var 
1
1 b  d  1  b  d 

var wt   var 
b
ut 
1 d 
 t  wt 
b2
 u2 
1  d   2 2

1 b  d 1 b  d  1  b  d  2
1  b  d 2 
var  t   var
 d
ut 
1 b 
t  
d2
 u2 
1  b   2
2

1  b  d  1  b  d 

1 b  d (1  b  d ) 2
2

1 d
cov  t , wt  
b
 u2   2
1  b  d  2
1  b  d  2

1 b
cov  t ,  t  
d
 u2   2
1  d  b  2
1  d  b  2

cov wt ,  t  
bd
 u2 
1  d 1  b   2
1  b  d  2
1  b  d 2 

19
V. PROBLEME PROPUSE

Aplicația V.1
Pentru a urmări dependența dintre prețul de vânzare al unui produs și cantitățile vândute, au fost
înregistrate 32 de valori. În urma prelucrării datelor a fost obținut modelul:

1
yˆ i  12,2  4,2 ,. Se mai cunosc, de asemenea, ˆ y  1,2 și ˆ b  0,8 ( b reprezintă
xi

coeficientului lui 1/x), ry /(1 / x )  0,7 și t 0,05 / 2,30  2,04 F0,05,1,30  4,17

Se cere:
a) Să se testeze la un prag de semnificație de 5%, folosind Testul F, validitatea modelului de
regresie;
b) Pentru o probabilitate de 0,95, precizațí dacă, termenul liber diferă semnificativ de 10.
c) Construiți un interval de încredere pentru cantitatea vândută, la o probabilitate P=0,95, în
condițiile în care prețul de vânzare este 3 și media prețurilor obținută din cele 32 de valori este
3,5 .

Aplicația V.2
Pentru două variabile statistice, X și Y au fost înregistrate valorile pentru 40 de unități statistice.
În urma prelucrării datelor s-au obținut rezultatele următoare.

y  15, y  15000, x  12,  x  x   200, x y  9100

2 2
i i i i

Folosind datele de mai sus se cere:

1. Să se precizeze care dintre cele două variabile statistice este mai omogenă.
2. Să se calculeze coeficientul liniar de corelație, iar pentru un prag de semnificație de 5%
stabiliți dacă valoarea acestuia diferă semnificativ de zero. t 0,05 / 2, 48  2,02

3. Să se estimeze parametrii modelului y    x   prin metoda celor mai mici pătrate

4. Să se stabilească dacă modelul de regresie este corect specificat

20
 5. Pentru un prag de semnificație de 5% să se determine un interval de încredere pentru
valoarea lui y dacă nivelul caracteristicii X este 15.
Aplicația V.3
În perioada 2003-2009 numărul de salariați din Cercetare și Dezvoltare (notați cu NSCD) a fost
de : 3,9; 4,07; 4,1; 4,2; 4,2; 4,35; 4,24 (valorile sunt exprimate în sute mii persoane). Se cere:

e) Să se estimeze parametrii unui model de forma NSCDt  a  bt  ct 2   , t  1,7

f) Să se testeze dacă c diferă semnificativ de zero la un prag de 5%
g) Să se construiască un estimator pentru matricea de varianță-covarianță a estimatorilor,
 a ,b , c

Estimați folosind un interval de încredere numarul de salariați din Cercetare și Dezvoltare

pentru anii 2010-2012. Sunt rezultatele fezabile? Justificați!

Aplicația V.4
Pentru două caracteristici (de ex ritmul prețurilor, și rata consumului dintr-un bun X ) au fost
observate 20 de valori. Considerând că între acestea există relația de dependență liniară, s-a
estimat, pentru datele observate, următoarea funcție liniară de regresie: yˆi  30  xi . S-au
determinat de asemenea, estimațiile pentru variabila reziduală, acestea fiind prezentate în tabelul
de mai jos:
ˆi (i  1,10) 0,12 -0,16 0,25 -0,20 -0,36 0,25 0,28 -0,24 0,12 -0,25
ˆi (i  11,20) 0,12 -0,18 0,22 0,20 -0,21 0,18 -0,29 0,33 -0,15 -0,03
Pentru cele două caracteristici se mai cunosc următoarele: nivelul mediu al caracteristicii Y este
20, valorile variabilei X formează o progresie aritmetică crescătoare în care ultima valoarea este
19,5. Se cer următoarele
(i). Să se reconstitutie cele două serii de date
(ii). Să se testeze, folosind testul F, dacă modelul de regresie este corect specificat
(iii). Să se testeze, dacă panta dreptei de regresie diferă semnificativ de 0,5 pentru un prag de
semificație de 5%
(iv). Să se măsoare intensitatea dependenței dintre cele două serii prin calcularea coeficientului
liniar de corelație. Să se testeze semnificația acestuia la un prag adecvat.
(v). Utilizând un test adecvat să se precizeze dacă fenomenul de autocorelare de ordinul I poate fi
neglijat la un prag de semnificație de 5%. La acest prag valorile critice din Distribuția Durbin
Watson sunt (dl=0,86 și du=1,27)

21
Aplicația V.5.
Trei variabile statistice X1, X2 și Y* se transformă conform relațiilor
x1i  xi1  x 1 , x2i  xi2  x 2 , y1  yi*  y * .Pe un număr de 20 observații s-au estimat următorii

indicatori ˆ X1! X 2  0, ˆ X2 1  , ˆ X2 2  , cov X 1 , Y   0,5, cov X 2 , Y   0,3 . Se acceptă de

1 1
5 4
asemenea că variabilele transformate nu sunt corelate cu variabila reziduală.
Se cere:
a) Estimați parametrii modelului yi   0  1 x1i   2 x2i   i

b) Testați dacă parametrul corespunzător variabilei X 1 diferă semnificativ de 0 la un prag de

semnificație de 1% t / 2,17  2,89

c) Interpretați parametrii din punct de vedere economic

d) Cât de intensă este legătura dintre X2 și Y. Este semnificativă această legătură la un prag
de 1%
e) Construiți un interval de încredere pentru valoarea lui y la un prag de 5% în condițiile în
care X1 și X2 iau valorile 2 și respectiv 0,3.

AplicațiaV.6.
Pentru un model de regresie cu două variabile exogene și termen liber se cunosc următoarele
rezultate intermediare:

 41 21 0  170 
  T  
X X 
T
50 0  X Y   55 ,  y2  60
 80   90 
  
Folosind datele de mai sus se cer următoarele
(i) Să se determine numărul de valori din care este formată fiecare serie de date
(ii) Să se estimeze parametrii modelului de regresie liniară
(iii) Să se estimeze matricea varianțelor-covarianțelor estimatorilor modelului liniar de
regresie
(iv) Să se testeze semnificația modelului de regresie folosind testul F
(v) Să se calculeze raportul de determinare

22
 (vi)Considerând că pentru variabilele exogene se precizează valorile 2 și respectiv 3,1 să se
determine un interval de încredere pentru valoarea variabilei endogene, la un prag de
semnificație de 5%.

Aplicația V.7
Fie modelul
Qo    Pt B  Yt   t
unde Qo și Qc reprezintă cantitatea oferită respectiv cerută dintr-un
Qc    Pt B  Yt  Pt s  ut
bun X, Y=venitul mediu al potențialilor cumpărători, PB =prețul bunului analizat, iar Ps –prețul
unui bun substituibil,  t , u t = două zgomote albe necorelate între ele.

a) Să se determine prețul bunului în condiții de echilibru pe piață

b) Să se scrie forma structurală a modelului sub formă matriceală
c) Să se aducă modelul în formă redusă
d) Să se precizeze dacă aplicarea MCMMP asupra fiecărei ecuații din model este o soluție pentru
obținerea unor estimatori eficienți.
e) Să se scrie condițiile de ordin pentru identificarea modelului
f) Să se descrie o metodă ce poate fi folosită pentru estimarea parametrilor
g) să determine un estimator al matricii de varianță-covarianță a erorilor din forma redusă.

Aplicația V.8
Fie modelul
Ct    Yt   t
I t    Yt 1  u t Ct=consumul menajelor, It=Investițiile, Y=PIB,  t , u t = două zgomote albe
Yt  Ct  I t
necorelate între ele.
a). Să se scrie forma structurală a modelului sub formă matriceală
b) Să se aducă modelul în formă redusă
c) Să se precizeze dacă aplicarea MCMMP asupra fiecărei ecuații din model este o soluție pentru
obținerea unor estimatori eficienți.
d) Să se scrie condițiile de ordin pentru identificarea modelului
e) Să se descrie o metodă ce poate fi folosită pentru estimarea parametrilor
f) să determine un estimator al matricii de varianță-covarianță a erorilor din forma redusă.

23
Aplicația V.9
Fie modelul
Ct  Yt   t
I t   0  1Yt   2Yt 1  u t Ct=consumul menajelor, It=Investițiile, Y=PIB, Gt =cheltuieli
Yt  Ct  I t  Gt

Guvernamentale  t , u t = două zgomote albe necorelate între ele.

a). Să se scrie forma structurală a modelului sub formă matriceală
b) Să se aducă modelul în formă redusă
c) Să se precizeze dacă aplicarea MCMMP asupra fiecărei ecuații din model este o soluție pentru
obținerea unor estimatori eficienți.
d) Să se scrie condițiile de ordin pentru identificarea modelului
e) Să se descrie o metodă ce poate fi folosită pentru estimarea parametrilor
f) să determine un estimator al matricii de varianță-covarianță a erorilor din forma redusă.

Aplicația V.10
Pentru definirea modelului IS-LM se consideră variabilele R- rata dobânzii, M-masa monetară;
Y-Produsul Intern Brut și I-investițiile. Se definesc ecuațiile modelului prin următoarele două
modele de regresie.
Rt  a  bM t  cYt  dM t 1   t
Yt  e  fRt  gI t  u t
a). Să se scrie forma structurală a modelului sub formă matriceală
b) Să se aducă modelul în formă redusă
c) Să se precizeze dacă aplicarea MCMMP asupra fiecărei ecuații din model este o soluție pentru
obținerea unor estimatori eficienți.
d) Să se scrie condițiile de ordin pentru identificarea modelului
e) Să se descrie o metodă ce poate fi folosită pentru estimarea parametrilor
f) să determine un estimator al matricii de varianță-covarianță a erorilor din forma redusă.

Aplicația V.11
Pentru un model de tipul y   0  1 x   2 z   estimat la nivelul a 8 regiuni de dezvoltare s-a

 2
observat prezenta unei heteroscedasticități de forma var    .
x2
a) Estimați parametrii utilizând metoda celor mai mici patrate

24
b) Propuneți o metodă prin care să estimați parametrii și să corectați problema generată de
prezența heteroscedasticității
c) Comparați rezultatele comentați

25
 $QDOL]DOHJ WXULORU

dintre fenomenele
úLSURFHVHOHHFRQRPLFH

5(*5(6,$6,03/ 81,)$&725,$/ 

Modelul liniar

)XQF LDGHUHJUHVLH

Yxi = a + bxi

Parametrul “a³ UHSUH]LQW  ordonata la origine úL DUDW  OD FH QLYHO DU IL DMXQV YDORDUHD
caracteristicii Y GDF  WR L IDFWRULL - PDL SX LQ FHO vnregistrat - DU IL DYXW R DF LXQH FRQVWDQW  DVXSUD
IRUP ULLHL

Parametrul “b” VH PDL QXPHúWH úL coeficient de regresie úL UHSUH]LQW  vQ VHQV JHRPHWULF
panta liniei drepte. Coeficientul de regresie “b³DUDW FXFkWVHVFKLPE vQPHGLHYDULDELODY în cazul
în care variabila XVHPRGLILF FXRXQLWDWH$FHVWSDUDPHWUXHVWHSR]LWLYvQFD]XOOHJ WXULLGLUHFWHúL
QHJDWLYvQFD]XOOHJ WXULLLQYHUVH

Parametrii “a”úL³b”VHGHWHUPLQ GLQVLVWHPXOGHHFXD LLQRUPDOHRE LQXWSULQPHWRGDFHORU

PDLPLFLS WUDWH ∑ ( y − Y ) = minim ).
2
i xi

ÌQFD]XOvQFDUHGLVSXQHPGHXQQXP UPLFGHSHUHFKLGHYDORUL xi, yi):

na + b∑ xi = ∑ y i

a ∑ xi + b∑ xi = ∑ xi y i
2
 'DF VHIRORVHúWHPHWRGDGHWHUPLQDQ LORUVHRE LQH

∑y ∑x i i

a=
∑x y ∑x i i
2
i
=
∑y ∑x −∑x y ∑x
i
2
i i i i

n ∑x i
n∑ x − (∑ x )2
i i
2

∑x ∑x i
2
i

n ∑y i

b=
∑ xi ∑x y i i
=
n∑ xi y i − ∑ xi ∑ y i
n ∑x i
n∑ xi2 − (∑ xi ) 2
∑x i ∑x 2
i

În cazul în care perechile de valori (xi, yiVHUHSHW GHQi ori:

na + b∑ xi ni = ∑ y i ni
 , unde n = ∑ ni
a ∑ xi ni + b∑ xi ni = ∑ xi y i ni
2

'DF VHIRORVHúWHPHWRGDGHWHUPLQDQ LORUVHRE LQH

a=
∑ y i n i ∑ x i2 n i − ∑ x i y i n i ∑ x i n i

n ∑ x i2 n i − ( ∑ x i n i ) 2

n ∑ xi yi ni − ∑ xi ni ∑ yi ni
b=
n ∑ x i2 n i − ( ∑ x i n i ) 2

ÌQ FD]XO VLVWHPDWL] ULL GDWHORU vQWU XQ WDEHO FX GXEO
-  LQ trare în care perechile de valori
(xi, yjVHUHSHW GHQij ori:

 k m

 na + b ∑ x n
i i. = ∑ y j n. j
 i =1 j =1
 k k k m
,
a x n + b x 2 n =
 ∑ ∑ ∑∑
i i. i i. x i y j nij
i =1 i =1 i =1 j =1

unde:

k k k m
n = ∑ ni. = ∑ n. j = ∑∑ nij
i =1 j =1 i =1 j =1

k m k m m k

∑∑ xi y j nij = ∑ xi ∑ y j nij = ∑ y j ∑ xi nij

i =1 j =1 i =1 j =1 j =1 i =1
 'DF VHIRORVHúWHPHWRGDGHWHUPLQDQ LORUVHRE LQH

a=
∑y j n. j ∑ x i2 ni. − ∑∑ xi y j nij ∑ xi ni.
n∑ xi2 ni. − (∑ xi ni. ) 2

n∑∑ xi y i nij − ∑ xi ni. ∑ y j n. j

b=
n∑ xi2 ni. − (∑ xi ni. ) 2

Modelul parabolei de gradul doi

Y x i = a + bx i + cx i2

3XQkQG DFHHDúL FRQGL LH FD VXPD S WUDWHORU DEDWHULORU WHUPHQLORU VHULHL GH OD YDORULOH

WHRUHWLFHV ILHPLQLP VHRE LQH

∑(y i − (a + bxi + cxi2 )) 2 = minim

LDUVLVWHPXOGHHFXD LLQRUPDOH

na + b∑ xi + c ∑ xi2 = ∑ y i

a ∑ x i + b ∑ x i + c ∑ x i = ∑ x i y i
2 3


a ∑ xi + b ∑ xi + c ∑ xi = ∑ xi y i
2 3 4 2

5H]ROYkQG VLVWHPXO GH HFXD LL QRUPDOH SULQ PHWRGD GHWHUPLQDQ LORU VH FDOFXOHD]  YDORDUHD

FHORU WUHL SDUDPHWUL úL vQ IXQF LH GH YDORULOH LQGLYLGXDOH DOH YDULDELOHL X VH DMXVWHD]  YDORULOH

caracteristicii rezultative.

Modelul hiperbolic

1
Yxi = a + b
xi

6LVWHPXOGHHFXD LLQHFHVDUDIO ULLSDUDPHWULORUIXQF LHLHVWH

 1
na + b∑ x = ∑ y i
 i

a ∑ 1 + b ∑ 1 = ∑ 1 y
 xi xi2 xi
i

0RGHOXOH[SRQHQ LDO

Yxi = a ⋅ b xi
 3ULQORJDULWPDUHPRGHOXOVHWUDQVIRUP vQWU -un model liniar de forma:

lg Y xi = lg a + xi lg b

SisWHPXOGHHFXD LLQRUPDOHYDIL

n lg a + lg b∑ xi = ∑ lg y i

lg a ∑ xi + lg b∑ xi = ∑ ( xi lg y i )
2

2SHUD LD GH DMXVWDUH vQ DFHVW FD] VH YD IDFH GXS  FH VH YRU FDOFXOD ORJDULWPLL HFXD LLORU

LQGLYLGXDOH GH UHJUHVLH $MXVWDUHD GXS  R IXQF LH H[SRQHQ LDO  VH IDFH SULQ DQWLORJDULWPDUHD

HFXD LLORUGHUHJUHVLHFDOFXODWHvQIXQF LHGH xi.

5(*5(6,$08/7,3/

Modelul liniar

Yx1 , x2 ,..., xn = a 0 + a1 x1 + a 2 x 2 + ... + a n x n ,

în care:

a0 - UHSUH]LQW  SDUDPHWUXO FDUH H[SULP  IDFWRULL QHvQUHJLVWUD L FRQVLGHUD L FX DF LXQH

FRQVWDQW vQDIDUDFHORUFRQVLGHUD LGUHSWFDUDFWHULVWLFL factoriale;

a1, a2, ... ,an -FRHILFLHQ LLGHUHJUHVLHFDUHDUDW FkWVHPRGLILF FDUDFWHULVWLFDUH]XOWDWLY GDF 

FDUDFWHULVWLFDIDFWRULDO UHVSHFWLY VHPRGLILF FXRXQLWDWH

x1, x2, ... , xn - caracteristicile factoriale incluse în raportul de interdHSHQGHQ 

Parametrii a1,a2, ... ,an VHGHWHUPLQ GLQVLVWHPXOGHHFXD LLQRUPDOH

na 0 + a1 ∑ x1i + ... + a n ∑ x ni = ∑ y i


..........................................................

a 0 ∑ x1i + a1 ∑ x1i + ... + a n ∑ x1i x ni = ∑ x1i y i
2


............................................................
a 0 ∑ x ni + a1 ∑ x1i x ni + ... + a n ∑ x ni2 = ∑ x ni y i


Cunoscând cei nSDUDPHWULDLIXQF LHLGHDMXVWDUHVHFDOFXOHD] SHQWUXILHFDUHXQLWDWHHFXD LD

de regresie pe baza valorilor x1, x2,…, xn.

ModelXOH[SRQHQ LDO

a a a
Y x1 , x 2 ,..., x n = a 0 ⋅ x1 1 ⋅ x 2 2 ⋅ ... ⋅ x n n

3ULQORJDULWPDUHPRGHOXOH[SRQHQ LDOVHWUDQVIRUP vQPRGHOOLQLDU

 0(72'$&25(/$ ,(,

&RUHOD LDVLPSO

&RYDULDQ D (cov(x,y))

cov( x, y ) =
∑ (x i − x )( yi − y )
n

&RHILFLHQWXOGHFRUHOD LH

6HIRORVHúWHSHQWUXP VXUDUHDLQWHQVLWDWHDOHJ WXULLOLQLDUHGLQWUHGRX YDULDELOHVWDWLVLFH

ÌQFD]XOvQFDUHGLVSXQHPGHXQQXP UPLFGHSHUHFKLGHYDORUL xi, yi):

ry / x =
∑ (x i − x )( yi − y )
nσ xσ y

&RHILFLHQWXOGHFRUHOD LHOLQLDU VLPSO SRDWHV LDYDORULvQWUH úL -

Între -úLOHJ WXUDGLQWUHFHOHGRX YDULDELOHHVWHGHVHQVLQYHUVúLHVWHFXDWkWPDLLQWHQV 

cu cât se apropie de –1.

ÌQWUHúLOHJ WXUDGLQWUHFHOHGRX YDULDELOHHVWHGLUHFW úLHVWHFXDWkWPDLLQWHQV FXFkW

se apropie de 1.

)RUPXO GHFDOFXOVLPSOLILFDW

n ∑ x i y i − ( ∑ x i )( ∑ y i )
r y/x =
[n ∑ x 2
i ][
− ( ∑ x i ) 2 ⋅ n ∑ y i2 − ( ∑ y i ) 2 ]
În cazul în care perechile de valori (xi, yiVHUHSHW GHQi ori:

ry/ x =
∑ (x i − x )( y i − y ) n i
nσ x σ y

Formula de calcul simplificat:

n ∑ x i y i n i − ( ∑ x i n i )( ∑ y i n i )
i i i
ry/x = ,
   
n∑xi ni −(∑ xi ni ) ⋅n∑ y i ni −(∑ y i ni )
2 2 2 2

 i i   i i 

unde n = ∑ ni
ÌQ FD]XO VLVWHPDWL] ULL GDWHORU vQWU -un tabel cu GXEO  LQWUDUH vQ FDUH SHUHFKLOH GH YDORUL

(xi, yjVHUHSHW GHQij ori:

ry/x =
∑∑ ( x i − x )( y j − y ) n ij
n ⋅σ x σ y

iar pentru calculul simplificat:

n ∑∑ x i y j n ij − ( ∑ x i n i . )( ∑ y j n . j )
i j i j
r y/x =
   
 n ∑x i n i . −( ∑x i n i . ) ⋅n∑y j n. j −(∑y j n. j ) 
2 2 2 2

 i i   j j 

'DF  R y / x = ry / x VHFRQILUP LSRWH]DOHJ WXULLOLQLDUH

5DSRUWXOGHFRUHOD LH

ÎQFD]XOvQFDUHGLVSXQHPGHXQQXP UPLFGHSHUHFKLGHYDORUL[i , yi):

∑ (Yx − y) 2

R y/x = 1−
∑ ( yi −Yx )2
=
i i
R sau ,
∑ ( yi ∑( yi − y)2
y/x
− y) 2

unde Y UHSUH]LQW YDORULOHDMXVWDWHLQGLIHUHQWGHPRGHOXOGHUHJUHVLHVHOHFWDW

x i

5DSRUWXOGHFRUHOD LHSRDW e lua valori de la zero la +1.

În cazul în care perechile de valori (xi, yiVHUHSHW GHQi ori:

=
∑( y j −Yx )2 ni ∑( y i −Y x ) 2 ni
= 1−
i i
R sau R
∑( y j − y )2 ni
y/x
∑( y i − y ) 2 ni
y/x

ÌQ FD]XO VLVWHPDWL] ULL GDWHORU vQWU XQ WDEHO FX GXEO
-  LQWUDUH vQ FDUH SHUHFKLOH GH YDORUL

(xi, yjVHUHSHW GHQij ori:

∑(Yx i
− y ) 2 n i. ∑∑ ( y j −Yxi ) 2 ni j
i
R y/x =
i j
sau R y / x = 1−
∑( y j −y) 2
n. j ∑( y j − y ) 2 n. j
j
 Pentru FRUHOD LD QHOLQLDU  P VXUDUHD JUDGXOXL GH LQWHQVLWDWH D OHJ WXULL VH IDFH QXPDL SULQ

UDSRUWXOGHFRUHOD LH

5DSRUWXOHPSLULFGHFRUHOD LH

∑∑ ( y j )2 n ij
r r m
∑ (y i − y ) n i . − yi
i =1 i =1 j =1
R y / x
= sau R y/ x = 1−
2

∑(y j )2 n . j
m

∑ (y )
m
j − y n . j
−y
j =1 j =1

&RUHOD LDPXOWLSO

&RHILFLHQWXOGHFRUHOD LHPXOWLSO 

r y2/ x + r y2/ x − 2 r y / x r y / x r x 1 x 2
= GDF  ≠0
1 2 1 2
r y / x1 ,x 2 r x1 ,x 2
1− r x2 x
1 2

úL

ry/x ,x 2
= r y2/ x + r y2/ x GDF  r x1 ,x 2 =0
1 1 2

5DSRUWXOGHFRUHOD LHPXOWLSO

Ry = 1−
∑(y i − Y x1 , x 2 ,...., x i ,...., x n ) 2

x 1 , x 2 ,...., x i ,...., x n
∑( y i −y)
2

3HQWUX YHULILFDUHD RELHFWLYLW LL IXQF LHL DOHDV  SHQWUX DMXVWDUH VH IRORVHVF vQ DFHVW FD] vQ

special SURFHGHHOHGHDQDOL] GLVSHUVLRQDO .

6HSRUQHúWHGHODUHOD LD

(y j −y)=(y j − y / x i ) + ( y / x i −Y xi ) + (Y x i − y )

6HRE LQGHYLDQ HOH

∑( y j − y ) ( )2 ni j + ∑( y / xi −Yx )2 ni . + ∑(Yx )
m r m r r
2
n. j = ∑∑ y j − y / x i i i
− y 2 ni .
j =1 i =1 j =1 i =1 i =1
 SHED]DF URUDVHFDOFXOHD] GLVSHUVLLOHFRUHFWDWH

∑∑ ( y j − y / xi )2 ni j
r m

i =1 j =1
S12 =
n−r

∑ ( y / x i −Y x )2 n i
r

i
i=1
S 22 =
r − f −1

∑ (Yx )
r

i
− y 2 ni
i=1
S 32 = ,
f

în care:
n -QXP UXOWRWDODOXQLW LORUREVHUYDWH
r -QXP UXOGHJUXSHvQIXQF LHGHIDFWRUXOvQUHJLVWUDW
f - parameWULLYDULDELOLDLIXQF LHGHUHJUHVLH

3HED]DGLVSHUVLLORUFRUHFWDWHVHGHWHUPLQ 

S 32
F 1 calc =
S 12

S 22
F 2 calc =
S 12

F1 calc VHFRPSDU FX F1 tab cu fúL n-r grade de libertate.

'DF  F1 calc > F1 tab OHJ WXUDGLQWUH;úL<HVWHVHPQLILFDWLY 

F2 calc VHFRPSDU FX F2 tab cu r-f-1úL n-r grade de libertate.

'DF  F2 calc > F2 tab OHJ WXUDGLQWUH XúLYHVWHOLQLDU 

'DF  V D XWLOL]DW úL FRHILFLHQWXO GH FRUHOD LH OLQLDU  VLPSO  DWXQFL VH DSOLF  FHO PDL IUHFYHQW
-
testul t:

ry/ x
t= ⋅ n−2,
1 − r y2/ x

unde nUHSUH]LQW YROXPXOHúDQWLRQXOXL

9DORDUHD FDOFXODW  VH FRPSDU  FX FHD WDEHODU  VWDELOLW  SUREDELOLVWLF SHQWUX XQ QLYHO GH

VHPQLILFD LH P = 1 − α / 2 úLFX n-2 grade de libertate.

 'DF  t calculat > t tabelar VH YHULILF  LSRWH]D VHPQLILFD LHL UHOD LHL GH FRUHOD LH úL GDF 

t calculat <t tabelar OHJ WXUD HVWH QHVHPQLILFDWLY  úL WUHEXLH F XWDW XQ DOW IDFWRU HVHQ LDO FX FDUH V  VH

VWXGLH]HFRUHOD LD

&RUHOD LHQHSDUDPHWULF

Coeficientul de asociere

AceaVW  PHWRG  VH XWLOL]HD]  SHQWUX P VXUDUHD LQWHQVLW LL OHJ WXULL D GRX  FDUDFWHULVWLFL

alternative prezentate într-un tabel de asociere de forma:

Tabelul 5.1.

y y1 y2 Total
x
x1 a b a+b
x2 c d c+d
Total a+c b+d a+b+c+d

Produsul ad DUDW  JUDGXO GH UHDOL]DUHD OHJ WXULL GLUHFWH GLQWUH X úL Y, iar produsul bc gradul
GHOHJ WXU LQYHUV vQWUHFHOHGRX FDUDFWHULVWLFLFHUFHWDWH

3HQWUX VWDELOLUHD YDORULL QXPHULFH D FRHILFLHQWXOXL GH DVRFLHUH FDUH V  LQGLFH H[LVWHQ D úL

LQWHQVLWDWHDXQHLOHJ WXULIRUPXODFHDPDLXWLOL]DW HVWHFHDSURSXV GH<XOH

ad − bc
Q=
ad + bc

$FHVW LQGLFDWRU SRDWH V  LD YDORUL vQWUH  úL  DU WkQG QX QXPDL JUDGXO GH LQWHQVLWDWH DO
-
DVRFLHULLFHORUGRX FDUDFWHULVWLFLGDUúLVHQVXOHL

&RHILFLHQWXOGHFRUHOD LHDUDQJX rilor propus de Spearman

6∑d i
2

rs =1 − ,
n3 −n

în care:
di -UHSUH]LQW GLIHUHQ DvQWUHUDQJXULOHSHUHFKLLGHYDORULxi , yi);
n -QXP UXOGHSHUHFKLGHYDORUL

&RHILFLHQWXOGHFRUHOD LHDUDQJXULORU propus de Kendall:

2⋅S
rk = ,
n ⋅ (n − 1)

în care S = ∑ ( Pi − Qi ) ,
unde:
Pi -QXP UXOUDQJXULORUPDLPDULFDUHXUPHD] UDQJXOXLFXUHQWSHQWUXYDULDELODGHSHQGHQW 

Qi -QXP UXOUDQJXULORUPDLPLFLFDUHXUPHD] UDQJXOXLFXUHQWSHQWUXYDULDELODGHSHQGHQW 

 PROBLEME REZOLVATE

1.
Pentru 1XQLW LHFRQRPLFHGLQDFHODúLVHFWRUGHDFWLYLWDWHVHFXQRVFGDWHOHXUP WRDUH

Tabelul 5.2.

Nr.
Capital fix (mld. lei) 3URGXF LDPOGOHL
crt.
1 1,4 0,8
2 0,9 0,5
3 1,1 0,6
4 2,2 1,2
5 0,8 0,4
6 0,6 0,3
7 1,3 0,7
8 1,0 0,6
9 1,5 0,9
10 2,0 1,1
Total 12,8 7,1

Se cere:

1. V VHDUJXPHQWH]HFXDMXWRUXOPHWRGHORUVLPSOHH[LVWHQ DGLUHF LDúLIRUPDOHJ WXULL

2. V VHGHWHUPLQHSDUDPHWULLIXQF LHLGHUHJUHVLH

3. V VHFDOFXOH]HYDORULOHIXQF LHLGHUHJUHVLH

4. V VHDIOHYDORDUHDFRHILFLHQWXOXLGHFRUHOD LH

Rezolvare:

1. Metoda seriilor paralele interdependente presupune ordonarea valorilor caracteristicii

factoriale xi  FDSLWDOXO IL[ úL vQUHJLVWUDUHD vQ SDUDOHO D YDORULORU FRUHVSXQ] WRDUH DOH
caracteristicii dependente yi SURGXF LHGXS FXPVHSRDWHYHGHDvQWDEHOXO

Tabelul 5.3.

Nr.
xi (mld. lei) y i (mld. lei)
crt.
1 0,6 0,3
2 0,8 0,4
3 0,9 0,5
4 1,0 0,6
5 1,1 0,6
6 1,3 0,7
7 1,4 0,8
8 1,5 0,9
9 2,0 1,1
10 2,2 1,2

&HOH GRX  úLUXUL GH GDWH GLQ WDEHOXO  LQGLF  H[LVWHQ D XQHL OHJ WXUL GLUHFWH vQWUH FDSLWDOXO

IL[úLP ULPHDSURGXF LHL3HQWUXDSXWHDDSUHFLDúLIRUPDOHJ WXULHVWHQHFHVDUV VHWUDVH]HJUDILFXO

GHFRUHOD LHILJXUDFDUHVXJHUHD] ROHJ WXU GHWLSOLQLDU

 SURGXF LH 1,4
(mld. lei) 1,2
1
0,8
0,6
0,4
0,2
0
0 0,5 1 1,5 2 2,5
capital fix (mld. lei)

)LJXUD/HJ WXUDGLQWUHFDSLWDOXOIL[úLSURGXF LH

2. $IODUHDSDUDPHWULORUIXQF LHLOLQLDUHGHUHJUHVLHQHFHVLW UH]ROYDUHDXUP WRUXOXLVLVWHP

GHHFXD LLQRUPDOH

n a + b ∑ x i = ∑ y i


a ∑ xi + b∑ xi2 = ∑ xi y i

&DOFXOHOHQHFHVDUHUH]ROY ULLVLVWHPXOXLDXIRVWVLVWHPDWL]DWHvQWDEHOXO

Tabelul 5.4.

Nr.
crt.
xi yi xi2 xi y i yi2 Yxi
0 1 2 3 4 5 6
1 0,6 0,3 0,36 0,18 0,09 0,326
2 0,8 0,4 0,64 0,32 0,16 0,439
3 0,9 0,5 0,81 0,45 0,25 0,496
4 1,0 0,6 1,00 0,60 0,36 0,552
5 1,1 0,6 1,21 0,66 0,36 0,609
6 1,3 0,7 1,69 0,91 0,49 0,721
7 1,4 0,8 1,96 1,12 0,64 0,778
8 1,5 0,9 2,25 1,35 0,81 0,835
9 2,0 1,1 4,00 2,20 1,21 1,117
10 2,2 1,2 4,84 2,64 1,44 1,230
Total 12,8 7,1 18,76 10,43 5,81 7,103

6LVWHPXOGHHFXD LLQRUPDOHHVWH

 10 a + 12 , 8 b = 7 , 1
 ,
 12 , 8 a + 18 , 76 b = 10 , 43

FXVROX LLOH

a = −0,013
b = 0,565
 (FXD LDPHGLHGHHVWLPDUHDOHJ WXULLOLQLDUHGLQWUHFDSLWDOXOIL[úLSURGXF LHHVWH

Yxi = −0,013 + 0,565 xi

/D R FUHúWHUH FX XQ PLOLDUG GH OHL D FDSLWDOXOXL IL[ SURGXF LD VH P UHúWH vQ PHGLH FX

0,565 mld. lei.

3. 9DORULOH DMXVWDWH DOH SURGXF LHL VH FDOFXOHD]  vQORFXLQG ILHFDUH YDULDQW  D FDUDFWHULVWLFLL

factoriale xi vQIXQF LDGHUHJUHVLHYH]LWDEHOXO.).

Yx1 = −0,013 + 0,565 ⋅ 0,6 = 0,326


Yx10 = −0,013 + 0,565 ⋅ 2,2 = 1,230

4. &RHILFLHQWXOGHFRUHOD LHOLQLDU VLPSO HVWH

n ∑ xi yi − ∑ x i ∑ yi
ry / x = =
[n ∑ x 2
i − (∑ x )
i
2
][n ∑ y 2
i − (∑ y i ) 2
]
10 ⋅ 10 , 43 − 12 , 8 ⋅ 7 , 1 13 , 420
= = = 0 , 9928
(10 ⋅ 18 , 76 − 163 , 84 )(10 ⋅ 5 , 81 − 50 , 41 ) 13 , 517

$FHVW UH]XOWDW DUDW  ROHJ WXU  GLUHFW IRDUWH SXWHUQLF  DSURDSHIXQF LRQDO  vQWUH YDULDELOHOH

înregistrate.

2.
Num UXO PHGLX GH DQJDMD L úL SURILWXO DQXDO vQUHJLVWUDW GH  ILUPH GLQWU R VXEUDPXU  -
LQGXVWULDO VHSUH]LQW DVWIHO

Tabelul 5.5.

Nr. 1XP UPHGLXGH

Profit anual (mil. lei)
crt. DQJDMD LSHUVRDQH

0 1 2
1 13 115
2 4 45
3 12 100
4 5 50
5 6 55
6 8 85
7 3 40
8 4 50
9 5 45
10 7 70
Total 67 655
Se cere:

1. V VHDQDOL]H]HH[LVWHQ DGLUHF LDúLIRUPDOHJ WXULL

2. V VHGHWHUPLQHSDUDPHWULLIXQF LHLGHUHJUHVLH

3. V VHFDOFXOH]HYDORULOHIXQF LHLGHUHJUHVLH

4. V  VH P VRDUH LQWHQVLWDWHD FRUHOD LHL GLQWUH FHOH GRX  YDULDELOH IRORVLQG FRHILFLHQWXO úL

UDSRUWXOGHFRUHOD LH

Rezolvare:

1. ÌQ UHOD LDGLQWUHFHOHGRX YDULDELOHIDFWRUXOGHLQIOXHQ DHVWHQXP UXOPHGLX GHDQJDMD L

(xi ) LDUYDULDELODUH]XOWDWLY HVWHP ULPHDSURILWXOXL (y i ) .

'LQWUH PHWRGHOH VLPSOHGH HYLGHQ LHUHD FRUHOD LHL GLQWUH GRX  YDULDELOH DP DOHV PHWRGD

JUDILF DFHDVWDRIHULQGFHOHPDLPXOWHLQIRUPD LL

'LQILJXUDUHLHVHF vQWUHQXP UXOGHDQJDMD LúLP ULPHDSURILWXOXLH[LVW ROHJ WXU 

GLUHFW  de tip liniar.

yi (mil. lei) 140

120

100

80

60

40

20

0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
xi (pers.)

)LJXUD/HJ WXUDGLQWUHQXP UXOPHGLXGHDQJDMD L xi úLYDORDUHDSURILWXOXL yi )

2. 6LVWHPXO GH HFXD LL QRUPDOH QHFHVDU SHQWUX DIODUHD SDUDPHWULORU a úL b ai func LHL OLQLDUH
este:

n a + b ∑ x i = ∑ y i


a ∑ xi + b ∑ xi2 = ∑ xi yi

Folosind rezultatele calculelor intermediare prezentate în tabelul 5.5. (coloanele 1 - 4),

VHRE LQHVLVWHPXO

10 a + 67b = 655

 ,
67 a + 553b = 5170
 FXVROX LLOH

a = 15,2017

b = 7,5072

3. Valorile teoretice ale profitului ( Yxi ) se vor calcula înlocuind fiecare valoare a variabilei
factoriale xi vQIXQF LDGHUHJUHVLH

Yxi = 15,2017 + 7,5072 xi

Rezultatele calculelor efectuate sunt prezentate în tabelul nr. 5.6., coloana 5.

Tabelul 5.6.

Nr.
crt.
xi yi xi y i xi2 yi2 Yxi (y i − Yxi )
2

0 1 2 4 3 5 6 7
1 13 115 1.495 169 13.225 112,80 4,86
2 4 45 180 16 2.025 45,23 0,05
3 12 100 1.200 144 10.000 105,29 27,96
4 5 50 250 25 2.500 52,74 7,50
5 6 55 330 36 3.025 60,24 27,51
6 8 85 680 64 7.225 75,26 94,88
7 3 40 120 9 1.600 37,72 5,18
8 4 50 200 16 2.500 45,23 22,75
9 5 45 225 25 2.025 52,74 59,87
10 7 70 490 49 4.900 67,75 5,05
Total 67 655 5.170 553 49.025 655,00 225,62

4. Rezultatele calculelor efectuate pentru determinarea parametrilor aúLbDLIXQF LHLOLQLDUH

GHUHJUHVLHWDEHOXOSRWILXWLOL]DWHúLSHQWUXDSOLFDUHDIRUPXOHLGHFDOFXOVLPSOificat

DFRHILFLHQWXOXLGHFRUHOD LH

n ∑xi yi − ∑ xi ∑ yi
ry = =
[n ∑ x ][n ∑ y ]
x

− (∑ x i ) − (∑ y i )
2 2 2 2
i i

10 ⋅ 5170 − 67 ⋅ 655
= = 0 , 9789
[10 ⋅ 553 − 67 ][10 ⋅ 49025 − 655 ]
2 2

$FHDVW  YDORDUH DSURSLDW  GH  LQGLF  R OHJ WXU  IRDUWH SXWHUQLF  vQWUH FHOH GRX 

variabile.
5DSRUWXOGHFRUHOD LHVHGHWHUPLQ FXIRUPXOD

∑ ( y i − Y x )2
= 1−
i
Ry ,
∑(y i − y )
x 2

unde y=
∑ yi =
655
= 65 , 5
n 10
 Utilizând datele din tabeluOFDOFXO P

255 , 62
Ry x = 1− = 0 , 9789
6122 , 50

&RHILFLHQWXO úL UDSRUWXO GH FRUHOD LH DX YDORUL HJDOH FHHD FH FRQILUP  OLQLDULWDWHD

OHJ WXULL

3.
Într-R VXEUDPXU  LQGXVWULDO  V-au înregistrat într-R OXQ  XUP WRDUHOH LQIRUPD LL SULYLQG

cheltuielile de prRGXF LHúLSURGXF LDRE LQXW 

Tabelul 5.7.

&KHOWXLHOLGHSURGXF LHPLOOHL

3URGXF LH
úL
(mii buc.) sub 30 30-60 60-90 90-120 Total
peste
0 1 2 3 4 5 6
31-36 1 - 3 3 - 7
26-31 1 6 4 1 2 14
21-26 1 3 4 - - 8
16-21 5 2 - - - 7
11-16 2 2 - - - 4
Total: 10 13 11 4 2 40

3HED]DDFHVWRUGDWHVHFHUHV VHGHWHUPLQHIXQF LDGHUHJUHVLH FDUHH[SULP OHJ WXUDGLQWUH

FHOHGRX YDULDELOHúLV VHP VRDUHLQWHQVLWDWHDOHJ WXULL

Rezolvare:

'LVWULEX LD IUHFYHQ HORU vQ WDEHO LQGLF  R WHQGLQ  GH FRUHOD LH OLQLDU  ÌQ FD]XO GLVWULEX LHL

ELGLPHQVLRQDOHGHIUHFYHQ HVLVWHPXOGHHFXD LLQRUPDOHDUHIRUPD

 n a + b ∑ x i ni . = ∑ y i n. j

 i j

 a ∑ x i n i . +b ∑ x i2 n i . = ∑∑ x i y j n i j
 i i i j

&DOFXOXO HOHPHQWHORU QHFHVDUH SHQWUX DIODUHD SDUDPHWULORU VLVWHPXOXL GH HFXD LL HVWH

sistematizat în tabelul nr. 5.8.. PHQWUXXúXULQ vQWDEHOVHWUHFGLUHFWFHQWUHOHGHLQWHUYDOSHQWUXFHOH

GRX YDULDELOH
 Tabelul 5.8.

yj 15 45 75 105 135 ni . xi ni . x i2 n i . xi ∑ y j ni j
j
xi
0 1 2 3 4 5 6 7 8 9
33,5 1 - 3 3 - 7 234,5 7855,75 18592,5

28,5 1 6 4 1 2 14 399,0 11371,50 27360,0

23,5 1 3 4 - - 8 188,0 4418,00 10575,0

18,5 5 2 - - - 7 129,5 2395,75 3052,5

13,5 2 2 - - - 4 54,0 729,00 1620,0

nj 10 13 11 4 2 40 1005,0 26770,00 61200,0
y j n. j 150 585 825 420 270 2250

y 2j n . j 2250 26325 61875 44100 36450 171000

Y xi 20,5255 35,8905 51,255 66,6205 81,9855 -

Cu elementele calculate în tabelul RE LQHPVLVWHPXOGHGRX HFXD LL

 40 a + 1005 b = 2250

 2250 a + 26770 b = 61200

5H]ROYkQGVLVWHPXORE LQHP a = −20 , 96 úL b = 3 , 073 .

5H]XOW F GUHDSWDGHUHJUHVLHYDDYHDHFXD LD

Y x i = −20 , 96 + 3 , 073 x i

ÌQORFXLQG vQ DFHDVW  UHOD LH pe fiecare xi  FX FHQWUXO GH LQWHUYDO FRUHVSXQ] WRU DP RE LQXW

YDORULOHQXPHULFHDOHHFXD LLORUGHUHJUHVLHYH]LWDEHOXO

)LLQG R UHSDUWL LH GH IUHFYHQ H SHQWUX P VXUDUHD JUDGXOXL GH FRUHOD LH FDOFXO P UDSRUWXO GH

FRUHOD LHXWLOL]kQGIRUPXODGHFDOFXOSUH]HQWDW vQFRQWLQXDUH

∑∑ ( y j −Yxi ) 2
ni j ∑ y j n. j
i j j
Ry = 1− , unde y =
∑( y j ) ∑n. j
x 2
−y n. j
j j

Pentru aplicarea acestei formule vom folosi datele conform calculelor efectuate
vQWDEHOXO6HREVHUY F SHQWUXGHWHUPLQDUHDUDSRUWXOXLGHFRUHOD LHHVWHQHFHVDUV FDOFXO PvQ

SUHDODELOPHGLDúLGLVSHUVLDSHWRWDOPLLEXFúL
 Tabelul 5.9.

Yxi yj ni j (y j −Y xi ) 2
ni j
15 2 61,062
20,5255
45 2 1198,002
15 5 21,82,065
35,8905
45 2 165,966
15 1 1314,425
51,255 45 3 117,375
75 4 2255,300
15 1 2664,676
45 6 2804,676
66,6205 75 4 280,864
105 1 1472,986
135 2 9351,512
15 1 4487,057
81,9855 75 3 146,392
105 3 1589,002
Total 30091,36

30091 , 360
R y x = 1− = 0 , 568
44437 , 499

Valoarea raportulXL GH FRUHOD LH LQGLF  R OHJ WXU  GH LQWHQVLWDWH PHGLH vQWUH FHOH GRX 

YDULDELOH OXDWH vQ VWXGLX 3HQWUX YHULILFDUHD OLQLDULW LL IXQF LHL FDUH HVWLPHD]  OHJ WXUD GLQWUH FHOH

GRX YDULDELOHVHFDOFXOHD] FRHILFLHQWXOGHFRUHOD LHXWLOL]kQGvQDFHVWVFRSGD tele din tabelul 5.8.

  
n ∑∑ xi y j n −  ∑ x i n i .   ∑ y j n.


ij
 i  j
j 
i j 
ry x = =
  
2    
2 
 n ∑ x i2 n i . −  ∑ x i n i .    n ∑ y 2j n . j −  ∑ y j n .  
 i     j  j j  
  i      
40 ⋅ 61200 − 2250 ⋅ 1005
= = 0 , 57
(40 ⋅ 26770 − 1005 )(40 ⋅171000 − 2250 )
2 2

ÌQ H[HPSOXO OXDW HJDOLWDWHD GLQWUH FHL GRL LQGLFDWRUL VLQWHWLFL GH FRUHOD LH QH SHUPLWH V 

DILUP PF OHJ WXUDHVWHOLQLDU (IHFWXkQGGHFLFDOFXOXOúLFRPSDUkQGUH]XOWDWHOHVHSRDWHDFFHSWD

F  OHJ WXUD HVWH OLQLDU  GDF    R y x= r y x    LDU vQ FD] FRQWUDU VH UHVSLQJH LSRWH]D úL vQ DFHDVW 

VLWXD LH VH UHFXUJH OD R DOW  IXQF LH GH DMXVWDUH FDUH V  YHULILFH IRUPD GH OHJ WXU  GLQWUH FHOH GRX 

YDULDELOH 3HQWUX YHULILFDUHD RELHFWLYLW LL IXQF LHL GH UHJUHVLH VH SRW IRORVL úL UH]XOWDWHOH DQDOL]HL

dispersionale.
 4.
3HQWUX FLQFLVSUH]HFH ILUPH GLQ DFHHDúL UDPXU  V DX vQUHJLVWUDW XUP WRDUHOH LQIRUPD LL
-
UHIHULWRDUHODROXQ GHDFWLYLWDWH

Tabelul 5.10.
Nr. Profit 1UVDODULD L Capital fix
crt. (mil. lei) (pers.) (mld. lei)
0 1 2 3
1 15 10 2,40
2 17 12 2,72
3 13 8 2,08
4 23 17 3,68
5 16 10 2,56
6 21 15 3,36
7 14 10 2,24
8 20 14 3,20
9 24 19 3,84
10 17 10 2,72
11 16 11 2,07
12 18 13 2,33
13 23 16 2,98
14 15 10 1,94
15 16 12 2,17

Se cere:
1. V  VH VWXGLH]H OHJ WXUD GLQWUH FHOH WUHL YDULDELOH vQUHJLVWUDWH úL V  VH J VHDVF  IXQF LD GH

UHJUHVLHPXOWLSO FDUHH[SULP DFHDVW OHJ WXU 

2. V VHP VRDUHLQWHQVLWDWHDOHJ WXULORUVLPSOHvQWUH x1 úL y , x2 úL y , x1 úL x 2 ;

3. V VHFDOFXOH]HFRHILFLHQWXOGHFRUHOD LHOLQLDU PXOWLSO 

4. V VHGHWHUPLQHYDORDUHDUDSRUWXOXLGHFRUHOD LHPXOWLSO 

Rezolvare:
1. ÌQ YHGHUHD GHWHUPLQ UL H[LVWHQ HL úL IRUPHL OHJ WXULL YRP IRORVL PHWRGD VHULLORU SDUDOHOH

LQWHUGHSHQGHQWHWDEHOXOúLPHWRGDJUDILF ILJXULOH – 5.5.)

Tabelul 5.11.
Nr. 1UVDODULD L Capital fix Profit
crt. ( x1 ) ( x2 ) (y)
0 1 2 3
1 8 2,08 13
2 10 1,94 15
3 10 2,24 14
4 10 2,40 15
5 10 2,56 16
6 10 2,72 17
7 11 2,07 16
8 12 2,17 16
9 12 2,72 17
10 13 2,33 18
11 14 3,20 20
12 15 3,36 21
13 16 2,98 23
14 17 3,68 23
15 19 3,84 24
 Seriile paralele LQWHUGHSHQGHQWH DUDW  F  H[LVW  vQ JHQHUDO R WHQGLQ  GH FUHúWHUH SHQWUX FHOH

trei variabile.

Profit 30
(mil. lei)
25

20

15

10

0
5 10 15 20



    
 

)LJXUD/HJ WXUDGLQWUHSURILW y1 úLQXP UXOGHVDODULD L x1 )

30
Profit
(mil. lei) 25

20

15

10

0
1,5 2 2,5 3 3,5 4 4,5 5
Capital fix (mld. lei)

)LJXUD/HJ WXUDGLQWUHSURILW y úLFDSLWDOXOIL[ x2 )

 1UVDODULD L 20
(pers.) 18
16
14
12
10
8
6
4
2
0
1 2 3 4 5
Capital fix (mld. lei))

)LJXUD/HJ WXUDGLQWUHQXP UXOSHUVRQDOXOXL x1 úLFDSLWDOXOIL[ x2 )

*UDILFHOH DUDW  F  OHJ WXULOH VLPSOH VXQW GH IRUP  OLQLDU  GHFL IXQF LD GH UHJUHVLH PXOWLSO 

este:

Y = a 0 + a1 x1 + a 2 x 2

(VWLPDUHDSDUDPHWULORUDFHVWHLIXQF LLSUHVXSXQHUH]ROYDUHDVLVWHPXOXLGHHFXD LLQRUPDOH

n a 0 + a1 ∑ x1 + a 2 ∑ x 2 = ∑ y


a 0 ∑ x1 + a1 ∑ x1 + a 2 ∑ x1 x 2 = ∑ x1 y
2


a ∑ x + a ∑ x x + a ∑ x 2 = ∑ x y
 0 2 1 1 2 2 2 2

Efectuând calculele din tabelul 5.12., sistemul anterior devine:

15 a 0 + 187 a1 + 40,29 a 2 = 268


187 a 0 + 2.469 a1 + 525,38 a 2 = 3.490 ,

40,29 a 0 + 525,38 a1 + 113,34 a 2 = 746,62

FXVROX LLOH

a 0 = 3,53

a1 = 0,84

a 2 = 1,44
 Tabelul 5.12.

Nr.
crt.
yi x1 x2 y i2 x1 y x2 y x1 x 2 x 12 x 22
1 15 10 2,40 225 150 36,00 24,00 100 5,7600
2 17 12 2,72 289 204 46,24 32,64 144 7,3984
3 13 8 2,08 169 104 27,04 16,64 64 4,3264
4 23 17 3,68 529 391 84,64 62,56 289 13,5424
5 16 10 2,56 256 160 40,96 25,60 100 6,5536
6 21 15 3,36 441 315 70,56 50,40 225 11,2896
7 14 10 2,24 196 140 31,36 22,40 100 5,0176
8 20 14 3,20 400 280 64,00 44,80 196 10,2400
9 24 19 3,84 576 456 92,16 72,96 361 14,7456
10 17 10 2,72 289 170 46,24 27,20 100 7,3984
11 16 11 2,07 256 176 33,12 22,77 121 4,2849
12 18 13 2,33 324 234 41,94 30,29 169 5,4289
13 23 16 2,98 529 368 68,54 47,68 256 8,8804
14 15 10 1,94 225 150 29,10 19,40 100 3,7636
15 16 12 2,17 256 192 34,72 26,04 144 4,7089
Total 268 187 40,29 4.960 3.490 746,62 525,38 2.469 113,3400

)XQF LDOLQLDU GHUHJUHVLHPXOWLSO HVWH

Yx 1x 2 = 3,53 + 0,84 x1 + 1,44 x 2

2. ,QWHQVLWDWHD FRUHOD LHL GLQWUH QXP UXO GH VDODULD L  x1  úL SURILW  y  VH P VRDU  FX

DMXWRUXOFRHILFLHQWXOXLGHFRUHOD LH

n ∑ x1 y − ∑ x1 ∑y
ry = =
[n ∑ x ] [n ∑ y ]
x 1

− (∑ x 1 ) − (∑ y )
2 2 2 2
1

15 ⋅ 3.490 − 187 ⋅ 268 2.234

= = = 0 , 9684
[15 ⋅ 2.469 − (187 ) ] [15 ⋅ 4.960 − ( 268 ) ]
2 2 2.066 ⋅ 2.576

,QWHQVLWDWHDFRUHOD LHLGLQWUHFDSLWDOXOIL[úLSURILWHVWH

n∑x2 y −∑x2 ∑y
ry = =
[n ∑ x ] [n ∑ y ]
x 2

− (∑ x 2 ) − (∑ y )
2 2 2 2
2

15 ⋅ 746 , 62 − 40 , 29 ⋅ 268 401 , 58

= = =
[15 ⋅ 113 , 34 − ( 40 , 29 ) ] [15 ⋅ 4.960 − ( 268 ) ]
2 2 76 , 82 ⋅ 2.576

401 , 58
= = 0 , 9027
444 , 85
 ,QWHQVLWDWHDFRUHOD LHLGLQWUHQXP UXOGHVDODULD LúLFDSLWDOXOIL[

n ∑ x1 x 2 − ∑ x1 ∑x2
rx 1 = =
[n ∑ ] [n ∑ ]
x 2

− (∑ x 1 ) − (∑ x 2 )
2 2
x 12 x 22

15 ⋅ 525 , 38 − 187 ⋅ 40 , 29 346 , 47

= = =
[15 ⋅ 2.469 − (187 ) ] [15 ⋅ 113 , 34 − ( 40 , 29 ) ]
2 2 2.066 ⋅ 76 , 82

346 , 47
= = 0 , 8697
398 , 37

3. &RHILFLHQWXOGHFRUHOD LHOLQLDU PXOWLSO HVWH

r y2/ x + r y2/ x − 2⋅ ry/x ⋅ ry/x ⋅ rx /x

1 2 1 2 1 2
ry x ,x = =
1 − r x2
1 2

1 /x 2

0 , 9684 2 + 0 , 9027 2 − 2 ⋅ 0 , 9684 ⋅ 0 , 9027 ⋅ 0 , 8697 0 , 4818

= = = 0 , 976
1 − ( 0 , 8697 ) 2 0 , 4936

4. 5DSRUWXOGHFRUHOD LHPXOWLSO VHFDOFXOHD] FXIRUPXOD

∑ (y i −Y x 1 x 2
) 2

Ry = 1−
∑ (y i )
x 1 ,x 2 2
−y

9DORULOHWHRUHWLFHVHRE LQvQORFXLQG x1 úL x2 vQIXQF LHGHUHJUHVLH

Y1 = 3,53 + 0,84 ⋅ 10 + 1,44 ⋅ 2,40 = 15,386

Y2 = 3,53 + 0,84 ⋅ 12 + 1,44 ⋅ 2,72 = 17,527 úDPG

Profitul mediu este:

y=
∑ yi =
268
= 17,867
n 15
 9DORDUHDUDSRUWXOXLGHFRUHOD LHPXOWLSO HVWH

8,101
Ry x1,x2 = 1− = 0,976
171,733

Deoarece R y x1,x2 = ry x1, x 2  OHJ WXUD GLQWUH FHOH WUHL YDULDELOH HVWH OLQLDU  úL QX VXQW

necesare alte teste de verificare.

5.
&HOHPDJD]LQHGHDFHODúLSURILOGLQWU RORFDOLWDWHVHFDUDFWHUL]HD] SULQXUP WRDUHOHGDWH
-

Tabelul 5.13.

Desfaceri ([Link]) 52 60 74 20 25 34 49 38 45 12
6XSUDID PS 41 38 72 16 21 22 23 21,5 32 15

6HFHUHV VHP VRDUHOHJ WXUDGLQWUHFHOHGRX YDULDELOHIRORVLQGPHWRGHQHSDUDPHWULFH

Rezolvare

ÌQYHGHUHDDSOLF ULLPHWRGHLFRUHOD LHLYRPRUGRQDFUHVF WRUYDORULOHFDUDFWHULVWLFLLIDFWRULDOH

; VXSUDID  WUHFkQG vQWU R

- FRORDQ  DO WXUDW  YDORULOH FRUHVSXQ] WRDUH DOH FDUDF teristicii
GHSHQGHQWH<GHVIDFHULGXS FXPVHSRDWHYHGHDvQWDEHOXOXUP WRUFRORDQHOHúL9RPDFRUGD

FkWH XQ UDQJ ILHF UXLD GLQ FHOH  PDJD]LQH vQ IXQF LH GH P ULPHD VXSUDIH HL FRPHUFLDOH

FRORDQD  úL QLYHOXO GHVIDFHULORU FRORDQD  úL YRP P VXUD GLIHUHQ HOH GLQWUH FHOH GRX  UDQJXUL

$FHVWHGLIHUHQ HYRUILULGLFDWHODS WUDWFRORDQDVXPDORUXUPkQGDILIRORVLW SHQWUXFDOFXODUHD

FRHILFLHQWXOXL6SHDUPDQGHFRUHOD LHDUDQJXULORU :

6 ∑ d i2
rS = 1−
( )
,
n n 2 −1

unde: d i -GLIHUHQ DGHUDQJ

n -QXP UXOREVHUYD LLORU

r S = 0 , 9636 OHJ WXU SXWHUQLF 

Tabelul 5.14.

xi yi R xi R yi d i2 Pi Qi
1 2 3 4 5 6 7
15 12 1 1 0 9 0
16 20 2 2 0 8 0
21 25 3 3 0 7 0
21,5 38 4 5 1 5 1
22 34 5 4 1 5 0
23 49 6 7 1 3 1
32 45 7 6 1 3 0
38 60 8 9 1 1 1
41 52 9 8 1 1 0
72 74 10 10 0 0 0
Total - - - 6 42 3
 Pentru a calcula FRHILFLHQWXO .HQGDOO GH FRUHOD LH D UDQJXULORU vom stabili pentru fiecare
PDJD]LQ vQ SDUWH QXP UXO WRWDO GH PDJD]LQH FDUH DX XQ QLYHO VXSHULRU DO GHVIDFHULORU FRORDQD 

UHVSHFWLYLQIHULRUFRORDQD3HQWUXDFHDVWDYRPQXP UDUDQJXULOHVXSHULRDUHUHVS ectiv inferioare)

Ry FDUH DSDU GXS  UkQGXO FRUHVSXQ] WRU PDJD]LQXOXL UHVSHFWLY SkQ  OD VIkUúLWXO WDEHOXOXL

'H H[HPSOX PDJD]LQXO FX GHVIDFHUL GH  PLO OHL DUH UDQJXO  GXS  GHVIDFHUL 'LQWUH FHOH SDWUX

magazine înscrise pe rânduriOHXUP WRDUHDXUDQJXUL R y VXSHULRDUHúLDUHUDQJ R y inferior. Este

obligatoriu ca rangurile R x V ILHRUGRQDWHFUHVF WRU)RORVLQGWRWDOXULOHGLQFRORDQHOHúLSXWHP

calcula coeficientul Kendall:

rk =
∑ Pi − ∑ Q i
n (n − 1 )

r k = 0 , 87

'DWHOHGLQWDEHOXOLQL LDOSRWILIRORVLWHSHQWUXDFRQVWUXLXQ tabel de asociere. Pentru aceasta

DPFDOFXODWYDORDUHDPHGLHDGHVIDFHULORUPLOOHLúLVXSUDID DPHGLHDXQXLPDJD]LQPSúL

DP WUDQVIRUPDW FHOH GRX  YDULDELOH DQDOL]DWH vQ FDUDFWHULVWLFL DOWHUQDWLYH SULQ UHVWUkQJHUHD FHORU 

vQUHJLVWU ULvQGRX JUXSHYDORULVXEPHGLHUHVSHFWLYSHVWHPHGLH

Tabelul 5.15.

Desfaceri
6XSUDID 
(mil. lei)
(mp)
sub 41 peste 41
sub 30 5 1
peste 30 0 4

3HQWUXDDSUHFLDLQWHQVLWDWHDOHJ WXULLVHIRORVHúWHFRHILFLHQWXOGHDVRFLHUHFDOFXODWFXUHOD LD

ad −bc 5 ⋅ 4 − 1⋅ 0
Q= =
a d + bc 5 ⋅ 4 + 1⋅ 0

Q =1

6.
'LQ GRULQ D GH D úL FXQRDúWH PDL ELQH FLWLWRULL XQ FRWLGLDQ D LQL LDW R DQFKHW  vQ
- rândul acestora.
3ULQWUH vQWUHE ULOH LQFOXVH vQ FKHVWLRQDU HUDX úL FHOH UHIHULWRDUH OD VH[XO FLWLWRULORU úL IUHFYHQ D DFKL]L LRQ ULL

]LDUXOXL3HED]DU VSXQVXULORUFRQVHPQDWHOD DFHVWHGRX vQWUHE ULYH]LWDEHOXODSUHFLD LLQWHQVLWDWHD

OHJ WXULLGLQWUHFHOHGRX YDULDELOH

Tabelul 5.16.

)UHFYHQ D
Sexul cititorului &XPS U ]LDUXO
U VSXQVXOXL

foarte rar 10
uneori 10
masculin
deseori 25
zilnic 5
foarte rar 20
uneori 15
feminin
deseori 10
zilnic 5
 Rezolvare:

3HQWUX D HYLGHQ LD úL P VXUD OHJ WXUD GLQWUH VH[XO FLWLWRUXOXL úL IUHFYHQ D FX FDUH FXPS U 

FRWLGLDQXODPUHRUJDQL]DWLQIRUPD LLOHvQWU XQWDEHOGHDVRFLHUHYH]LWDEHOXO$IRVWQHFHVDU 

-
UHJUXSDUHD YDULDQWHORU GH U VSXQV UHIHULWRDUH ODIUHFYHQ D DFKL]L LRQ ULLFRWLGLDQXOXL SHQWUXD RE LQH

RYDULDELO DOWHUQDWLY 

• FXPS U WRULLRFD]LRQDOLVXQWFHLFDUHDFKL]L LRQHD] ]LDUXOIRDUWHUDUVDXXQHRUL

• FXPS U WRULLILGHOL sunt cei care-ODFKL]L LRQHD] GHVHRULVDX]LOQLF

Tabelul 5.17.

Cititori
Sexul cititorului Total
ocazionali fideli
feminin 35 15 50
masculin 20 30 50
Total 55 45 100

Pe baza datelor din tabelul 5.17. poate fi calculat coeficientul de asociere:

35 ⋅ 30 − 20 ⋅ 15 750
Q= = = 0 , 556
35 ⋅ 30 + 20 ⋅ 15 1350

$úDGDUFRUHOD LDGLQWUHFHOHGRX YDULDELOHDQDOL]DWHHVWHGHLQWHQVLWDWHPRGHUDW 

 PROBLEME PROPUSE

1.
Pentru cei 8 muncitori dintr-R VHF LH D XQHL XQLW L HFRQRPLFH V DX vQUHJLVWUDW XUP WRDUHOH
-
date:

Tabelul 5.18.

Vechime (ani) 3 6 4 5 2 5 4 1
3URGXF LHEXF 22 30 20 25 18 26 22 19

Se cere:

1. V VHUHSUH]LQWHJUDILFGDWHOHúLV VHDOHDJ IXQF LDGHUHJUHVLHSRWULYLW 

2. V VHGHWHUPLQHSDUDPHWULLIXQF LHLGHUHJUHVLH

3. V VHLQWHUSUHWH]HGLQSXQFWGHYHGHUHHFRQRPLFFRHILFLHQWXOGHUHJUHVLH

5 VSXQVXUL

1. IXQF LHOLQLDU 
2. Y i = 14 , 77 + 2 , 13 x i ;
3. pentru fiecare an suplimentar dHYHFKLPHSURGXF LDXQXLPXQFLWRUFUHúWHvQPHGLH
cu 2,13 buc..

2.
Într-RVRFLHWDWHFRPHUFLDO V DXvQUHJLVWUDWXUP WRDUHOHGDWH
-
Tabelul 5.19.

Vechime (ani) 12 34 2 36 14 22 5 10
Salariu lunar (mil. lei) 2,7 4,0 2,0 4,2 2,8 3,5 2,1 2,6

ùWLLQGOHJ WXUDGLQWUHFHOHGRX YDULDELOHHVWHH[SULPDW SULQIXQF LD

Y i = 1 , 895 + 0 , 0648 x i
se cere:

1. FDOFXOD LUDSRUWXOGHFRUHOD LH

2. GHWHUPLQD LvQFHP VXU LQIOXHQ HD] YHFKLPHDVDODULXOXLOXQDU

3. HVWLPD LVDODULXOOXQDUDOXQHLSHUVRDQHFXDQLYHFKLPH .

5 VSXQVXUL

1. 0,9935;
2. 98,7%;
3. 3,19 mil. lei.
 3.
6HFXQRVFXUP WRDUHOHGDWHUHIHULWRDUHODRXQLWDWHHFRQRPLF 

Tabelul 5.20.

Productivitate (mil. lei / munc.)

'RWDUHWHKQLF Total
10-12 12-14 14-16
14-16 100 40 - 140
16-18 20 80 20 120
18-20 - 40 100 140
Total 120 160 120 400

Se cere:

1. 0 VXUD L LQWHQVLWDWHD FRUHOD LHL GLQWUH GRWDUHD WHKQLF  úL SURGXFWLYLWDWH vQ LSRWH]D XQHL

OHJ WXULOLQLDUH

2. ÌQFHSURSRU LHLQIOXHQ HD] GRWDUHDWHKQLF SURGXFWLYLWDWHDPXQFLL"

3. (VWLPD LFHSURGXFWLYLWDWHDUHXQPXQFLWRUFXGRWDUHWHKQLF GHPLOOHL

4. &RHILFLHQWXOGHFRUHOD LHHVWHVHPQLILFDWLYVWDWLVWLFSHQWUXRSUREDELOLWDWHGHSHQWUX

care t tabelat este de 1,965?

5 VSXQVXUL

1. r y x = R y x = 0 , 77 ;
2. 59%;
3. 13,1 mil. lei;
4. da.

4.
Într-o localitate vúL GHVI úRDU  DFWLYLWDWHD  DJHQ LL LPRELOLDUH SHQWUX FDUH V
-au înregistrat
datele:
Tabelul 5.21.

Profit &KHOWXLHOLUHFODP  1UDJHQ L

(mil. lei) Y (mii lei) X1 X2

32 249 15
47 292 18
18 183 14
25 201 16
49 310 21
41 248 20
52 246 18
38 241 14
36 288 13
29 191 15
43 248 21
28 210 18
24 256 20
36 275 16
41 241 19
 ùWLLQGF IXQF LDGHUHJUHVLHHVWH

Y i = −19 , 5 + 0 , 158 X 1 + 0 , 962 X 2 ,

V VHGHWHUPLQH

1. P ULPHDUDSRUWXOXLGHFRUHOD LH

2. FH SURILW YD DYHD R DJHQ LH LPRELOLDU  FX  GH DJHQ L úL FKHOWXLHOL GH UHFODP 

de 300 mii lei.

5 VSXQVXUL

1. 0,724;
2. 49 mil. lei.

5.
2SWDJHQ LHFRQRPLFLGLQDFHODúLGRPHQLXGHDFWLYLWDWHDXvQUHJLVWUDWXUP WRDUHOHUHDOL] UL

Tabelul 5.22.

Cifra de afaceri (mil. lei) 540 580 600 640 700 620 610 470
Profit (mil. lei) 47 59 52 56 64 58 50 40

ùWLLQGF OHJ WXUDGLQWUHFHOH GRX YDULDELOHDUHFDUDFWHU OLQLDU P VXUD LLQWHQVLWDWHDDFHVWHLD

prin intermediul:

1. UDSRUWXOXLGHFRUHOD LH
2. coeficientXOXLGHFRUHOD LH
3. FRHILFLHQWXOXLGHFRUHOD LHDUDQJXULORU6SHDUPDQ
4. FRHILFLHQWXOXLGHFRUHOD LHDUDQJXULORU.HQGDOO

5 VSXQVXUL

1. 0,8857;
2. 0,8857;
3. 0,714;
4. 0,571.

6.
/DRILUP V DXvQUHJLVWUDWXUP WRDUHOHGDWHSULYLQGFRVWXULOHGHSURGXF LHúLSURILWXORE LQXW
-
Tabelul 5.23.

Costuri (mil. lei) 90 30 100 50 45 110 70 55 20 15

Profit (mil. lei) 10 15 8 12 14 9 11 13 16 17
0 VXUD LLQWHQVLWDWHDOHJ WXULLGLQWUHFHOHGRX YDULDELOHFXDMXWRUXO

1. FRHILFLHQWXOXLúLUDSRUWXOXLGHFRUHOD LHGDF IXQF LD de regresie este

Y i = 17 , 687 − 0 , 089 x i ;

2. FRHILFLHQWXOXLGHFRUHOD LHDUDQJXULORU6SHDUPDQ

3. FRHILFLHQWXOXLGHFRUHOD LHDUDQJXULORU.HQGDOO

5 VSXQVXUL

1. –úL
2. – 0,9758;
3. – 0,9111.
 Capitolul 2
2.1 Probleme rezolvate
2.1.1 Model liniar unifactorial - caz general
2.1.2 Model liniar unifactorial cu erori heteroscedastice
2.1.3 Model liniar unifactorial cu autocorelarea erorilor
2.1.4 Model unifactorial neliniar
2.1.5 Model liniar multifactorial
2.1.6 Model multifactorial neliniar – funcţia Cobb-Douglas
fără progres tehnic
2.1.7 Model liniar multifactorial cu variabile centrate
2.1.8 Modele dinamice
[Link] Model dinamic – funcţia Cobb–Douglas
cu progres tehnic
[Link] Model autoregresiv
[Link] Model dinamic cu decalaj
[Link] Model dinamic de prognoză cu variabile anticipative
2.1.9 Modelul static al lui Keynes
2.1.10 Modelul dinamic al lui Keynes
2.1.11 Model recursiv

2.2 Probleme propuse spre rezolvare

Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

2 Modele econometrice cu o singură ecuaţie

şi cu ecuaţii multiple

2.1 Probleme rezolvate

2.1.1 Model liniar unifactorial - caz general

Se cunosc următoarele date privind capacitatea de cazare turistică în

funcţiune (mii locuri-zile) şi numărul de înnoptări în structurile de primire
turistică cu funcţiuni de cazare turistică (mii) în România în perioada
1989-2002:

Tabelul 2.1.1
Numărul de înnoptări
Capacitatea de cazare în structurile de primire
Anul turistică în funcţiune turistică cu funcţiuni
(mii locuri-zile) de cazare turistică
(mii)
0 1 2
1989 79458 53377
1990 77022 44552
1991 64124 31927
1992 55870 26076
1993 57434 24769
1994 53255 23296
1995 53540 24111
1996 53639 21838
1997 52027 19611
1998 53164 19183
1999 51275 17670
2000 50197 17647
2001 51182 18122
2002 50752 17277
Sursa: Anuarul Statistic al României 1993, CNS, Bucureşti, 1994, p. 622-624, Anuarul
Statistic al României 2003, INS, Bucureşti, 2004, p. 507, 511.
 Econometrie. Studii de caz

Se cere:
a) să se specifice modelul econometric ce descrie legătura dintre cele
două variabile;
b) să se estimeze parametrii modelului şi să se calculeze valorile
teoretice ale variabilei endogene;
c) să se verifice ipotezele de fundamentare a metodei celor mai mici
pătrate;
d) să se verifice semnificaţiile estimatorilor şi verosimilitatea
modelului;
e) presupunând că în anul 2003 numărul de înnoptări va atinge
valoarea de 17100 mii să se estimeze capacitatea de cazare turistică în
funcţiune a României în acest caz.

Rezolvare:

a) Pe baza datelor problemei se poate construi un model econometric

unifactorial de forma:

y = f (x ) + u

unde:
y = valorile reale ale variabilelor dependente;
x = valorile reale ale variabilelor independente;
u = variabila reziduală, reprezentând influenţele celorlalţi factori ai variabilei y,
nespecificaţi în model, consideraţi factori întâmplători, cu influenţe
nesemnificative asupra variabilei y.
Analiza datelor din tabel, în raport cu procesul economic descris
conduce la următoarea specificare a variabilelor:
y = capacitatea de cazare turistică în funcţiune, reprezentând
variabila rezultativă (endogenă);
x = numărul de înnoptări, reprezentînd variabila factorială (exogenă),
respectiv factorul considerat prin ipoteza de lucru cu influenţa cea mai
puternică asupra variabilei y.
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Specificarea unui model econometric presupune, de asemenea,

alegerea unei funcţii matematice ( f ( x)) cu ajutorul căreia poate fi descrisă
legătura dintre cele variabile. În cazul unui model unifactorial, procedeul cel
mai des folosit îl constituie reprezentarea grafică a celor două şiruri de
valori cu ajutorul corelogramei – vezi figura 2.1.1.

ccf
79400
77300
75200
73100
71000
68900
66800
64700
62600
60500
58400
56300
54200
52100
50000 innoptari
1650 1910 2170 2430 2690 2950 3210 3470 3730 3990 4250 4510 4770 5030 5290
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

Figura 2.1.1 Legătura dintre capacitatea de cazare turistică în funcţiune

(mii locuri-zile) şi numărul de înnoptări în structurile de primire turistică cu funcţiuni
de cazare turistică (mii) în România

Din grafic se poate observa că distribuţia punctelor empirice (xt , y t )

poate fi aproximată cu o dreaptă. Ca atare, modelul econometric care descrie
legătura dintre cele două variabile se transformă într-un model liniar
unifactorial y = a + bx + u , a şi b reprezentând parametrii modelului, b ≥ 0 ,
panta dreptei fiind pozitivă deoarece legătura dintre cele două variabile este
liniară.
 Econometrie. Studii de caz

b) Deoarece parametrii modelului sunt necunoscuţi, valorile acestora

se pot estima cu ajutorul mai multor metode, în mod curent fiind folosită
însă metoda celor mai mici pătrate (M.C.M.M.P.). Utilizarea acestei metode
porneşte de la următoarea relaţie:

y t = a + bxt + u t ; t = 1, n
yˆ t = aˆ + bˆxt

unde:
ŷ t = valorile teoretice ale variabilei y obţinute numai în funcţie de valorile
factorului esenţial x şi de valorile estimatorilor parametrilor a şi b,
respectiv a$ şi b$ ;
( )
u t = y t − yˆ t = (a − aˆ ) + b − bˆ xt = estimaţiile valorilor variabilei reziduale.
În mod concret, M.C.M.M.P. constă în a minimiza funcţia:

( ) ( )
14 14
F aˆ , bˆ = min ∑ ( y t − yˆ t ) = min ∑ y t − aˆ − bˆxt
2 2

t =1 t =1

Condiţia de minim a acestei funcţii rezultă din:

F ′(aˆ ) = 0 ⇒ naˆ + bˆ x = ∑y t ∑ t

()
F ′ bˆ = 0 ⇒ aˆ ∑ xt + bˆ∑ xt2 = ∑ y t xt

Tabelul 2.1.2
yt
Nr. (mii xt xt2 xt y t
yˆ t = 35030 ,912 +
( x t − x )2 u t = y t − yˆ t u t2
crt. locuri- + 0 ,8694 x t
(mii)
zile)
0 1 2 3 4 5 6 7 8
1 79458 53377 2849104129 4241229666 81436,2 767377059,6 -1978,2 3913120,5
2 77022 44552 1984880704 3431484144 73763,8 356324948,9 3258,2 10615710,2
3 64124 31927 1019333329 2047286948 62787,8 39082145,3 1336,2 1785381,8
4 55870 26076 679957776 1456866120 57701,0 160457,5 -1831,0 3352697,0
5 57434 24769 613503361 1422582746 56564,7 821612,8 869,3 755597,6
6 53255 23296 542703616 1240628480 55284,1 5661680,3 -2029,1 4117418,8
7 53540 24111 581340321 1290902940 55992,7 2447436,8 -2452,7 6015700,3
8 53639 21838 476898244 1171368482 54016,6 14725858,0 -377,6 142564,2
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

yt
Nr. (mii xt xt2 xt y t
yˆ t = 35030 ,912 +
( x t − x )2 u t = y t − yˆ t u t2
crt. locuri- + 0 ,8694 x t
(mii)
zile)
0 1 2 3 4 5 6 7 8
9 52027 19611 384591321 1020301497 52080,5 36777293,9 -53,5 2857,2
10 53164 19183 367987489 1019845012 51708,4 42151628,8 1455,6 2118901,6
11 51275 17670 312228900 906029250 50393,0 64086886,6 882,0 777971,0
12 50197 17647 311416609 885826459 50373,0 64455665,3 -176,0 30968,1
13 51182 18122 328406884 927520204 50785,9 57054283,2 396,1 156866,6
14 50752 17277 298494729 876842304 50051,3 70533602,5 700,7 490974,3
Total 802939 359456 10750847412 21938714252 802939,0 1521660559,4 0,0 34276729,4

Tabelul 2.1.2
(continuare)
yt − y ( y t − y ) xt − x û t uˆ t (xt − x ) u t −1 (u t − u t −1 ) u t u t −1 (xt − x)( yt − y)
2 2

9 10 11 12 13 14 15 16 17
22105,2 488640498,6 27701,6 -1978,2 -54798165,4 - - - 612349172,5
19669,2 386877990,6 18876,6 3258,2 61503190,2 -1978,2 27419223,1 -6445196,2 371287328,4
6771,2 45849342,9 6251,6 1336,2 8353236,1 3258,2 3694061,3 4353515,4 42330729,8
-1482,8 2198653,5 400,6 -1831,0 -733461,2 1336,2 10031276,0 -2446598,5 -593961,6
81,2 6595,8 -906,4 869,3 -787914,1 -1831,0 7291556,9 -1591631,1 -73614,9
-4097,8 16791847,8 -2379,4 -2029,1 4828199,4 869,3 8400685,0 -1763834,3 9750388,4
-3812,8 14537334,9 -1564,4 -2452,7 3837062,2 -2029,1 179394,7 4976862,2 5964830,9
-3713,8 13792204,3 -3837,4 -377,6 1448923,7 -2452,7 4306105,4 926079,6 14251387,4
-5325,8 28363993,5 -6064,4 -53,5 324160,3 -377,6 105056,3 20182,5 32297847,1
-4188,8 17545925,8 -6492,4 1455,6 -9450669,4 -53,5 2277375,2 -77808,2 27195392,1
-6077,8 36939479,2 -8005,4 882,0 -7061001,5 1455,6 329037,7 1283917,5 48655279,4
-7155,8 51205269,2 -8028,4 -176,0 1412822,3 882,0 1119372,7 -155216,8 57449714,5
-6170,8 38078596,3 -7553,4 396,1 -2991640,5 -176,0 327231,3 -69698,3 46610589,1
-6600,8 43570372,0 -8398,4 700,7 -5884742,0 396,1 92800,5 277520,2 55436227,3

0,0 1184398104,4 0,0 0,0 0,0 -1978,2 65573176,1 -711906,1 1322911310,3

 Econometrie. Studii de caz

Estimarea parametrului b$ :

∑y
n t 14 802939

bˆ =
∑x ∑ y x t t t
=
359456 42689917,9
=
307141999528 − 288621241184
n ∑x t
14 359456 150511863768 −129208615936

∑x ∑x t
2
t
359456 10750847412

18520758344
bˆ = = 0,8694
2130347832

(vezi calcule tabelul 2.1.2., coloanele 1, 2, 3, 4)

Estimarea parametrului a$ :
1 ∑x = ∑y
∑x =∑y
t t
naˆ + bˆ t t ⋅ ⇔ aˆ + bˆ ⇔ aˆ = y − bˆx
n n n

x=
∑x t 359456
=
⎫
= 25675,4⎪
n 14 ⎪
⎬ ⇒ aˆ = 57352,8 − 0,8694 ⋅ 25675,4 = 35030,912
y=
∑ yt 802939
=
⎪
= 57352,8⎪
n 14 ⎭

Dispunând de estimaţiile parametrilor se pot calcula valorile

teoretice (estimate) ale variabilei endogene, ŷ t , cu ajutorul relaţiei:
yˆ t = 35030,912 + 0,8694 x t (vezi tabelul 2.1.2., coloana 5)
Valorile variabilei reziduale vor rezulta din următoarea relaţie:
uˆ t = y t − yˆ t (vezi tabelul 2.1.2., coloana 7)
Pe baza acestor valori se pot calcula abaterea medie pătratică a
variabilei reziduale s uˆ şi abaterile medii pătratice ale celor doi estimatori,
s aˆ şi s bˆ :

∑ (y − yˆ t )
2
34276729,3646
t
s 2
uˆ = = 2856394,1137 =
n−k 14 − 2
(vezi tabelul 2.1.2., coloana 8)
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

unde:
k = numărul parametrilor;
s uˆ = 2856394,1137 = 1690,087
⎡ ⎤ ⎡ ⎤
1 x2 ⎥ = 2856394,1137 ⋅ ⎢ 1 + 25675,4
2
s a2ˆ = s u2ˆ ⎢ + ⎥
⎢n
⎣ ∑ (x t − x ) ⎦
2 ⎥
⎢⎣14 1521660559,4 ⎥⎦

s a2ˆ = 1441501,1977
(vezi tabelul 2.1.2., coloana 6)

s aˆ = 1441501,1977 = 1200,6253
1 2856394,1137
s b2ˆ = s u2ˆ = = 0,0019
(
∑ tx − x ) 2
1521660559, 4

s bˆ = 0,0019 = 0,0433

În urma acestor calcule, modelul econometric se poate scrie:

yˆ t = 35030,912 + 0,8694 xt ; s uˆ = 1690,087
(1200,6253) (0,0433)
c) Estimatorii obţinuţi cu ajutorul M.C.M.M.P. sunt estimatori de
maximă verosimilitate dacă pot fi acceptate următoarele ipoteze:
c1) Variabilele observate nu sunt afectate de erori de măsură.
Această condiţie se poate verifica cu regula celor trei sigma, regulă
care constă în verificarea următoarelor relaţii:

xt ∈ ( x ± 3σ x )
y t ∈ ( y ± 3σ y )

Pe baza datelor din tabelul 2.1.2., coloanele 6, 10, se obţin:

∑ (x − x)
2
1521660559,4
σx = t
= = 108690039,9592 = 10425,4515
n 14
 Econometrie. Studii de caz

σy =
∑ (y t − y )2
=
1184398104,4
= 84599864,5969 = 9197,8185
n 14

x t ∈ (x ± 3σ x ) ⇔ x − 3σ x < x t < x + 3σ x ⇔
⇔ 25675 , 4 − 3 ⋅ 10425 , 4515 < x t < 25675 , 4 + 3 ⋅ 10425 , 4515
⇒ xt ∈ (− 5600,9261; 56951,7832)
( )
y t ∈ y ± 3σ y ⇔ y − 3σ y < y t < y + 3σ y ⇔
⇔ 57352,8 − 3 ⋅ 9197,8185 < y t < 57352,8 + 3 ⋅ 9197,8185
⇒ y t ∈ (29759 ,3303; 84946 ,2411 )

Deoarece valorile acestor variabile aparţin intervalelor

xt ∈ (− 5600,9261; 56951,7832) şi y t ∈ (29759 ,3303; 84946 ,2411 ) , ipoteza de
mai sus poate fi acceptată fără rezerve.
c2) Variabila aleatoare (reziduală) u este de medie nulă M (uˆ ) = 0 ,
iar dispersia ei, sû2 , este constantă şi independentă de X - ipoteza de
homoscedasticitate, pe baza căreia se poate admite că legătura dintre Y şi X
este relativ stabilă.
Acceptarea ipotezei se poate face prin intermediul mai multor
procedee:
c2.1) Procedeul grafic - care constă în construirea corelogramei
privind valorile variabilei factoriale x şi ale variabilei reziduale u (vezi
Figura 2.1.2).
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

u
4000

3000

2000

1000
x
0
16500 19100 21700 24300 26900 29500 32100 34700 37300 39900 42500 45100 47700 50300 52900

-1000

-2000

-3000

Figura 2.1.2

Deoarece graficul punctelor empirice prezintă o distribuţie oscilantă,

se poate accepta ipoteza că cele două variabile sunt independente şi nu
corelate.
c2.2.) Acceptarea sau respingerea ipotezei de homoscedasticitate cu
ajutorul analizei variaţiei (vezi punctul d)).
c3) Valorile variabilei reziduale (û t ) sunt independente, respectiv nu
există fenomenul de autocorelare.
Acceptarea sau respingerea acestei condiţii se poate face cu:
c3.1.) Procedeul grafic - corelograma între valorile variabilei
dependente ( y t ) şi valorile variabilei reziduale (û t ) (vezi Figura 2.1.3).
 Econometrie. Studii de caz

u
3000

2000

1000
y
0
50000 52100 54200 56300 58400 60500 62600 64700 66800 68900 71000 73100 75200 77300 79400

-1000

-2000

-3000

Figura 2.1.3

Ca şi în cazul graficului precedent, distribuţia punctelor empirice

fiind oscilantă, se poate accepta ipoteza de independenţă a erorilor.
c3.2.) Testul Durbin-Watson constă în calcularea termenului empiric:

∑ (uˆ t − uˆ t −1 )
2

d= t =2
n

∑ uˆ
t =1
2
t

şi compararea acestei mărimi „ d ” cu două valori teoretice, d 1 şi d 2 ,

preluate din tabela Durbin-Watson (vezi Anexa 3) în funcţie de un prag de
semnificaţie α , arbitrar ales, de numărul variabilelor exogene ( k ) şi de
valorile observate ( n, n ≥ 15) .
Acceptarea sau respingerea ipotezei de independenţă a erorilor se
bazează pe o anumită regulă, care constă în:
- dacă 0 < d < d 1 ⇒ autocorelare pozitivă;
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

- dacă d 1 ≤ d ≤ d 2 ⇒ indecizie, recomandându-se acceptarea

autocorelării pozitive;
- dacă d 2 < d < 4 − d 2 ⇒ erorile sunt independente;
- dacă 4 − d 2 ≤ d ≤ 4 − d 1 ⇒ indecizie, recomandându-se acceptarea
autocorelării negative;
- dacă 4 − d 1 < d < 4 ⇒ autocorelare negativă.
Pe baza datelor problemei, valoarea empirică a variabilei
Durbin-Watson este:
14

∑ (uˆ t − uˆ t −1 )
2

65573176,1
d= t =2
14
= = 1,91
34276729,3646
∑ uˆ
t =1
2
t

Lucrând cu un prag de semnificaţie α = 0,05 , numărul variabilelor

exogene fiind k = 1, iar numărul observaţiilor n = 14 , din tabela distribuţiei
Durbin-Watson se citesc valorile (pentru cazul n = 15 ) d1 = 1,08 şi
d 2 = 1,36 .
Deoarece d 2 = 1,36 < d = 1,91 < 4 − d 2 = 2,64 , se poate accepta
ipoteza de independenţă a valorilor variabilei reziduale.
c3.3.) Coeficientul de autocorelaţie de ordinul 1
n

∑ uˆ uˆ
t =2
t t −1
r1 = n −1

∑ uˆ
t =1
2
t

Se poate demonstra că între coeficientul de autocorelaţie de ordinul

1 şi variabila Durbin-Watson există relaţia:
d
d = 2(1 − r1 ) ⇒ r1 = 1 −
2
 Econometrie. Studii de caz

Ştiind că:
⎧− 1⇒ autocorelare strict negativa ⎧4
⎪ ↑ ⇒ indecizie ⎪↑
⎪⎪ ⎪⎪
r1 = ⎨ 0 ⇒ independenta ⇒ d = ⎨2
⎪ ↓ ⇒ indecizie ⎪↓
⎪ ⎪
⎪⎩ 1 ⇒ autocorelare strict pozitiva ⎪⎩ 0

Calculul coeficientului de autocorelaţie de ordinul 1:

14

∑ uˆ uˆ
t =2
t t −1
− 711906,1
r1 = 13
= = −0,021
33785755,1
∑ uˆ
t =1
2
t

Deoarece r1 = −0,021 → 0 , şi acest indicator arată că ipoteza de

independenţă a valorilor variabilei reziduale poate fi acceptată.
c4) Verificarea ipotezei de normalitate a valorilor variabilei reziduale
Se ştie că, dacă erorile urmează legea normală de medie zero şi de
abatere medie pătratică su$ (consecinţa ipotezelor c1, c2, c3), atunci are loc
relaţia:
P ( uˆ t ≤ tα s û ) = 1 − α
Pe baza acestei relaţii, în funcţie de diferite praguri de semnificaţie
α , din tabela distribuţiei normale se vor prelua valorile corespunzătoare ale
lui tα .
Lucrând cu un prag de semnificaţie α = 0,05 , din tabela distribuţiei
Student ( n < 30) se preia valoarea variabilei, cu un număr de grade de
libertate v = n − 2 = 14 − 2 = 12, t0, 05;12 = 2,179 , iar pentru un prag de
semnificaţie α = 0,01 , avem t 0,01;12 = 3,055 . Cu ajutorul acestor date,
verificarea ipotezei de normalitate se poate face pe baza următorului grafic
(Figura 2.1.4.): pe axa Ox se vor reprezenta valorile ajustate ale variabilei y,
ŷt (vezi tabelul 2.1.2, coloana 5), iar pe axa Oy se vor trece valorile
variabilei reziduale ut (vezi tabelul 2.1.2, coloana 7).
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Se observă că valorile empirice ale variabilei reziduale se înscriu în

banda construită, cu un prag de semnificaţie α = 0,05 . Ca atare, ipoteza de
normalitate a variabilei reziduale poate fi acceptată cu acest prag de
semnificaţie.

ut + t 0, 05 ⋅ s uˆ
3300

2300

1300

300 ŷt
50000 52500 55000 57500 60000 62500 65000 67500 70000 72500 75000 77500 80000
-700

-1700

-2700
− t 0, 05 ⋅ s uˆ
-3700

Figura 2.1.4

d) Verificarea semnificaţiei estimatorilor şi a verosimilităţii

modelului
d1) Verificarea semnificaţiei estimatorilor
Estimatorii sunt semnificativ diferiţi de zero, cu un prag de
semnificaţie α , dacă se verifică următoarele relaţii:

aˆ bˆ
taˆ = > tα ; v ; tbˆ = > tα ;v
saˆ sbˆ
 Econometrie. Studii de caz

Ştiind că (vezi punctul b) al problemei)

aˆ = 35030,912; s aˆ = 1200,6253 şi bˆ = 0,8694; sbˆ = 0,0433 şi, lucrând cu un
prag de semnificaţie α = 0,05 , din tabela distribuţiei Student se preia
valoarea t0, 05;12 = 2,179 .
aˆ 35030,912
taˆ = = = 29,1772 > t0,05;12 = 2,179
saˆ 1200,6253

bˆ 0,8694;
tbˆ = = = 20,0661 > t0,05;12 = 2,179
sbˆ 0,0433

Pe baza calculelor de mai sus se observă faptul că ambii estimatori

sunt semnificativ diferiţi de zero, cu un prag de semnificaţie α = 0,05 .
d2) Verificarea verosimilităţii modelului
Pentru a accepta ipoteza de liniaritate se calculează coeficientul de
corelaţie liniară:

ry / x =
cov( y, x )
=
∑ (y t − y )( xt − x )
=
1322911310,3
= 0,9854
σx σy n σ xσ y 14 ⋅ 10425,4515 ⋅ 9197,8185

Coeficientul de corelaţie liniară fiind definit în intervalul [ −1;1] ,

rezultă că valoarea obţinută de 0,985 indică o puternică corelaţie liniară între
cele două variabile.
Verificarea verosimilităţii modelului se face cu ajutorul analizei
dispersionale (analiza variaţiei).
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Tabelul 2.1.3
Sursa de Măsura Nr. gradelor Dispersii Valoarea testului “F”
variaţie variaţiei de libertate corectate Fc Fα ;v1 ;v2
14 Vx2 s Y2 / X
Varianţa
Vx2 = ∑ ( yˆ t − y ) sY2 / X = Fc =
2
dintre
k −1=1 k −1 s u2ˆ F0,05;1;12 = 4,76
t =1 = 1150121375
grupe = 402,648 F0, 01;1;12 = 9,33
= 1150121375
14
Vu2 = ∑ ( yt − yˆ t ) V u2
2
Varianţa s u2ˆ =
t =1 n − k = 12 n−k - -
reziduală
= 34276729,4 = 2856394 ,1
14
V02 = ∑ ( yt − y )
2
Varianţa n − 1 = 13 - - -
totală t =1

= 1184398104,4

Testul Fisher-Snedecor indică faptul că rezultatele obţinute sunt

semnificative pentru un prag de semnificaţie de 5%:
Fc = 402,648 > F0,05;1;12 = 4,76 .
Pe baza datelor din tabelul de mai sus se poate calcula raportul de
corelaţie dintre cele două variabile:

V x2 Vu2 1150121374,9925
Ry / x = 2
= 1− 2 = = 0,9854 ≈ 0,985
V0 V0 1184398104,3571

Se poate demonstra că, în cazul unei legături liniare, raportul de

corelaţie este egal cu coeficientul de corelaţie liniară:
cov( y, x ) σ
ry / x = = bˆ ⋅ x = R y / x
σ xσ y σy
Verificarea semnificaţiei raportului de corelaţie şi, implicit, a
coeficientului de corelaţie liniară se face cu ajutorul testului Fisher-
Snedecor:
R2
Fc = (n − 2) , R fiind semnificativ dacă Fc ≥ Fα ;v1 ;v2 .
1 − R2
 Econometrie. Studii de caz

0,9711
Fc = 12 ⋅ = 12 ⋅ 33,554 = 402,648 > F0,05;1;12 = 4,76
0,0289
Deoarece raportul de corelaţie este semnificativ diferit de zero, cu un
prag de semnificaţie α = 0,05 , rezultă modelul econometric:

yˆt = 35030,912 + 0,8694 xt ; R = 0,985

(1200,6253) (0,0433) d = 1,91
suˆ = 1690,087
care descrie corect dependenţa dintre cele două variabile, acesta explicând
97,11% din variaţia totală a variabilei dependente, adică variaţia capacităţii
de cazare în funcţiune se datorează în proporţie de 97,11% numărului de
înnoptări.
V x2 Vu2
V02 = V x2 + Vu2 ⇒ 100 = ⋅100 + ⋅100
V02 V02

e) Dacă numărul înnoptărilor va fi egal cu 17100 mii (xt′ = 17100) ,

capacitatea de cazare turistică în funcţiune va fi egală cu:
Y/ x=17100 = aˆ + bˆxt′ = 35030,912 + 0,8694⋅17100 = 49897,4230 mii locuri-zile
Pe baza ipotezei formulate la punctele precedente, capacitatea de
cazare turistică în funcţiune y urmează o distribuţie normală (sau distribuţia
Student, dacă n ≤ 30 ), de medie Y şi de abatere medie pătratică sY ,
L( y) = N (Y , sY ) .
Pentru xt′ = 17100 ⇒ Yt = 49897,4230

⎛ 1 (xt′ − x )2 ⎞⎟
sY / x =17100 = s u2ˆ ⎜1 + +
⎜
⎝
n ∑ (xt − x )2 ⎟⎠
⎛ 1 (17100 − 25675,4) ⎞
2
sY / x =17100 = 2856394,1137 ⋅ ⎜1 + + ⎟ = 1788,4251
⎜ 14 1521660559,4 ⎟
⎝ ⎠
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Estimarea capacităţii de cazare în funcţiune, care se poate obţine

dacă numărul înnoptărilor va fi egal cu 17100 mii, pe baza unui interval de
încredere, se calculează cu relaţia:

P(Y/ x =17100 − tα sY / x =17100 ≤ y / x =17100 ≤ Y/ x =17100 + tα sY / x =17100 ) = 1 − α

Pentru α = 0,05 şi v = n − k = 12 , din tabela distribuţiei Student se

preia valoarea variabilei tα ;v = t 0, 05;12 = 2,179 .
Deci, cu un prag de semnificaţie de 0,05 sau cu o probabilitate egală
cu 0,95, capacitatea de cazare turistică în funcţiune va fi cuprinsă în
intervalul:

P(Y/ x =17100 ∈ [49897,4230 ± 2,179 ⋅ 1788,4251]) = 1 − 0,05 = 0,95

P(Y/ x =17100 ∈ [46000,4446;54794,4014]) = 0,95

2.1.2 Model liniar unifactorial cu erori heteroscedastice

Se cunosc următoarele date1 privind privind venitul mediu şi

cheltuielile medii efectuate de un eşantion 30 de familii cu procurarea
mărfurilor alimentare:
Tabelul 2.2.1
Cheltuieli medii cu procurarea
Nr. Venitul mediu
mărfurilor alimentare
crt. (u.m./familie)
(u.m./familie)
0 1 2
1 55 80
2 65 100
3 70 85
4 80 110
5 79 120
6 84 115
7 98 130
8 95 140
9 90 125

1
Datele problemei şi o parte din testele utilizate sunt reproduse din D. N. Gujarati, Basic
Econometrics, Third Edition, McGraw-Hill, Inc., 1995, p. 369-380.
 Econometrie. Studii de caz

Cheltuieli medii cu procurarea

Nr. Venitul mediu
mărfurilor alimentare
crt. (u.m./familie)
(u.m./familie)
0 1 2
10 75 90
11 74 105
12 110 160
13 113 150
14 125 165
15 108 145
16 115 180
17 140 225
18 120 200
19 145 240
20 130 185
21 152 220
22 144 210
23 175 245
24 180 260
25 135 190
26 140 205
27 178 265
28 191 270
29 137 230
30 189 250

Se cere:
a) Specificarea, identificarea şi estimarea parametrilor modelului
econometric ce descrie legătura dintre cele două variabile;
b) Verificarea ipotezelor de fundamentare a metodei celor mai mici
pătrate (M.C.M.M.P.) şi a verosimilităţii modelului.

Rezolvare:

a) Analiza variabilelor aferente problemei conduce la specificarea

acestora:
- venitul mediu reprezintă variabila explicativă sau exogenă (x) a
modelului, în timp ce cheltuielile pentru procurarea mărfurilor alimentare
constituie variabila endogenă (y) a modelului;
- variabila endogenă, cheltuieli pentru mărfuri alimentare, depinde şi
de alţi factori - numărul membrilor de familie, categoria socio-profesională
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

a familiei, etc. - dar aceştia sunt consideraţi factori cu acţiune întâmplătoare

şi specificaţi cu ajutorul variabilei aleatoare (u).
Pe baza acestor premise, datele problemei pot fi analizate cu ajutorul
următorului model:
y = f ( x) + u
Identificarea modelului presupune alegerea unei funcţii matematice
care să descrie corelaţia dintre cele două variabile. În cazul unui model
unifactorial (cum este cel specificat mai sus), procedeul cel mai des folosit îl
constituie reprezentarea grafică a datelor, respectiv corelograma (vezi figura
2.2.1).

190
170

150
130
110
90
70
x
50
70 90 110 130 150 170 190 210 230 250 270

Figura 2.2.1 Legătura dintre cheltuielile medii cu procurarea

mărfurilor alimentare şi venitul mediu

Deoarece graficul punctelor empirice arată că acestea pot fi

aproximate cu ajutorul unei drepte f ( x) = a + bx , modelul econometric
devine: y i = a + bxi + ui ; i = 1, n, n = 30.
Următoarea operaţie constă în estimarea parametrilor modelului, a şi
b, cu ajutorul estimatorilor a$ şi b$ . În acest scop se va utiliza metoda celor
mai mici pătrate (M.C.M.M.P.).

( ) ( )
30 30
F aˆ , bˆ = min ∑ ( yi − yˆ i ) = min ∑ yi − aˆ − bˆxi
2 2

i =1 i =1
 Econometrie. Studii de caz

Condiţia de minim a acestei funcţii rezultă din:

F ′( a$ ) = 0 ⇒ na$ + b$ ∑ xi = ∑ y i

()
F ′ b$ = 0 ⇒ a$ ∑ xi + b$ ∑ xi2 = ∑ y i xi

Tabelul 2.2.2
Nr.
crt.
yi xi ui u2
i xi − x ui ( xi − x ) yi ↑ xi ↑ ln u i2 ln xi
0 1 2 3 4 5 6 7 8 9 10
1 55 80 -5,3131 28,2287 -93,17 495,00 55 80 3,3403 4,3820
2 65 100 -8,0688 65,1049 -73,17 590,36 70 85 4,1760 4,6052
3 70 85 6,4980 42,2241 -88,17 -572,91 75 90 3,7430 4,4427
4 80 110 0,5534 0,3062 -63,17 -34,96 65 100 -1,1834 4,7005
5 79 120 -6,8245 46,5732 -53,17 362,83 74 105 3,8410 4,7875
6 84 115 1,3645 1,8618 -58,17 -79,37 80 110 0,6215 4,7449
7 98 130 5,7977 33,6133 -43,17 -250,27 84 115 3,5149 4,8675
8 95 140 -3,5801 12,8174 -33,17 118,74 79 120 2,5508 4,9416
9 90 125 0,9866 0,9734 -48,17 -47,52 90 125 -0,0269 4,8283
10 75 90 8,3091 69,0408 -83,17 -691,04 98 130 4,2347 4,4998
11 74 105 -2,2577 5,0971 -68,17 153,90 95 140 1,6287 4,6540
12 110 160 -1,3358 1,7845 -13,17 17,59 108 145 0,5791 5,0752
13 113 150 8,0420 64,6739 -23,17 -186,31 113 150 4,1694 5,0106
14 125 165 10,4752 109,7307 -8,17 -85,55 110 160 4,6980 5,1059
15 108 145 6,2309 38,8245 -28,17 -175,50 125 165 3,6591 4,9767
16 115 180 -9,0915 82,6559 6,83 -62,13 115 180 4,4147 5,1930
17 140 225 -12,7918 163,6310 51,83 -663,04 130 185 5,0976 5,4161
18 120 200 -16,8472 283,8288 26,83 -452,07 135 190 5,6484 5,2983
19 145 240 -17,3586 301,3210 66,83 -1160,13 120 200 5,7082 5,4806
20 130 185 2,7195 7,3959 11,83 32,18 140 205 2,0009 5,2204
21 152 220 2,3971 5,7460 46,83 112,26 144 210 1,7485 5,3936
22 144 210 0,7749 0,6005 36,83 28,54 152 220 -0,5100 5,3471
23 175 245 9,4525 89,3493 71,83 679,00 140 225 4,4926 5,5013
24 180 260 4,8857 23,8701 86,83 424,24 137 230 3,1726 5,5607
25 135 190 4,5306 20,5266 16,83 76,27 145 240 3,0217 5,2470
26 140 205 -0,0361 0,0013 31,83 -1,15 175 245 -6,6406 5,3230
27 178 265 -0,3032 0,0919 91,83 -27,85 189 250 -2,3866 5,5797
28 191 270 9,5079 90,3994 96,83 920,68 180 260 4,5042 5,5984
29 137 230 -18,9808 360,2691 56,83 -1078,74 178 265 5,8869 5,4381
30 189 250 20,2636 410,6116 76,83 1556,92 191 270 6,0176 5,5215
Total 3592 5195 0,0000 2361,1533 - 0,00 3592 5195 81,7230 152,7413
 Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Tabelul 2.2.2
(continuare)
yi
θˆi (θˆi − θ )2 zi =
2
ui xi 1 xi 1 xi θi =
ui2 ˆi
y′ ui′ ui′2 ⎛⎜ x − x ⎞⎟
⎝ i ⎠
78,7051
xi
11 12 13 14 15 16 17 18 19 20 21 22
5,3131 8,9443 0,0125 0,1118 0,3587 0,0624 0,8790 0,6875 60,829 -5,829 33,973 8680,028
8,0688 10,0000 0,0100 0,1000 0,8272 0,2637 0,5421 0,6500 73,466 -8,466 71,674 5353,361
6,4980 9,2195 0,0118 0,1085 0,5365 0,1128 0,7872 0,8235 63,988 6,012 36,144 7773,361
0,5534 10,4881 0,0091 0,0953 0,0039 0,3643 0,4041 0,7273 79,785 0,215 0,046 3990,028
6,8245 10,9545 0,0083 0,0913 0,5917 0,4650 0,2863 0,6583 86,103 -7,103 50,459 2826,694
1,3645 10,7238 0,0087 0,0933 0,0237 0,4147 0,3426 0,7304 82,944 1,056 1,115 3383,361
5,7977 11,4018 0,0077 0,0877 0,4271 0,5656 0,1887 0,7538 92,422 5,578 31,113 1863,361
3,5801 11,8322 0,0071 0,0845 0,1629 0,6662 0,1114 0,6786 98,741 -3,741 13,994 1100,028
0,9866 11,1803 0,0080 0,0894 0,0124 0,5153 0,2349 0,7200 89,263 0,737 0,543 2320,028
8,3091 9,4868 0,0111 0,1054 0,8772 0,1631 0,7004 0,8333 67,147 7,853 61,664 6916,694
2,2577 10,2470 0,0095 0,0976 0,0648 0,3140 0,4706 0,7048 76,625 -2,625 6,893 4646,694
1,3358 12,6491 0,0063 0,0791 0,0227 0,8675 0,0176 0,6875 111,378 -1,378 1,900 173,361
8,0420 12,2474 0,0067 0,0816 0,8217 0,7669 0,0544 0,7533 105,060 7,940 63,051 536,694
10,4752 12,8452 0,0061 0,0778 1,3942 0,9178 0,0068 0,7576 114,538 10,462 109,462 66,694
6,2309 12,0416 0,0069 0,0830 0,4933 0,7166 0,0803 0,7448 101,900 6,100 37,208 793,361
9,0915 13,4164 0,0056 0,0745 1,0502 1,0688 0,0047 0,6389 124,016 -9,016 81,282 46,694
12,7918 15,0000 0,0044 0,0667 2,0790 1,5216 0,2721 0,6222 152,450 -12,450 154,997 2686,694
16,8472 14,1421 0,0050 0,0707 3,6062 1,2700 0,0729 0,6000 136,653 -16,653 277,323 720,028
17,3586 15,4919 0,0042 0,0645 3,8285 1,6726 0,4523 0,6042 161,928 -16,928 286,551 4466,694
2,7195 13,6015 0,0054 0,0735 0,0940 1,1191 0,0142 0,7027 127,175 2,825 7,981 140,028
2,3971 14,8324 0,0045 0,0674 0,0730 1,4713 0,2221 0,6909 149,290 2,710 7,342 2193,361
0,7749 14,4914 0,0048 0,0690 0,0076 1,3707 0,1374 0,6857 142,972 1,028 1,057 1356,694
9,4525 15,6525 0,0041 0,0639 1,1352 1,7229 0,5225 0,7143 165,087 9,913 98,264 5160,028
4,8857 16,1245 0,0038 0,0620 0,3033 1,8738 0,7636 0,6923 174,565 5,435 29,537 7540,028
4,5306 13,7840 0,0053 0,0725 0,2608 1,1694 0,0287 0,7105 130,334 4,666 21,768 283,361
0,0361 14,3178 0,0049 0,0698 0,0000 1,3203 0,1026 0,6829 139,812 0,188 0,035 1013,361
0,3032 16,2788 0,0038 0,0614 0,0012 1,9241 0,8540 0,6717 177,725 0,275 0,076 8433,361
9,5079 16,4317 0,0037 0,0609 1,1486 1,9745 0,9496 0,7074 180,884 10,116 102,335 9376,694
18,9808 15,1658 0,0043 0,0659 4,5775 1,5719 0,3271 0,5957 155,609 -18,609 346,300 3230,028
20,2636 15,8114 0,0040 0,0632 5,2171 1,7732 0,5978 0,7560 168,247 20,753 430,707 5903,361
205,5785 388,8038 0,1975 2,3926 30,0000 30,0000 10,4280 20,9862 3590,936 1,064 2364,793 102974,167
 Econometrie. Studii de caz

Rezolvarea modelului s-a realizat cu ajutorul pachetului de programe

EViews, conducând la afişarea următoarelor rezultate:

Dependent Variable: yi
Method: Least Squares
Sample: 1 30
Included observations: 30
Semnif. Semnif. Semnif.
Variable Coefficient Std. Error t-Statistic Prob.
ind. ind. ind.
C 9,2903 â 5,2314 saˆ 1,7759 taˆ 0,0866 p(aˆ)

xi 0,6378 b̂ 0,0286 sbˆ 22,2872 tbˆ ()

0,0000 p bˆ
Mean dependent
R-squared 0,9466 R2 119,7333 y
var
Adjusted R- S.D. dependent
0,9447 Rc2 39,0613 sy
squared var
S.E. of Akaike info
9,1830 suˆ 7,3369 AIC
regression criterion
Sum
∑ ( y − yˆ )
2
i i =
squared 2361,1530 = uˆ Schwarz criterion 7,4303 SC
∑ 2
i
resid
Log
-108,0538 L F-statistic 496,7183 Fc
likelihood
Durbin-
1,7023 d Prob(F-statistic) 0,0000 p(F)
Watson stat

Semnificaţia indicatorilor necunoscuţi pe care-i calculează pachetul

de programe EViews este următoarea:
()
p (aˆ ), p bˆ = probabilitatea asociată parametrului â, respectiv b̂ . O
valoare cât mai apropiată de zero a acestei probabilităţi va indica o
semnificaţie ridicată a parametrului respectiv, în caz contrar, aceasta
confirmând, împreună cu testul t, faptul că parametrul respectiv este
nesemnificativ.
Rc2 = coeficientul de deteminare corectat sau ajustat. Acesta este
utilizat în vederea evidenţierii numărului de variabile factoriale cuprinse în
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

model, precum şi a numărului de observaţii pe baza cărora au fost estimaţi

parametrii modelului. În cazul unui model multifactorial acesta va înregistra
valori inferioare coeficientului de deteminaţie. Expresia acestui indicator
este următoarea:
n −1
Rc2 =1 −
n−k
⋅ 1 − R2 ( )
L= logaritmul funcţiei de verosimilitate (presupunând că erorile sunt
normal distribuite), funcţie ce este determinată ţinând seama de valorile
estimate ale parametrilor. Relaţia de calcul a acestui indicator, utilizată de
către pachetul de programe EViews, este următoarea:
n ⎛⎜ ⎛ ∑ uˆ t2 ⎞⎞
L = 1 + ln(2π ) + ln⎜ ⎟⎟
2 ⎜⎝ ⎜ n ⎟⎟
⎝ ⎠⎠
unde:
∑ uˆt2 = suma pătratelor erorilor;
k = numărul variabilelor exogene;
n = numărul de observaţii.
Acest indicator este utilizat în vederea elaborării unor teste statistice
destinate depistării variabilelor omise dintr-un model econometric, precum
şi a unor teste destinate depistării variabilelor redundante dintr-un model
econometric, ca, de exemplu, testul LR sau raportul verosimilităţilor
(Likelihood Ratio).
y = media variabilei dependente sau endogene, având următoarea
relaţie de calcul:
n

∑y i
y= i =1

n
s y = abaterea medie pătratică (standard) corespunzătoare variabilei
dependente, a cărei relaţie de calcul este următoarea:

∑ (y )
n
2
i −y
sy = i =1

n −1
 Econometrie. Studii de caz

AIC = criteriul Akaike este utilizat în cazul comparării a două sau

mai multe modele econometrice. Relaţia de calcul a acestuia, utilizată de
către pachetul de programe EViews, este următoarea:
2 L 2k
AIC = − +
n n
Regula de decizie utilizată în cazul aplicării acestui test este aceea
potrivit căreia este ales acel model econometric pentru care s-a obţinut
valoarea cea mai mică corespunzătoare acestui indicator.
SC = criteriul Schwartz este, de asemenea, utilizat pentru a compara
două sau mai multe modele econometrice. Relaţia de calcul a acestuia,
utilizată de către pachetul de programe EViews, este următoarea:
2 L k ln n
SC = − +
n n
Şi în acest caz, este ales acel model econometric pentru care s-a
obţinut valoarea cea mai mică corespunzătoare acestui indicator.
p(F) = probabilitatea asociată statisticii F. O valoare cât mai
apropiată de zero a acestei probabilităţi va indica o semnificaţie ridicată a
rezultatelor estimării, respectiv a modelului.
Pe baza estimatorilor parametrilor au fost calculate valorile estimate
ale variabilei y, yˆ i = 9,2903 + 0,6378 xi şi ale variabilei reziduale,
uˆ i = y i − yˆ i . Valorile acestora sunt prezentate în cadrul tabelului 2.2.3
(utilizând pachetul de programe EViews):

Tabelul 2.2.3
Actual Fitted Residual Residual Plot
yi ŷ i uˆi = yi − yˆ i (graficul reziduurilor)
55 60,3131 -5,3131 | .* | . |
65 73,0688 -8,0688 | * | . |
70 63,5020 6,4980 | . | *. |
80 79,4466 0,5534 | . * . |
79 85,8245 -6,8245 | .* | . |
84 82,6355 1,3645 | . |* . |
98 92,2023 5,7977 | . | *. |
95 98,5801 -3,5801 | . *| . |
90 89,0134 0,9866 | . |* . |
75 66,6909 8,3091 | . | * |
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Actual Fitted Residual Residual Plot

yi ŷ i uˆi = yi − yˆ i (graficul reziduurilor)
74 76,2577 -2,2577 | . *| . |
110 111,3358 -1,3358 | . *| . |
113 104,9580 8,0420 | . | * |
125 114,5248 10,4752 | . | .* |
108 101,7691 6,2309 | . | *. |
115 124,0915 -9,0915 | * | . |
140 152,7918 -12,7918 | * . | . |
120 136,8472 -16,8472 | * . | . |
145 162,3586 -17,3586 | * . | . |
130 127,2805 2,7195 | . |* . |
152 149,6029 2,3971 | . |* . |
144 143,2251 0,7749 | . * . |
175 165,5475 9,4525 | . | .* |
180 175,1143 4,8857 | . | *. |
135 130,4694 4,5306 | . | *. |
140 140,0361 -0,0361 | . * . |
178 178,3032 -0,3032 | . * . |
191 181,4921 9,5079 | . | .* |
137 155,9808 -18,9808 |* . | . |
189 168,7364 20,2636 | . | . *|

- dispersia variabilei reziduale

(y − yˆi )
=∑
2
2361,153
su2 i
= = 84,3269
n − k −1 30 − 1 − 1

unde: k = numărul variabilelor exogene.

(vezi tabelul afişat de programul EViews)

- abaterea medie pătratică a variabilei reziduale:

∑(y − yˆ i )
2

suˆ = i
= 84,3269 = 9,183
n − k −1
(vezi tabelul afişat de programul EViews)
 Econometrie. Studii de caz

- abaterile medii pătratice ale celor doi estimatori:

⎡1 x2 ⎤
saˆ = su2ˆ ⎢ + 2⎥
= 5,2314
⎢⎣ n ∑ ( xi − x ) ⎥⎦

su2ˆ
sbˆ = = 0,0286
∑ (xi − x )
2

(vezi tabelul afişat de programul EViews)

- raportul de corelaţie:

30 30

∑( y − yˆ )
i =1
i i
2
∑( y − yˆ )
i =1
i i
2

2361,153
R = R2 = 1 − = 1− = 1− = 0,9466 = 0,973
(n − 1)
∑ (y − y )
30
2 s 2y ⋅ 39,06132 ⋅ 29
i
i =1

(vezi tabelul afişat de programul EViews)

- variabila Durbin-Watson, d:
30

∑ (uˆ i − uˆ i −1 )
2

d= i =2
30
= 1,70
∑ uˆ
i =1
2
i

(vezi tabelul afişat de programul EViews)

Astfel modelul estimat devine:

yˆi = 9,2903 + 0,6378 xi ; R = 0,973

(5,2314) (0,0286) d = 1,70
suˆ = 9,183
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

b) Verificarea ipotezelor de fundamentare a metodei celor mai mici

pătrate (M.C.M.M.P) şi a verosimilităţii modelului.
b1) Prima ipoteză, referitoare la calitatea datelor înregistrate se
consideră rezolvată în etapa de prelucrare a datelor observate statistic.
b2) Ipoteza de homoscedasticitate, M ( u$ i ) = 0, σ 2u$i = ct , ( ∀)i = 1, n va
fi verificată cu ajutorul următoarelor metode şi teste:
b2.1) Procedeul grafic - care constă în construirea corelogramei
privind valorile variabilei factoriale x şi ale variabilei reziduale u (vezi
Figura 2.2.2).

u
20

15

10

0 x
70 90 110 130 150 170 190 210 230 250 270
-5

-10

-15

-20

Figura 2.2.2

Deoarece graficul punctelor empirice prezintă o distribuţie oscilantă,

se poate accepta ipoteza că cele două variabile sunt independente şi nu
corelate.

b2.2) Metoda analizei dispersionale (variaţiei)

Cele două restricţii corespunzătoare ipotezei, menţionate anterior, se
realizează dacă variabila reziduală u şi variabila explicativă x sunt
independente. Pe această premisă se fundamentează utilizarea metodei
analizei variaţiei la acceptarea sau respingerea ipotezei de
homoscedasticitate.
 Econometrie. Studii de caz

Metoda analizei variaţiei porneşte de la relaţia:

n n n n n

∑( yi − y)2 = ∑[( yˆi − y) + ( yi − yˆi )]2 = ∑( yˆi − y)2 + ∑( yi − yˆi )2 + 2∑( yˆi − y)( yi − yˆi )
i =1 i =1 i =1 i =1 i =1

Deoarece V = V + V , adică variaţia totală a variabilei y

0
2
x
2
u
2

⎛ 2 n
2⎞
⎜V0 = ∑ ( y i − y ) ⎟ este egală cu variaţia lui y generată de influenţa
⎝ i =1 ⎠
⎛ n
2⎞
variabilei x ⎜Vx2 = ∑ ( yˆ i − y ) ⎟ la care se adaugă variaţia lui y provocată de
⎝ i =1 ⎠
⎛ 2 n
2⎞
factori aleatori ⎜Vu = ∑ ( yi − yˆi ) ⎟ , rezultă că termenul
⎝ i =1 ⎠
n
2∑ ( yˆ i − y )( yi − yˆ i ) = 0 .
i =1

Ştiind că:
uˆi = yi − yˆ i
yˆ i = a + bxi
y = a + bx
relaţia de mai sus devine:
n n n
n
2∑ ( yˆi − y )( yi − yˆi ) = 2∑ (a + bxi − a − bx )ui = 2b∑ ( xi − x )ui =
i =1 i =1 i =1 n
= 2nb cov( x, u )
n
Deci termenul 2∑ ( yˆ i − y )( yi − yˆ i ) = 0 numai dacă cele două
i =1

variabile x şi u sunt independente, respectiv cov( u, x) = 0, b ≠ 0 .

Pe baza calculelor efectuate (vezi tabelul 2.2.2., coloanele 3, 5, 6),
( )
deoarece ∑ xi − x ui = 0 , se deduce că cele două variabile x şi u sunt
independente, deci ipoteza de homoscedasticitate este verificată.
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

b2.3) Estimarea unei matrici a covarianţelor corspunzătoare

estimatorilor parametrilor modelului2 adecvată aplicării M.C.M.M.P. în
cazul unui model conţinând erori heteroscedastice
Heteroscedasticitatea erorilor implică faptul că dispersiile
corespunzătoare erorilor nu mai sunt egale, ci diferite, caz în care estimatorii
parametrilor modelului rămân nedeplasaţi, dar nu mai sunt eficace. Astfel,
aplicarea M.C.M.M.P. va conduce la o subestimare a parametrilor
modelului, influenţând sensibil şi calitatea diferitelor teste statistice aplicate
modelului.
În cazul unui model multifactorial, vectorul estimatorilor
parametrilor modelului se calculează, matriceal, cu ajutorul relaţiei:
Bˆ = ( X ′X ) ⋅ ( X ′Y ) . Matricea varianţelor şi covarianţelor corespunzătoare
−1

acestuia este de forma: V (B ) = σ u2 ⋅ ( X ′X ) 3. Acest mod de calcul al

−1

matricei varianţelor şi covarianţelor este valabil doar în cazul în care

aplicarea M.C.M.M.P. conduce la obţinerea de estimatori eficienţi,
convergenţi şi nedeplasaţi, deci ipotezele corespunzătoare acestei metode au
fost verificate în prealabil. În cazul unor erori heteroscedastice, a căror
formă este, în general, necunoscută, este posibil, ca prin aplicarea metodei
regresiei ponderate în vederea eliminării heteroscedasticităţii erorilor, să nu
se obţină estimatori consistenţi. White a arătat că este posibil să se calculeze
un estimator adecvat al matricii covarianţelor corespunzătoare estimatorilor
parametrilor modelului, chiar dacă există o relaţie de dependenţă între
erorile heteroscedatice şi variaibilele exogene incluse în model, pe care a
denumit-o matricea covarianţelor estimatorilor consistenţi heteroscedastici
(HCCME), de forma:

n ⎛ n ⎞
VW (B ) = ( X ′X )−1 ⎜⎜ u i2 xi xi ′ ⎟⎟( X ′X )−1
∑
n−k ⎝ i =1 ⎠

2
Vezi Wiliam H. Greene, Econometric Analysis, 2nd ed., Macmillan, New York, 1993,
p. 384-392.
3
vezi demonstraţie op. cit., p. 182.
 Econometrie. Studii de caz

unde:
n = numărul de observaţii;
k = numărul regresorilor;
ui= variabila reziduală.
Prin aplicarea acestei matrici, estimaţiile punctuale ale parametrilor
nu vor suferi modificări, ci doar abaterile standard corespunzătoare
parametrilor. Utilizarea acestei matrici va permite observarea mai rapidă a
prezenţei fenomenului de heteroscedasticitate a erorilor. Astfel, abaterile
standard vor putea fi mai mari sau mai mici comparativ cu cele obţinute în
cazul modelului iniţial, iar valorile mai mici înregistrate de testul Student, t,
vor semnaliza faptul că estimatorii parametrilor sunt nesemnificativi, deci
posibila prezenţă a erorilor heteroscedastice.
Utilizând pachetul de programe EViews, în vederea exemplificării
calculării abaterilor standard şi dispersiilor heteroscedastice corectate cu
ajutorul metodei lui White au fost obţinute următoarele rezultate:

Dependent Variable: yi
Method: Least Squares
Sample: 1 30
Included observations: 30
White Heteroskedasticity-Consistent Standard Errors & Covariance
Variable Coefficient Std, Error t-Statistic Prob.
C 9,2903 4,4378 2,0934 0,0455
xi 0,6378 0,0298 21,3818 0,0000
R-squared 0,9466 Mean dependent var 119,7333
Adjusted R-squared 0,9447 S.D. dependent var 39,0613
S.E. of regression 9,1830 Akaike info criterion 7,3369
Sum squared resid 2361,1530 Schwarz criterion 7,4303
Log likelihood -108,0538 F-statistic 496,7183
Durbin-Watson stat 1,7023 Prob(F-statistic) 0,0000

Comparând rezultatele estimării obţinute în ambele cazuri, se

constată că abaterea standard corespunzătoare termenului liber, utilizând
matricea covarianţelor estimatorilor consistenţi heteroscedastici, este mai
mică decât cea obţinută în cazul modelului iniţial, estimatorul acestui
parametru fiind semnificativ în această situaţie, comparativ cu modelul
iniţial, în care era nesemnificativ.
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

b2.3) Testul Goldfeld-Quandt4

Acest test se poate aplica atunci când se dispune de serii lungi de
date şi când una dintre variabile reprezintă cauza heteroscedasticităţii (între
dispersia variabilei reziduale heteroscedastică şi variabila exogenă există o
relaţie de dependenţă pozitivă), şi presupune parcurgerea următoarelor
etape:
- ordonarea crescătoare a observaţiilor în funcţie de variabila
exogenă x;
- eliminarea a c observaţii centrale, c fiind specificat a priori. În
privinţa numărului de observaţii omise, c, au fost emise diverse opinii. În
cazul unui model unifactorial, Goldfeld şi Quandt, în urma efectuării
experimentelor Monte-Carlo, au propus ca c să fie aproximativ egal cu 8 în
cazul în care mărimea eşantionului este de aproximativ 30 de observaţii şi
16, dacă eşantionul cuprinde 60 de observaţii. Judge şi colaboratorii săi
menţionează faptul că, în cazul în care c=4 pentru n=30 şi c=10 pentru
n≈60, se obţin rezultate mai bune. În general, se consideră că c trebuie să
reprezinte o treime sau un sfert din numărul total de observaţii.
- efectuarea de regresii aplicând M.C.M.M.P. asupra celor două sub-
eşantioane de dimensiune (n-c)/2 şi calcularea sumei pătratelor erorilor
pentru fiecare subeşantion în parte;
- calcularea raportului dintre sumele pătratelor erorilor sau
dispersiilor acestora, corespunzătoare celor două subeşantioane (suma
pătratelor erorilor având valoarea cea mai mare fiind plasată la numărător):
⎛ (n − c )
(n − c ) / 2
⎞
∑ u12 / ⎜ − (k + 1)⎟
su21 ⎝ 2 ⎠
F* = = i =n1
su22 ⎛ (n − c ) ⎞
∑ u22 / ⎜ − (k + 1)⎟
i=
( n − c ) +1 ⎝ 2 ⎠
2

unde: k = numărul variabilelor exogene.

Presupunând că erorile sunt normal distribuite, atunci raportul F*

urmează o distribuţie F cu v1 = v2 =
(n − c ) − (k + 1) grade de libertate.
2

4
cf. Damodar N. Gujarati, Basic Econometrics, 3rd ed., Mc Graw-Hill, New York, 1995,
p. 374-375.
 Econometrie. Studii de caz

- dacă F* > F ⎛ ( n−c ) ⎞ ⎛ ( n−c ) ⎞ , atunci ipoteza de

α; ⎜ −( k +1) ⎟;⎜ −( k +1) ⎟
⎝ 2 ⎠⎝ 2 ⎠

homoscedasticitate este infirmată, deci erorile sunt heteroscedastice;

- dacă F < F ⎛ (n−c)
*
⎞ ⎛ ( n−c ) ⎞ ipoteza de homoscedasticitate
α; ⎜ −( k +1) ⎟;⎜ −( k +1) ⎟
⎝ 2 ⎠⎝ 2 ⎠

este acceptată.
Pentru a aplica acest test au fost ordonate crescător valorile
variabilei exogene x şi, corespunzător acestora, şi cele ale variabilei
dependente y (vezi tabelul 2.2.2 coloanele 7, 8) şi au fost eliminate 4
observaţii situate în centrul eşantionului (vezi observaţiile din coloana 8,
corespunzătoare variabilei x, evidenţiate prin caractere aldine), rezultând
două subeşantioane a câte 13 observaţii fiecare.
În urma aplicării programului EViews, rezultatele estimării,
corespunzătoare celor două subeşantioane, au fost următoarele:

yˆ1i = 3,4904 + 0,6968 xi ; R 2 = 0,8887

(8,7049) (0,0744) ∑u 2
1i = 377,17
v1 = 11
yˆ 2i = −28,0272 + 0,7941 xi ; R 2 = 0,7681
(30,6421) (0,1319) ∑u 2
2i = 1536,8
v2 = 11

=∑
2
u v2 1536,8 11
F * 2i
= = 4,07
∑u 2
1i v1 377,17 11

Analizând rezultatele obţinute se constată că, pentru un prag de

semnificaţie α = 0,05, F * = 4,07 > F0,05;11;11 = 2,82 , deci erorile sunt
heteroscedastice, în timp ce, pentru un prag de semnificaţie α = 0,01,
F * = 4,07 < F0,01;11;11 = 4,46 putem considera că ipoteza de
homoscedasticitate se verifică.
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

b2.4) Testul Park5

Testul propus de Park se bazează pe existenţa unei relaţii de
dependenţă între dispersia corespunzătoare erorilor heteroscedastice şi
variabila exogenă x de forma: σ u2i = σ 2 xib e ωi . Acest model neliniar poate fi
transformat într-un model liniar prin logaritmare:

ln σ u2i = ln σ 2 + b ln xi + ω i
unde:
ωi = variabila reziduală, ce verifică ipotezele corespunzătoare M.C.M.M.P.
Ca urmare a faptului că valoarea dispersiei erorilor heteroscedastice
este necunoscută, aceasta a fost înlocuită cu pătratul erorilor, uˆ i2 în cadrul
modelului liniarizat prin logaritmare:
ln uˆ i2 = ln σ 2 + b ln xi + ω i = β + b ln xi + ω i
În situaţia în care parametrul b corespunzător variabilei exogene este
nesemnificativ ipoteza de homoscedasticitate a erorilor este verificată, cazul
contrar indicând existenţa heteroscedasticităţii.
În vederea verificării existenţei heteroscedasticităţii erorilor vom
logaritma pătratul erorilor calculate în cazul modelului iniţial pe care le vom
regresa în funcţie de valorile logaritmate ale variabilei exogene xi (vezi
tabelul 2.2.2 coloanele 9 şi 10). În urma aplicării programului EViews au
fost obţinute următoarele rezultate:
ln uˆ i2 = 1,014 + 0,3359 ln xi ; R 2 = 0,002
(7,2749) (1,4252)
Pentru a verifica semnificaţia estimatorului parametrului
corespunzător variabilei exogene a fost utilizat testul Student, t, respectiv:
bˆ 0,3359
t bˆ = = = 0,2357 < t 0, 05; 28 = 2,048 , care indică faptul că
sbˆ 1,4252
estimatorul parametrului b este nesemnificativ, deci erorile sunt
homoscedastice.

5
cf. op. cit., p. 369-370.
 Econometrie. Studii de caz

b2.5) Testul Glejser6

Acest test se bazează pe bazează pe relaţia dintre erorile estimate în
urma aplicării MC.M.M.P. asupra modelului iniţial şi variabila explicativă
presupusă a fi cauza heteroscedasticităţii.
Testul Glejser prezintă o serie de puncte comune cu testul precedent,
respectiv, după calcularea erorilor în urma aplicării MC.M.M.P., valoarea
absolută a acestora este regresată în funcţie de valorile variabilei exogene
utilizându-se în acest scop următoarele forme de exprimare corespunzătoare
celor două variabile:
I. uˆ i = a + bxi + ω i
În această situaţie heteroscedasticitatea este de tipul: σ u2i = λ2 xi2 , caz
în care va fi aplicată regresia ponderată asupra datelor iniţiale, care vor fi
yi a1 u
împărţite la xi , rezultând astfel un model de forma: = + b1 + i
xi xi xi
II. uˆ i = a + b xi + ω i
În această situaţie heteroscedasticitatea este de tipul: σ u2i = λ2 xi , caz
în care va fi aplicată regresia ponderată asupra datelor iniţiale, care vor fi
împărţite la xi , rezultând astfel un model de forma:
yi a1 ui
= + b1 xi + .
xi xi xi
1
III. uˆ i = a + b + ωi
xi
În această situaţie heteroscedasticitatea este de tipul: σ u2i = λ2 xi−2 .
1
IV. uˆ i = a + b + ωi
xi
V. uˆ i = a + bxi + ω i

VI. uˆ i = a + bxi2 + ω i

6
cf. op. cit., p. 371-372.
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Verificarea homoscedasticităţii erorilor presupune, ca şi în cazul

testului precedent, verificarea semnificaţiei parametrului corespunzător
variabilei exogene. Aplicarea acestui test conduce la rezultate semnificative
în cazul unor eşantioane de dimensiuni mari, iar în cazul celor de
dimensiuni mici este pur teoretică, aşa cum menţionează însuşi autorul.
De menţionat faptul că ultimele două modele nu pot fi estimate cu
ajutorul M.C.M.M.P.
Rezultatele estimării primelor patru modele, calculate cu ajutorul
pachetului de programe EViews (vezi date în tabelul 2.2.2.- coloanele 11,
12, 13 şi 14) sunt următoarele:

uˆ i = 0,6343 + 0,0085 xi ; R 2 = 0,0787

t= (0,6335) (1,5467 )
uˆ i = −0,7273 + 0,2182 xi ; R 2 = 0,0792
t= (0,3929) (1,5516)
1
uˆ i = 3,3517 − 189,9522 ; R 2 = 0,0729
xi
t= (3,7148) (1,4836)
1
uˆ i = 4,7087 − 32,6958 ; R 2 = 0,0761
xi
t= (2,6961) (1,5181)

Aşa cum se poate observa, nici unul dintre estimatorii parametrului

corespunzător variabilei exogene din cadrul modelelor prezentate mai sus nu
este semnificativ pentru un prag de semnificaţie de 5%, deci ipoteza de
homoscedasticitate este verificată.

b2.6) Testul Breusch-Pagan-Godfrey (BPG)7

Acest test are în vedere modelul multifactorial liniar de forma:
yi = b0 + b1 x1i + b2 x2i + …+ bk x ki + ui

7
cf. op. cit., p. 377-378.
 Econometrie. Studii de caz

plecând de la ipoteza potrivit căreia dispersia corespunzătoare erorilor

heteroscedastice este dependentă de o serie de variabile factoriale zi. În locul
acestor variabile pot fi utilizate câteva sau toate variabilele exogene ce
intervin în modelul iniţial. Se presupune, de asemenea, că între dispersia
corespunzătoare erorilor heteroscedastice şi variabilele factoriale zi există o
relaţie de dependenţă liniară, respectiv:
σ u2 = β 0 + β 1 z1i + β 2 z 2i + K + β m z mi
i

Verificarea homoscedasticităţii dispersiei presupune verificarea

ipotezei nulităţii parametrilor corespunzători variabilelor factoriale, caz în
care σ u2i = β 0 = ct.
Aplicarea acestui test constă în:
- calculul valorilor variabilei reziduale prin aplicarea M.C.M.M.P.
asupra modelului iniţial;
- calculul estimatorului de maximă verosimilitate corespunzător

dispersiei variabilei reziduale homoscedastice: σˆ u2 = ∑ uˆ i2

;
i
n
uˆ i2
- construirea unei variabile de forma: θ i = şi regresarea acesteia
σˆ u2i
în funcţie de variabilele factoriale zi, ce pot fi înlocuite cu variabilele
exogene xi din modelul original, respectiv:
θ i = β 0 + β 1 x1i + β 2 x 2i + K + β m x mi + ω i
unde:
ωi = variabila reziduală.
- calculul sumei pătratelor explicată de model, notată cu SSR, şi
SSR
calculul unei variabile H de forma: H = .
2
Presupunând că erorile sunt normal distribuite, şi că ne aflăm în
situaţia unui eşantion de volum mare, variabila H este asimptotic distribuită
sub forma unui χ α2 ;v , pentru care numărul gradelor de libertate este egal cu:
v = m − 1 , unde m = numărul parametrilor modelului, respectiv: H~ χ α2 ;v .
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Dacă H > χ α2 ;v , erorile sunt heteroscedastice, în caz contrar, sunt

homoscedastice.

Rezultatele estimării modelului iniţial sunt următoarele:

yˆi = 9,2903 + 0,6378 xi ; R = 0,973
(5,2314) (0,0286) d = 1,70
suˆ = 9,183
Valoarea calculată a estimatorului de maximă verosimilitate
corespunzător dispersiei variabilei reziduale homoscedastice este:

σˆ u2 = ∑ uˆ 2
2361,53
i
=
= 78,7051
i
n 30
In urma calculării variabilei θi (vezi tabelul 2.2.2, coloana 15) şi a
regresării acesteia în funcţie de variabila exogenă xi au fost obţinute
următoarele rezultate:
θˆ = −0,7426 + 0,0101 x ; R 2 = 0,18
i i

(0,7529) (0,0041)
Valoarea calculată a variabilei H este:

H=
SSR ∑ θˆi − θ
=
2

=
( )
10,428
= 5,214
2 2 2
Comparând valoarea calculată a variabilei H cu valoarea teoretică a
lui hi-pătrat în funcţie de un prag de semnificaţie de α = 0,05 şi respectiv
α = 0,01 şi de numărul gradelor de libertate v = m − 1 = 1 , se constată că
H = 5,214 > χ 02,05;1 = 3,8414 pentru α = 0,05 , deci erorile sunt
heteroscdastice, dar, pentru α = 0,01 , H = 5,214 < χ 02,01;1 = 6,6349 , ceea ce
înseamnă că ipoteza de homoscedasticitate a erorilor poate fi acceptată.
Se constată astfel că am ajuns la aceeaşi concluzie ca şi în cazul
testului Goldfeld-Quandt.
Trebuie să ţinem însă seama de faptul că testul BPG este un test
asimptotic, valabil în cazul unui eşantion de volum mare, iar în cazul de
faţă, respectiv 30 de observaţii, acesta nu poate reprezenta un eşantion de
volum mare.
 Econometrie. Studii de caz

b2.7) Testul White8

Aplicarea testului White presupune parcurgerea următoarelor etape:
- estimarea parametrilor modelului iniţial şi calculul valorilor
estimate ale variabilei reziduale, u;
- construirea unei regresii auxiliare, bazată pe prespunerea existenţei
unei relaţii de dependenţă între pătratul valorilor erorii, variabila exogenă
inclusă în modelul iniţial şi pătratul valorilor acesteia:

uˆi2 = α 0 + α1 xi + α 2 x 2i + ω i
şi calcularea coeficientului de determinare, R2, corespunzător acestei regresii
auxiliare;
- verificarea semnificaţiei parametrilor modelului nou construit, iar
dacă unul dintre aceştia este nesemnificativ, atunci ipoteza de
heteroscedasticitate a erorilor este acceptată.
Există două variante de aplicare a testului White:
- utilizarea testului Fisher –Snedecor clasic, bazat pe ipoteza nulităţii
parametrilor, respectiv:

H0: α 0 = α1 = α 2 = 0
Dacă ipoteza nulă, potrivit căreia rezultatele estimării sunt
nesemnificative ( Fc < Fα ;v1 ;v2 ), este acceptată, atunci ipoteza de
homoscedasticitate se verifică, cazul contrar semnificând prezenţa
heteroscedasticităţii erorilor.
- utilizarea testului LM, calculat ca produs între numărul de
observaţii corespunzătoare modelului, n, şi coeficientul de determinare, R2,
corespunzător acestei regresii auxiliare. În general, testul LM este
asimptotic distribuit sub forma unui χ α2 ;v , pentru care numărul gradelor de
libertate este egal cu: v = k , unde k = numărul variabilelor exogene,
respectiv:

LM = n ⋅ R 2 ~ χ α2 ;v

8
cf. op. cit., p. 379.
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Dacă LM > χ α2 ;v , erorile sunt heteroscedastice, în caz contrar, sunt

homoscedastice, respectiv ipoteza nulităţii parametrilor, α 0 = α1 = α 2 = 0 ,
este acceptată.

Aplicarea testului White s-a realizat utilizând pachetul de programe

EViews:

White Heteroskedasticity Test:

F-statistic 2,9173 Fc Probability 0,0713 p (F )
Obs*R-squared 5,3309 LM Probability 0,0696 p(LM )

Test Equation:
Dependent Variable: u i2
Method: Least Squares
Sample: 1 30
Included observations: 30
Variable Coefficient Std. Error t-Statistic Prob.
C -12,2962 191.7731 -0,0641 0,9493
xi 0,1974 2.3688 0,0833 0,9342
xi2 0,0017 0.0067 0,2535 0,8018
R-squared 0,1777 Mean dependent var 78,7051
Adjusted R-squared 0,1168 S.D. dependent var 112,5823
S.E. of regression 105,8043 Akaike info criterion 12,2557
Sum squared resid 302252,70 Schwarz criterion 12,3958
Log likelihood -180,8355 F-statistic 2,9173
Durbin-Watson stat 0,7913 Prob(F-statistic) 0,0713

Analizând rezultatele afişate de programul EViews se constată că

Fc = 2,9173 < F0,05; 2; 27 = 3,35 şi LM = 5,3309 < χ 02,05; 2 = 5,99147 , iar
parametrii modelului sunt nesemnificativi, deci ipoteza de
homoscedasticitate se verifică în cazul aplicării acestor teste. Trebuie să
ţinem însă seama de faptul că testul LM este un test asimptotic, valabil în
cazul unui eşantion de volum mare, iar în cazul de faţă, respectiv 30 de
observaţii, acesta nu poate reprezenta un eşantion de volum mare.
Deoarece majoritatea testelor prezentate mai sus sunt valabile în
cazul în care erorile sunt normal distribuite, în vederea verificării acestei
 Econometrie. Studii de caz

ipoteze va fi aplicat testul Jarque-Berra9, care este şi el un test asimptotic

(valabil în cazul unui eşantion de volum mare), ce urmează o distribuţie hi
pătrat cu un număr al gradelor de libertate egal cu 2, având următoarea
formă:
⎡ S 2 (K − 3)2 ⎤
JB = n ⎢ + 2
⎥ ~ χ α ;2
⎣6 24 ⎦
unde:
n = numărul de observaţii;
S = coeficientul de asimetrie (skewness), ce măsoară simetria distribuţiei erorilor
în jurul mediei acestora, care este egală cu zero, având următoarea
relaţie de calcul:

1 n
(
∑ yi − y
n i =1
)
3

S=
σ3
K = coeficientul de aplatizare calculat de Pearson (kurtosis), ce măsoară boltirea
distribuţiei (cât de „ascuţită” sau de aplatizată este distribuţia
comparativ cu distribuţia normală), având următoarea relaţie de calcul:

1 n
(
∑ yi − y
n i =1
)
4

K=
σ4
Testul Jarque-Berra se bazează pe ipoteza că distribuţia normală are
un coeficient de asimetrie egal cu zero, S = 0, şi un coeficient de aplatizare
egal cu trei, K = 3.
Dacă probabilitatea p(JB) corespunzătoare valorii calculate a testului
este suficient de scăzută, atunci ipoteza de normalitate a erorilor este
respinsă, în timp ce, în caz contrar, pentru un nivel suficient de ridicat al
probabilităţii ipoteza de normalitate a erorilor este acceptată, sau dacă
JB > χ α2 ; 2 , atunci ipoteza de normalitate a erorilor este respinsă.

9
EViews, User Guide,Version 2.0, QMS Quantitative Micro Software, Irvine, California,
1995, p. 140-141.
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Utilizând pachetul de programe EViews în vederea calculării testului

Jarque-Berra (vezi figura 2.2.3.) se constată că
JB = 0,6452 < χ 02,05; 2 = 5,9915 şi că p(JB) = 0,7242, respectiv probabilitatea
ca testul J-B să nu depăşească valoarea tabelată a lui χ α2 ; 2 , este suficient de
mare pentru ca ipoteza de normalitate a erorilor să fie acceptată.

10
Series: Residuals
Sample 1 30
8 Observations 30

Mean -1.86E-14
6 Median 0.880779
Maximum 20.26355
Minimum -18.98076
4 Std. Dev. 9.023252
Skewness -0.359065
Kurtosis 2.977931
2
Jarque-Bera 0.645247
Probability 0.724246
0
-20 -15 -10 -5 0 5 10 15 20 25

Figura 2.2.3

Pe baza rezultatelor obţinute, pentru un prag de semnificaţie de 5%,

în cazul aplicării testelor Breusch-Pagan-Godfrey şi Goldfeld-Quandt, vom
presupune că fenomenul de heteroscedasticitate există, acesta afectând
calitatea estimatorilor, respectiv aceştia nu mai sunt eficienţi (dispersie
minimă).
Eliminarea fenomenului de heteroscedasticitate se poate face cu
ajutorul metodei regresiei ponderate. Această metodă presupune efectuarea
următoarelor operaţii:
1) Ecuaţia modelului y i = a1 + b1 x i + ui se împarte la x i , rezultând
yi a1 u
modelul = + b1 + i .
xi xi xi
 Econometrie. Studii de caz

1 y u
2) Notând cu = v i , i = zi , i = wi , se obţine modelul
xi xi xi
zi = a1 v i + b1 + wi , ai cărui parametrii se vor estima cu ajutorul
M.C.M.M.P.

( ) ( )
30 30
F aˆ1 , bˆ1 = min ∑ ( zi − zˆi ) = min ∑ zi − aˆ1vi − bˆ1
2 2

i =1 i =1

Condiţia de minim a acestei funcţii rezultă din:

F ′(aˆ1 ) = 0 ⇒ bˆ1 ∑ vi + aˆ1 ∑ vi2 = ∑ zi vi ⎧⎪ nbˆ1 + aˆ1 ∑ vi = ∑ zi

()
F ′ bˆ1 = 0 ⇒ nbˆ1 + aˆ1 ∑ vi = ∑ zi
⇔⎨
⎪⎩bˆ1 ∑ vi + aˆ1 ∑ vi = ∑ zi vi
2

În urma aplicării programului EViews, rezultatele estimării

modelului, utilizând metoda regresiei ponderate, au fost următoarele:

Dependent Variable: zi
Method: Least Squares
Sample: 1 30
Included observations: 30
Variable Coefficient Std. Error t-Statistic Prob.
vi 10,2790 3,7827 2,7174 0,0112
C 0,6319 0,0267 23,7034 0,0000
R-squared 0,2087 Mean dependent var 0,6995
Adjusted R-squared 0,1804 S.D. dependent var 0,0575
S.E. of regression 0,0521 Akaike info criterion -3,0074
Sum squared resid 0,0760 Schwarz criterion -2,9140
Log likelihood 47,1105 F-statistic 7,3840
Durbin-Watson stat 1,7064 Prob(F-statistic) 0,0112

Pe baza calculelor prezentate mai sus rezultă modelul:

zˆ i = 10,279 vi + 0,6319; R = 0,4568

(3,7827 ) (0,0267 ) d = 1,71
s wˆ = 0,0521
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Calităţile acestui model rezultă în urma efectuării următoarelor

operaţii:
- verificarea ipotezei de homoscedaticitate prin calculul testului
White, utilizând pachetul de programe EViews:

White Heteroskedasticity Test:

F-statistic 3,3370 Probability 0,0507
Obs*R-squared 5,9458 Probability 0,0512

Test Equation:
Dependent Variable: wi2
Method: Least Squares
Sample: 1 30
Included observations: 30
Variable Coefficient Std. Error t-Statistic Prob.
C 0,0084 0,0039 2,1919 0,0372
vi -2,0525 1,1178 -1,8361 0,0774
vi2 152,9709 72,8625 2,0994 0,0453

R-squared 0,1982 Mean dependent var 0,0025

Adjusted R-squared 0,1388 S.D. dependent var 0,0026
S.E. of regression 0,0024 Akaike info criterion -9,1115
Sum squared resid 0,0002 Schwarz criterion -8,9714
Log likelihood 139,6732 F-statistic 3,3370
Durbin-Watson stat 1,4675 Prob(F-statistic) 0,0507

În urma analizării rezultatelor afişate de programul EViews se

constată că Fc = 3,337 < F0, 05; 2; 27 = 3,35 şi LM = 5,9458 < χ 02,05; 2 = 5,99147 ,
iar parametrii modelului sunt nesemnificativi, deci ipoteza de
homoscedasticitate se verifică în cazul aplicării acestor teste.
- verificarea ipotezei de independenţă a valorilor variabilei reziduale,
w, prin calculul variabilei Durbin-Watson:
30

∑ (wˆ i − wˆ i −1 )
2

d= i =2
30
= 1,71
∑ wˆ
i =1
2
i
 Econometrie. Studii de caz

Pentru un prag de semnificaţie α = 0,05 , din tabela distribuţiei

Durbin-Watson se citesc valorile (pentru cazul n = 30 )
d1 = 1,35, d 2 = 1,49 .

Deoarece d 2 = 1,49 < d = 1,71 < 4 − d 2 = 2,51 , se poate accepta

ipoteza de independenţă a valorilor variabilei reziduale.
- verificarea ipotezei de normalitate a erorilor
Utilizând pachetul de programe EViews în vederea calculării testului
Jarque-Berra (vezi figura 2.2.4.) se constată că JB = 1,3427 < χ 02,05; 2 = 5,9915
şi că p(JB) = 0,511, respectiv probabilitatea ca testul J-B să nu depăşească
valoarea tabelată a lui χ α2 ; 2 , este suficient de mare pentru ca ipoteza de
normalitate a erorilor să fie acceptată.

12
Series: Residuals
Sample 1 30
10 Observations 30

8 Mean -1.30E-16
Median 0.005397
Maximum 0.087252
6
Minimum -0.084660
Std. Dev. 0.051183
4 Skewness -0.181266
Kurtosis 2.029036
2
Jarque-Bera 1.342749
Probability 0.511006
0
-0.10 -0.05 0.00 0.05 0.10
Figura 2.2.4

- verificarea semnificaţiei estimatorilor parametrilor modelului

Estimatorii parametrilor modelului sunt semnificativ diferiţi de zero,
cu un prag de semnificaţie α = 0,05 , dacă se verifică următoarele relaţii:
aˆ1
t aˆ1 = > tα ;n − k −1 ⇔ t aˆ1 = 2,7174 > t 0, 05; 28 = 2,048
s aˆ1

bˆ1
t bˆ = > tα ;n − k −1 ⇔ t bˆ = 23,7034 > t 0,05; 28 = 2,048
1
sbˆ 1
1
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

unde:
k = numărul variabilelor explicative.
În urma efectuării calculelor de mai sus se constată faptul că ambii
estimatori, a$ şi b$ , sunt semnificativ diferiţi de zero, cu un prag de
1 1

semnificaţie α = 0,05 .

- verificarea semnificaţiei raportului de corelaţie

R z / v = R 2 = 0,2087 = 0,4568
Verificarea semnificaţiei raportului de corelaţie se realizează cu
ajutorul testului Fisher-Snedecor:
R2
Fc = ( n − 2) ≥ Fα ;k ;n − k −1
1− R2
F0, 05;1; 28 = 4,20
Fc = 7,384 > F0,05;1; 28 = 4,20

Deci raportul de corelaţie este semnificativ diferit de zero, cu un

prag de semnificaţie α = 0,05 .
În final, modelul estimat prin metoda regresiei ponderate se
transformă în modelul iniţial prin înmulţirea fiecărui termen cu xi:
y 1
zˆ i = 10,279vi + 0,6319 ⇒ i = 10,279 + 0,6319 ⇒ yˆ i′ = 10,279 + 0,6319xi
xi xi
Şi în cazul acestui model vom repeta o parte din operaţiile realizate
pentru cel anterior pentru a-i verifica calităţile:
- calculul abaterilor medii pătratice ale estimatorilor:
∑ (y − yˆ i′ )
2
i2364,7933
s 2
uˆ ′ = =
= 84,4569 ⇒ suˆ′ = 9,19
n − k −1 30 − 2
(vezi tabelul nr. 2.2.2., coloanele 23, 24, 25)
 Econometrie. Studii de caz

⎡1 x2 ⎤ ⎡ 2 ⎤
s a2ˆ2 = su2ˆ′ ⋅ ⎢ + ⎥ = 84,4569 ⋅ ⎢ 1 + 173,17 ⎥ = 27,4096 ⇒ s aˆ2 = 5,2354
⎢n
⎣ ∑ ( xi − x ) ⎦
2⎥
⎢⎣10 102974,1667 ⎥⎦
2
s uˆ ′ 84,4569
s b2ˆ = = = 0,0008 ⇒ s bˆ = 0,0286
∑ (x − x)
2
2
i
102974,1667 2

aˆ2 10,279
taˆ 2 = = = 1,9634 < t0,05; 28 = 2,048
saˆ 2 5,2354

bˆ2 0,6319
t bˆ = = = 22,0635 > t 0, 05; 28 = 2,048
2
sbˆ 0,0286
2

Se constată că doar b$2 este semnificativ diferit de zero, cu un prag

de semnificaţie α = 0,05 , în timp ce a$ 2 este nesemnificativ.
- calculul raportului de corelaţie:

∑ ( y − yˆ ′ )
2
i i 2364,7933
Ry / x = 1 − = 1− = 0,9466 = 0,9729
∑(y − y)
2
i
44247,8667
(vezi tabelul nr. 2.2.2, coloana 28)

0,9466
Fc = 28 ⋅ = 495,911 > F0,05;1; 28 = 4,20
1 − 0,9466

Deci raportul de corelaţie este semnificativ diferit de zero, cu un

prag de semnificaţie α = 0,05.
În concluzie, modelul de mai jos este corect specificat, identificat şi
estimat:

yˆ i′ = 10,279 + 0,6319 xi ; R = 0,973

(5,2354) (0,0286) suˆ ′ = 9,19
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

2.1.3 Model liniar unifactorial cu autocorelarea erorilor

Se cunosc următoarele date privind consumul final real al

gospodăriilor populaţiei şi PIB-ul real în România, în perioada 1990-2003,
exprimate în miliarde lei preţuri comparabile (1990=100):

Tabelul 2.3.1
Consumul final real al
PIB
gospodăriilor populaţiei
Anul ([Link] preţuri comparabile)
([Link] preţuri comparabile)
(1990=100)
(1990=100)
0 1 2
1990 557,7 857,9
1991 467,4 746,8
1992 432,1 681
1993 435,9 691,3
1994 447,3 718,2
1995 505,3 769,3
1996 545,7 799,5
1997 525,7 750,7
1998 586,2 714,8
1999 579,8 706,1
2000 582,3 720,7
2001 610,7 761,7
2002 629,1 799,1
2003 673,7 838,3
Notă: Ambii indicatori sunt calculaţi conform metodologiei de calcul a Sistemului European al Conturilor
Economiei Integrate - SEC 1979. Consumul final al populaţiei a fost deflaţionat cu ajutorul deflatorului
consumului final al populaţiei exprimat în preţuri constante (1990 = 100), datele provenind de la Ministerul
Prognozei şi Dezvoltării, iar PIB-ul a fost deflaţionat cu ajutorul deflatorului PIB exprimat în preţuri constante
(1990 = 100), obţinut în urma prelucrării datelor din Raportul Anual BNR.
Sursa: Date prelucrate pe baza Anuarului Statistic al României 2003, INS, Bucureşti, 2004, p. 284, Raportului
Anual 2000, BNR, Bucureşti, 2001, p. 6*-7*, Raportului Anual 2002 BNR, Bucureşti, 2003, p. 4*-5*, Comunicatului
de Presă al INS nr.11/26.02.2004.

Se cere:
a) Să se construiască modelul econometric ce descrie legătura dintre
cele două variabile şi să se interpreteze semnificaţia parametrilor modelului;
b) Să se estimeze parametrii modelului şi să se verifice semnificaţia
acestora;
 Econometrie. Studii de caz

c) Ştiind că în anul 2004, valoarea PIB-ului real10 a fost egală cu

907,8 mild lei preţuri comparabile (1990=100), să se estimeze valoarea
consumului final real al gospodăriilor populaţiei în anul 2004 şi să se
verifice capacitatea de prognoză a modelului utilizat.

Rezolvare:

a) Notând cu y = consumul final real al gospodăriilor populaţiei şi cu

x = PIB-ul real, modelul econometric va fi de forma: y = f ( x) + u .
Pentru alegerea funcţiei matematice f ( x) se recurge la reprezentarea
grafică a celor două şiruri de valori.

y
670
650
630
610
590
570
550
530
510
490
470
450 x
430
670 685 700 715 730 745 760 775 790 805 820 835 850

Figura 2.3.1 Legătura dintre consumul final real al gospodăriilor populaţiei

şi PIB-ul real al României

10
Valoare estimată pe baza informaţiilor furnizate în cadrul Comunicatului de Presă al INS
nr. 12/11.03.2005 privind principalii indicatori conjuncturali în anul 2004 şi luna
ianuarie 2005.
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Deoarece graficul punctelor empirice indică faptul că distribuţia

poate fi aproximată cu o dreaptă, modelul econometric devine:

yt = a + bxt + ut ; t = 1,14

Semnificaţia economică a celor doi parametrii a şi b , ţinând cont de

semnificaţia celor două variabile (y - consumul final real al gospodăriilor
populaţiei şi x - PIB-ul real) este:
- parametrul a reprezintă în acest caz autoconsumul, deoarece
pentru x = 0 ⇒ y = a ;
- parametrul b reprezintă panta dreptei sau coeficientul de regresie
al consumului în funcţie de PIB, care măsoară creşterea consumului dacă
PIB-ul se modifică cu un miliard de lei.
b) Estimarea parametrilor modelului econometric de la punctul a) se
face cu ajutorul M.C.M.M.P.:

( ) ( )
14 14
F aˆ , bˆ = min ∑ ( y t − yˆ t ) = min ∑ yt − aˆ − bˆxt
2 2

t =1 t =1

F ′( a$ ) = 0 ⇒ na$ + b$∑ x t = ∑ y t

()
F ′ b$ = 0 ⇒ a$ ∑ x t + b$∑ x t2 = ∑ y t x t
⎧⎪14 aˆ + 10555 ,4bˆ = 7578 ,9
⇒⎨
⎪⎩10555 ,4 aˆ + 7996163 ,14bˆ = 5744734 ,07
(vezi tabelul 2.3.2, coloanele 2, 3, 4, 5).
 Econometrie. Studii de caz

Tabelul 2.3.2
Nr.
Anul xt yt x t2 xt yt uˆ t −1 uˆ t2−1 uˆ t uˆ t −1
crt.
0 1 2 3 4 5 6 7 8
1 1990 857,9 557,7 735992,41 478450,83 - - -
2 1991 746,8 467,4 557710,24 349054,32 -67,6095 4571.0382 4608,8583
3 1992 681 432,1 463761,00 294260,10 -68,1688 4646.9914 3430,1977
4 1993 691,3 435,9 477895,69 301337,67 -50,3191 2532.0160 2759,4477
5 1994 718,2 447,3 515811,24 321250,86 -54,8389 3007.3080 3573,7049
6 1995 769,3 505,3 591822,49 388727,29 -65,1673 4246.7772 3156,9084
7 1996 799,5 545,7 639200,25 436287,15 -48,4431 2346.7374 1571,3535
8 1997 750,7 525,7 563550,49 394642,99 -32,4371 1052.1637 422,3000
9 1998 714,8 586,2 510939,04 419015,76 -13,0191 169.4958 -995,6848
10 1999 706,1 579,8 498577,21 409396,78 76,4790 5849.0429 5897,0252
11 2000 720,7 582,3 519408,49 419663,61 77,1064 5945.4012 5228,8438
12 2001 761,7 610,7 580186,89 465170,19 67,8133 4598.6481 4278,7321
13 2002 799,1 629,1 638560,81 502713,81 63,0957 3981.0719 3235,9296
14 2003 838,3 673,7 702746,89 564762,71 51,2860 2630.2565 3293,7103
Total 10555,4 7578,9 7996163,14 5744734,07 - 45576,9481 40461,3270

Tabelul 2.3.2
(continuare)
yt* = yt − xt* = xt − yt* = yt − xt* = xt −
− 0,8878 yt −1 − 0,8878xt −1 − 0,9016 yt −1 − 0,9016 xt −1

9 10 11 12
- - - -
-27,7030 -14,8081 -35,4029 -26,6527
17,1616 18,0219 10,7085 7,7112
52,2995 86,7364 46,3337 77,3342
60,3260 104,4925 54,3078 94,9481
108,2056 131,7118 102,0299 121,7959
97,1156 116,5473 90,1392 105,9260
41,2501 40,9370 33,7159 29,8987
119,5053 48,3596 112,2472 37,9951
59,3959 71,5302 51,3025 61,6613
67,5776 93,8537 59,5726 84,1049
93,7582 121,8924 85,7186 111,9420
86,9458 122,8943 78,5142 112,3779
115,2111 128,8921 106,5254 117,8593
891,0494 1071,0611 795,7127 936,9018
 Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Utilizând pachetul de programe EViews în vederea estimării

parametrilor modelului au fost obţinute următoarele rezultate:

Dependent Variable: yt
Method: Least Squares
Sample: 1990 2003
Included observations: 14
Semnif. Semnif. Semnif.
Variable Coefficient Std. Error t-Statistic Prob.
ind. ind. ind.
C -67,6561 â 250,0188 saˆ -0,2706 t aˆ 0,7913 p(aˆ)

xt 0,8077 b̂ 0,3308 sbˆ 2,4416 tbˆ ()

0,0311 p bˆ

R-squared 0,3319 R2 Mean dependent var 541,35 y

Adjusted R-
0,2762 Rc2 S.D. dependent var 75,6474 sy
squared
S.E. of
64,3567 suˆ Akaike info criterion 11,2983 AIC
regression
Sum squared ∑ ( y t − yˆ t )2 =
49701,46 Schwarz criterion 11,3896 SC
resid = ∑ uˆ t2

Log
-77,0883 L F-statistic 5,9615 Fc
likelihood
Durbin-
0,1969 d Prob(F-statistic) 0,0311 p(F)
Watson stat

Semnificaţia indicatorilor necunoscuţi pe care-i calculează pachetul

de programe EViews a fost prezentată în cadrul aplicaţiei 2.1.2.
Pe baza estimatorilor parametrilor au fost calculate valorile estimate
ale variabilei y, yˆ t = −67,6561 + 0,8077 xt şi ale variabilei reziduale,
uˆt = yt − yˆt . Valorile acestora sunt prezentate în cadrul tabelului 2.3.3
(utilizând pachetul de programe EViews):

Tabelul 2.3.3
Actual Fitted Residual Residual Plot
yt ŷ t ut = yt − yˆt
ˆ (graficul reziduurilor)

557,7 625,3095 -67,6095 | * | . |

467,4 535,5688 -68,1688 | *. | . |
432,1 482,4191 -50,3191 | .* | . |
 Econometrie. Studii de caz

Actual Fitted Residual Residual Plot

yt ŷ t uˆt = yt − yˆt (graficul reziduurilor)

435,9 490,7389 -54,8389 | .* | . |

447,3 512,4673 -65,1673 | * | . |
505,3 553,7431 -48,4431 | .* | . |
545,7 578,1371 -32,4371 | . * | . |
525,7 538,7191 -13,0191 | . *| . |
586,2 509,7210 76,4790 | . | . *|
579,8 502,6936 77,1064 | . | . *|
582,3 514,4867 67,8133 | . | * |
610,7 547,6043 63,0957 | . | * |
629,1 577,8140 51,2860 | . | *. |
673,7 609,4776 64,2224 | . | * |

- dispersia variabilei reziduale

(y − yˆ t )
=∑
2
49701,4613
2
s uˆ t
= = 4141,7884
n − k −1 14 − 2
unde:
k = numărul variabilelor exogene.
(vezi tabelul afişat de programul EViews)

- abaterea medie pătratică a variabilei reziduale, suˆ :

∑ (y − yˆ t )
2

suˆ = t
= 4141,7884 = 64,3567
n − k −1
(vezi tabelul afişat de programul EViews)

- abaterile medii pătratice ale celor doi estimatori:

⎡1 x2 ⎤
saˆ = su2ˆ ⎢ + 2⎥
= 250,0188
⎣⎢ n ∑ ( xt − x ) ⎦⎥
su2ˆ
sbˆ = = 0,3308
∑ (xt − x )
2

(vezi tabelul afişat de programul EViews)

Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

- raportul de corelaţie:
14 14

∑(y − yˆ t ) ∑(y − yˆ t )
2 2
t t
t =1 t =1
R = R2 = 1− = 1−
14
s y2 ⋅ (n − 1)
∑ ( yt − y )
2

t =1

49701,4613
R = 1− = 0,3319 = 0,5761
74392,875
(vezi tabelul afişat de programul EViews)

- variabila Durbin-Watson, d:
14

∑ (uˆ t − uˆ t −1 )
2

9784,7173
d= t =2
14
= = 0,20
49701,4613
∑ uˆ
t =1
2
t

(vezi tabelul afişat de programul EViews)

Astfel modelul estimat devine:

yˆ t = −67,6561 + 0,8077 xt ; R = 0,576
(250,0188) (0,3308) d = 0,20
suˆ = 64,3567

Verificarea semnificaţiei modelului necesită:

- verificarea ipotezei de independenţă a erorilor;
- verificarea ipotezei de homoscedasticitate a erorilor;
- verificarea semnificaţiei estimatorilor;
- verificarea semnificaţiei raportului de corelaţie.

Verificarea ipotezei de independenţă a erorilor, care presupune

cov( u t , u t −1 ) = 0 , se realizează cu ajutorul testului Durbin-Watson, constând
în calcularea variabilei d şi compararea sa cu două valori teoretice, d 1 şi
d2 (d1 = 1,08; d 2 = 1,36) , preluate din tabela distribuţiei Durbin-Watson în
funcţie de un prag de semnificaţie α (α = 0,05) , de numărul variabilelor
 Econometrie. Studii de caz

explicative k ( k = 1) şi de numărul observaţiilor n ( n ≥ 15) . Observaţie:

tabela Durbin-Watson este construită pentru un număr de observaţii n ≥ 15;
pentru valori inferioare se va lucra cu valorile calculate pentru n = 15 .
adică d1 = 1,08, d 2 = 1,36 .
Deoarece valoarea calculată d = 0,2 este cuprinsă în intervalul
0 < d = 0,2 < d 1 = 1,08 , aceasta indică existenţa unei autocorelări pozitive.
Din acest motiv, nu mai are sens testarea celorlalte ipoteze, a
semnificaţiei estimatorilor şi a raportului de corelaţie, estimatorii nemaifiind
eficienţi, deci se impune mai întâi eliminarea fenomenului de autocorelaţie a
erorilor.
Un alt procedeu de verificare a ipotezei de independenţă a erorilor
constă în aplicarea testului Breusch-Godfrey11, acest test fiind utilizat în
vederea depistării unei autocorelaţii de ordin superior. Ca urmare a
presupunerii existenţei unei autocorelaţii de ordin superior se construieşte
următorul model:

u t = r1u t −1 + r2 u t − 2 + K + rp u t − p + z t
unde: zt = variabilă reziduală de medie zero şi dispersie constantă.

Ipoteza nulă care stă la baza testului este aceea potrivit căreia toţi
coeficienţii corespunzători valorilor decalate ale variabilei reziduale sunt
simultan egali cu zero, fapt ce implică inexistenţa fenomenului de
autocorelaţie a erorilor.
În vederea aplicării testului sunt estimate valorile variabilei reziduale
ut în urma aplicării M.C.M.M.P. asupra modelului iniţial. Variabila
reziduală ut este apoi regresată în funcţie de variabilele exogene iniţiale ale
modelului şi de valorile sale decalate, respectiv ut-1, ut-2,…, ut-p. În cazul
acestei regresii este calculată valoarea coeficientului de determinare R2 şi a
unei variabile de forma: BG = (n-p) R2. Presupunând că ne aflăm în situaţia
unui eşantion de volum mare, variabila BG este asimptotic distribuită sub

11
cf. Damodar N. Gujarati, Basic Econometrics, 3rd ed., Mc Graw-Hill, New York, 1995,
p. 425
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

forma unui χ α2 ;v , pentru care numărul gradelor de libertate este egal cu:
v = p , unde p = mărimea decalajului , respectiv: BG~ χ α2 ;v .
Dacă BG > χ α2 ;v , ipoteza nulă este respinsă, ceea ce presupune că
există cel puţin un coeficient de autocorelaţie nenul.
Aplicarea testului Breusch-Godfrey s-a realizat utilizând pachetul de
programe EViews (presupunând ca mărimea decalajului este p = 2):

Breusch-Godfrey Serial Correlation LM Test:

F-statistic 16,6537 Probability 0,0007
Obs*R-squared 10,7673 Probability 0,0046

Test Equation:
Dependent Variable: ut
Method: Least Squares
Variable Coefficient Std. Error t-Statistic Prob.
C 166,6378 146,9445 1,1340 0,2832
xt -0,2158 0,1935 -1,1154 0,2908
ut-1 1,0098 0,2999 3,3669 0,0072
ut-2 -0,0880 0,3298 -0,2667 0,7951
R-squared 0,7691 Mean dependent var -3,45E-14
Adjusted R-squared 0,6998 S.D. dependent var 61,8319
S.E. of regression 33,8769 Akaike info criterion 10,1183
Sum squared resid 11476,43 Schwarz criterion 10,3009
Log likelihood -66,8281 F-statistic 11,1025
Durbin-Watson stat 1,4994 Prob(F-statistic) 0,0016

În cazul utilizării pachetului de programe EViews există două

variante de aplicare a testului Breusch-Godfrey:
- utilizarea testului Fisher–Snedecor aplicat în vederea verificării
existenţei unor variabile absente (omise) în model, având următoarea relaţie
de calcul:
R2 p
Fc =
(1 − R 2 ) (n − m)
 Econometrie. Studii de caz

unde:
p = numărul de variabile noi adăugate în model, respectiv ut-1, ut-2,…, ut-p;
m = numărul total de parametri corespunzători noului model.
Dacă Fc < Fα ;v1 ;v2 , unde v1 = p şi v2 = n-m, ipoteza conform căreia
estimatorii corespunzători noilor parametri adăugaţi în model sunt nuli este
verificată, respectiv, în cazul nostru, fenomenul de autocorelare a erorilor nu
este prezent, cazul contrar implicând existenţa cel puţin a unei autocorelaţii
de ordinul întâi. Cum Fc = 16,6537 > F0,05; 2;10 = 4,10 , rezultă că noul model
este incorect specificat, indicând astfel prezenţa unei autocorelaţii de ordinul
întâi.
- utilizarea testului LM, calculat ca produs între numărul de
observaţii corespunzătoare modelului, n, şi coeficientul de determinare, R2,
corespunzător acestei regresii auxiliare. În general, testul LM este
asimptotic distribuit sub forma unui χ α2 ;v , pentru care numărul gradelor de
libertate este egal cu: v = p , unde p = mărimea decalajului, respectiv:
LM = n ⋅ R 2 ~ χ α2 ;v
Dacă LM > χ α2 ;v , erorile sunt autocorelate, în caz contrar, sunt
independente, respectiv ipoteza nulităţii parametrilor, r1 = r2 = 0 , este
acceptată. Se constată astfel că pachetul de programe nu utilizează relaţia
clasică de calcul a testului Breusch-Godfrey, respectiv: BG = (n-p)·R2.
Deoarece LM = 10,7673 > χ 02,05; 2 = 5,99147 , aceasta implică existenţa
a cel puţin unei autocorelaţii de ordinul întâi, ce poate fi remarcată şi pe
baza semnificaţiei parametrului corespunzător valorii decalate cu o perioadă
a variabilei reziduale.
În cazul calculării în varianta clasică a testului Breusch-Godfrey,
respectiv: BG = 12 ⋅ 0,7691 = 9,2291 > χ 02,05; 2 = 5,99147 , se ajunge la aceleaşi
concluzii menţionate anterior.
Eliminarea fenomenului de autocorelare a erorilor presupune
efectuarea următoarelor operaţii:
- erorile fiind corelate, adică:
u t = r(1) u t −1 + z t (1)
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

se va estima valoarea coeficientului de autocorelaţie de ordinul 1:

14

∑ uˆ uˆ t t −1
40461,327
r(1) = t =2
14
= = 0,89
45576,9481
∑ uˆ
t =2
2
t −1

(vezi tabelul 2.3.2., coloanele 6, 7, 8)

- ştiind că:
y t = a + bx t + u t ⇒ u t = y t − a − bx t
y t −1 = a + bx t −1 + u t −1 ⇒ u t −1 = y t −1 − a − bx t −1
expresiile obţinute pentru u t şi u t −1 vor fi înlocuite în relaţia (1) şi se
obţine:
y t − a − bx t = r(1) ( y t −1 − a − bx t −1 ) + z t

( ) (
y t − r(1) y t −1 = a 1 − r(1) + b x t − r(1) x t −1 + z t )
Notând cu: y t* = y t − r(1) y t −1
x t* = x t − r(1) x t −1

(
a 1 = a 1 − r(1) )
b1 = b
se obţine:

y t* = a1 + b1 xt* + z t ⇒ yˆ t* = aˆ1 + bˆ1 xt* (2)

În vederea estimării parametrilor a$ 1 şi b$1 se aplică M.C.M.M.P.:

( ) ( )
14
F aˆ1 , bˆ1 = min ∑ yt* − aˆ1 − bˆ1 xt*
2

t =2

F ′( a 1 ) = 0 ⇒ ( n − 1) a$ 1 + b$1 ∑ x t* = ∑ y t*

F ′(b1 ) = 0 ⇒ a$ 1 ∑ x t* + b$1 ∑ x t* ( ) =∑y x

2 * *
t t
 Econometrie. Studii de caz

În urma aplicării programului EViews, rezultatele estimării noului

modelului au fost următoarele:
*
Dependent Variable: y t
Method: Least Squares
Sample: 1991 2003
Included observations: 13
Variable Coefficient Std. Error t-Statistic Prob.
C 9,5845 15,4322 0,6211 0,5472
*
x t 0,7156 0,1645 4,3505 0,0012
R-squared 0,6324 Mean dependent var 68,5423
Adjusted R-squared 0,5990 S.D. dependent var 42,0350
S.E. of regression 26,6176 Akaike info criterion 9,5417
Sum squared resid 7793,4860 Schwarz criterion 9,6286
Log likelihood -60,0208 F-statistic 18,9270
Durbin-Watson stat 1,7216 Prob(F-statistic) 0,0012

Ca şi în cazul modelului iniţial se vor calcula valorile estimate ale

variabilei y t* , ⇒ yˆ t* = 9 ,5845 + 0 , 7156 x t* şi ale variabilei reziduale,
zˆ t = y t* − yˆ t* . Valorile acestora sunt prezentate în cadrul tabelului 2.3.4
(utilizând pachetul de programe EViews):
Tabelul 2.3.4
Actual Fitted Residual Residual Plot
* *
y t yˆ t
zˆ t = y t* − yˆ t* (graficul reziduurilor)
-27,7030 -1,0121 -26,6909 | * | . |
17,1616 22,4810 -5,3194 | . *| . |
52,2995 71,6530 -19,3535 | .* | . |
60,3260 84,3593 -24,0332 | * | . |
108,2056 103,8374 4,3682 | . |* . |
97,1156 92,9857 4,1299 | . |* . |
41,2501 38,8790 2,3711 | . * . |
119,5053 44,1907 75,3147 | . | . *|
59,3959 60,7715 -1,3755 | . * . |
67,5776 76,7461 -9,1686 | . *| . |
93,7582 96,8106 -3,0525 | . *| . |
86,9458 97,5276 -10,5818 | .*| . |
115,2111 101,8196 13,3914 | . |*. |
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Pe baza calculelor prezentate mai sus rezultă modelul:

yˆt* = 9,5845 + 0,7156 xt* ; R′ = 0,795
(15,4322) (0,1645) d ′ = 1,72 (3)
s zˆ = 26,6176
Utilizând testul Durbin-Watson pentru a verifica dacă fenomenul de
autocorelaţie a fost eliminat - pentru un prag de semnificaţie
α = 0,05, k = 1, n = 13 ≅ 15 , valorile teoretice ale variabilei Durbin-Watson
sunt d 1 = 1,08, d 2 = 1,36 . În comparaţie cu acestea, valoarea empirică
d ′ = 1,72 se situează astfel: d 2 = 1,36 < d ′ = 1,72 < 4 − d 2 = 2,64 , ceea ce
indică fenomenul de independenţă a erorilor, deci fenomenul de
autocorelaţie a fost eliminat.
Verificarea ipotezei de homoscedasticitate a erorilor în cazul acestui
model se va realiza cu ajutorul testului White (vezi aplicaţia 2.1.2).
Utilizând programul EViews au fost obţinute următoarele rezultate:

White Heteroskedasticity Test:

F-statistic 0,8259 Probability 0,4656
Obs*R-squared 1,8430 Probability 0,3979

Test Equation:
Dependent Variable: z t∗2
Method: Least Squares
Sample: 1991 2003
Included observations: 13
Variable Coefficient Std. Error t-Statistic Prob.
C 927,8680 1016,2720 0,9130 0,3827
*
x t 18,3437 32,0687 0,5720 0,5799
2
xt* -0,2090 0,2342 -0,8925 0,3931

R-squared 0,1418 Mean dependent var 599,4989

Adjusted R-squared -0,0299 S.D. dependent var 1542,118
S.E. of regression 1564,9870 Akaike info criterion 17,7483
Sum squared resid 24491851 Schwarz criterion 17,8787
Log likelihood -112,3641 F-statistic 0,8259
Durbin-Watson stat 2,7426 Prob(F-statistic) 0,4656
 Econometrie. Studii de caz

Analizând rezultatele afişate de programul EViews se constată că

Fc = 0,8259 < F0,05; 2;10 = 4,10 şi LM = 1,843 < χ 02,05; 2 = 5,99147 , iar
estimatorii parametrilor modelului sunt nesemnificativi pentru un prag de
semnificaţie α = 0,05 ( t0,05;10 = 2,228 ), deci ipoteza de homoscedasticitate
se verifică.
Estimatorii modelului sunt semnificativ diferiţi de zero dacă:
aˆ1
t aˆ1 = ≥ tα ;(n −1)− k −1
s aˆ1
9,5845
t aˆ1 = = 0,6211
15,4322
bˆ1
t bˆ = ≥ tα ;(n −1)− k −1
1
sbˆ
1

0,7156
t bˆ = = 4,3505
1 0,1645
Lucrând cu un prag de semnificaţie α (α = 0,05) , din tabela
distribuţiei Student se preia valoarea t 0,05;11 = 2,201 . Comparând această
valoare cu valorile calculate pentru cei doi estimatori, se constată că:
- t aˆ1 = 0,6211 < t0, 05;11 = 2,201 ⇒ parametrul a$ 1 nu este semnificativ
diferit de zero;
- t bˆ = 4,3505 > t 0,05;11 = 2,201 ⇒ parametrul b$1 este semnificativ
1

diferit de zero.
Raportul de corelaţie este semnificativ diferit de zero dacă se
verifică inegalitatea: Fc ≥ Fα ;v1 ;v2 , unde valoarea empirică a variabilei
Fisher-Snedecor este:
R2 0,3319
Fc = ((n − 1) − 2) = 11 ⋅ = 5,9615
1− R 2
1 − 0,3319
Din tabela distribuţiei Fisher-Snedecor, cu un prag de semnificaţie
de 5% şi în funcţie de numărul gradelor de libertate v1 = k = 1 şi
v 2 = (n − 1) − k − 1 = 11 se preia valoarea teoretică F0,05;1;11 = 4,84 . Se
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

constată că Fc = 5,9615 > F0, 05;1;11 = 4,84 , deci pentru un prag de

semnificaţie de 5%, valoarea raportului de corelaţie este semnificativ
diferită de zero.
În concluzie, modelul yˆt* = 9,5845 + 0,7156 xt* poate fi apreciat ca
reprezentativ pentru descrierea dependenţei dintre consumul final real al
gospodăriilor populaţiei şi PIB-ul real.
O altă variantă a metodei de eliminare a fenomenului de autocorelare
a erorilor prezentate mai sus constă în determinarea coeficientului de
autocorelaţie de ordinul 1 pe baza variabilei Durbin-Watson, d, pentru a
facilita utilizarea pachetului de programe EViews în vederea eliminării
autocorelaţiei erorilor (utilizând programul autocorelaţ[Link]):
d 0,20
r(1) = 1 − = 1 − = 0,90
2 2
Rezultatele estimării modelului (2), utilizând pachetul de programe
EViews12, sunt următoarele:

Dependent Variable: y t∗
Method: Least Squares
Sample(adjusted): 1991 2003
Included observations: 13 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C 10,1602 13,8505 0,7336 0,4786
x t∗ 0,7083 0,1628 4,3506 0,0012

R-squared 0,6325 Mean dependent var 61,2087

Adjusted R-squared 0,5990 S.D. dependent var 41,9044

12
Pentru a elimina autocorelaţia erorilor cu ajutorul pachetului de programe EViews a fost
utilizat următorul program (conform [Link]
denumit [Link]:
'Estimarea directa a coeficientului de autocorelatie notat cu rau plecand de la statistica
DW'
Equation [Link] y c x
genr res = resid
scalar rau1=1-@dw/2
genr dy=y-rau1*y(-1) 'Se genereaza qvasi-diferentele.'
genr dx=x-rau1*x(-1)
equation [Link] dy c dx 'Régresie denumita eqm1'
scalar am1=c(1)/(1-rau1) 'Coef de reg.'
 Econometrie. Studii de caz

S.E. of regression 26,5346 Akaike info criterion 9,5354

Sum squared resid 7744,9060 Schwarz criterion 9,6223
Log likelihood -59,9802 F-statistic 18,9279
Durbin-Watson stat 1,75 Prob(F-statistic) 0,0012

Valorile estimate ale variabilei y t* şi ale variabilei reziduale,

zˆ t = y t* − yˆ t* sunt prezentate în cadrul tabelului 2.3.5 (utilizând pachetul de
programe EViews):

Tabelul 2.3.5
Actual Fitted Residual Residual Plot
y *
yˆ * zˆ t = y t* − yˆ t* (graficul reziduurilor)
t t

-35,2893 -8,5948 -26,6945 | * | . |

10,8036 15,7300 -4,9263 | . *| . |
46,4217 65,0361 -18,6144 | .* | . |
54,3965 77,5139 -23,1174 | * | . |
102,1210 96,5348 5,5862 | . |* . |
90,2420 85,3011 4,9410 | . |* . |
33,8270 31,4535 2,3735 | . * . |
112,3543 37,1813 75,1730 | . | . *|
51,4219 53,9395 -2,5176 | . * . |
59,6906 69,8356 -10,1449 | .*| . |
85,8372 89,5554 -3,7182 | . *| . |
78,6385 89,8700 -11,2314 | .*| . |
106,6535 93,7580 12,8955 | . |*. |

Pe baza calculelor prezentate mai sus rezultă modelul:

yˆ t* = 10,1602 + 0,7083 xt* ; R ′ = 0,795

(13,8505) (0,1628) d ′ = 1,75 (4)
s zˆ = 26,5346

Utilizând testul Durbin-Watson pentru a verifica dacă fenomenul de

autocorelaţie a fost eliminat - pentru un prag de semnificaţie
α = 0,05, k = 1, n = 13 ≅ 15 valorile teoretice ale variabilei Durbin-Watson
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

sunt d 1 = 1,08, d 2 = 1,36 . În comparaţie cu acestea, valoarea empirică

d ′ = 1,75 se situează astfel: d 2 = 1,36 < d ′ = 1,75 < 4 − d 2 = 2,64 , ceea ce
indică fenomenul de independenţă a erorilor, deci fenomenul de
autocorelaţie a fost eliminat.
Verificarea ipotezei de homoscedasticitate a erorilor în cazul acestui
model se va realiza cu ajutorul testului White. Utilizând programul EViews
au fost obţinute următoarele rezultate:

White Heteroskedasticity Test:

F-statistic 0,8302 Probability 0,4639
Obs*R-squared 1,8512 Probability 0,3963

Test Equation:
Dependent Variable: z t2
Method: Least Squares
Sample: 1991 2003
Included observations: 13
Variable Coefficient Std. Error t-Statistic Prob.
C 1108,2070 824,2150 1,3446 0,2085
xt* 13,6436 26,6751 0,5115 0,6201
*2
xt -0,2067 0,2293 -0,9013 0,3886
R-squared 0,1424 Mean dependent var 595,7620
Adjusted R-squared -0,0291 S.D. dependent var 1535,4140
S.E. of regression 1557,6090 Akaike info criterion 17,7389
Sum squared resid 24261469,0 Schwarz criterion 17,8692
Log likelihood -112,3026 F-statistic 0,8302
Durbin-Watson stat 2,7474 Prob(F-statistic) 0,4639

Analizând rezultatele afişate de programul EViews se constată că

Fc = 0,8302 < F0,05; 2;10 = 4,10 şi LM = 1,8512 < χ 02,05; 2 = 5,99147 , iar
estimatorii parametrilor modelului sunt nesemnificativi pentru un prag de
semnificaţie α = 0,05 ( t0,05;10 = 2,228 ), deci ipoteza de homoscedasticitate
se verifică.
 Econometrie. Studii de caz

Pentru a verifica semnificaţia estimatorilor parametrilor modelului,

lucrând cu un prag de semnificaţie α (α = 0,05) , din tabela distribuţiei
Student se preia valoarea t 0,05;11 = 2,201 . Comparând această valoare cu
valorile calculate pentru cei doi estimatori, se constată că:
- t aˆ1 = 0,7336 < t 0,05;11 = 2,201 ⇒ parametrul a$ 1 nu este semnificativ
diferit de zero;
- t bˆ = 4,3506 > t 0.05;11 = 2,201 ⇒ parametrul b$1 este semnificativ
1

diferit de zero.
Pentru a verifica semnificaţia raportului de corelaţie, din tabela
distribuţiei Fisher-Snedecor, cu un prag de semnificaţie de 5% şi în funcţie
de numărul gradelor de libertate v1 = k = 1 şi v 2 = (n − 1) − k − 1 = 11 se
preia valoarea teoretică F0,05;1;11 = 4,84 . Se constată că
Fc = 18,9279 > F0,05;1;11 = 4,84 , deci pentru un prag de semnificaţie de 5%,
valoarea raportului de corelaţie este semnificativ diferită de zero.
În concluzie, şi acest model, yˆ t* = 10,1602 + 0,7083 xt* , poate fi
apreciat ca reprezentativ pentru descrierea dependenţei dintre consumul
final real al gospodăriilor populaţiei şi PIB-ul real.
c) Analiza capacităţii de prognoză a modelului privind dependenţa
dintre dintre consumul final real al gospodăriilor populaţiei şi PIB-ul real în
România în perioada 1981-2003 poate fi realizată pe baza indicatorilor
statistici propuşi de H. Theil13.
Aceşti indicatori, adaptaţi modelui supus analizei, au fost calculaţi
pe baza următoarelor relaţii:
• coeficientul Theil
1 n *
∑
n t =1
(yˆ t − y t* )
2

T=
1 n *2 1 n *2
∑ t
n t =1
ˆ
y + ∑ yt
n t =1
ale cărui valori sunt cuprinse în intervalul [0, 1].

13
cf. R. S. Pindyck, D. S. Rubinfeld, Econometric Models and Economic Forecasts, 5th ed.,
Mc Graw-Hill, New York, 1981, p. 364-366.
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Semnificaţia acestui indicator este invers proporţională cu mărimea

lui, respectiv cu cât valoarea acestuia este mai mică, tinzând către zero, cu
atât capacitatea de prognoză a modelului este mai bună.

• ponderea abaterii

T = A (yˆ *
− y* ) 2

=
(yˆ *
− y* ) 2

σ z2
1 n *
∑
n t =1
(
yˆ t − y t* )
2

unde:
*
ŷ = media valorilor teoretice ale variabilei endogene;
*
y = media valorilor reale ale variabilei endogene;
σz2 = dispersia variabilei reziduale necorectată cu numărul gradelor de
libertate.
Interpretarea acestui indicator, care evidenţiază existenţa unor erori
sistematice, este aceea că, în cazul ideal14, valoarea sa este egală cu zero,
aceasta tinzând către unu în cazul unor erori de estimare de-a lungul întregii
serii de timp.

• ponderea dispersiei

( ) ( )
2
⎡ 1 n * 2 1 n * 2 ⎤
⎢ ∑ yˆ t − yˆ ∑ yt − y *
(σ ) −
*
⎥
− σ y*
2
⎢ n n t =1 ⎥⎦
=⎣
yˆ t* t =1
TD = t

σ z2
1 n *
(
∑ yˆ t − yt*
n t =1
)
2

care este definită tot în intervalul [0, 1], aceasta măsurând evoluţia oscilantă
a celor două serii, respectiv seria ajustată şi seria empirică a variabilei
endogene. Acest indicator are aceeaşi semnificaţie ca şi cei precedenţi,

14
Demn de menţionat este faptul că, în cazul estimării parametrilor unui model statistic cu
ajutorul metodei celor mai mici pătrate, valoarea acestui indicator este egală cu zero,
acesta fiind discriminant numai în cazul utilizării altor procedee de estimare, cum ar fi,
de exemplu, metoda grafică, metoda punctelor empirice sau metoda punctelor medii.
 Econometrie. Studii de caz

respectiv o valoare scăzută indică o capacitate bună de prognoză, în timp ce

o valoare apropiată de unu exprimă o eroare de specificare a modelului.

• ponderea covarianţei
2(1 − r )σ yˆ * σ y *
TC = n t t

1
∑
n t =1
(
yˆ t* − yt*
2
)

unde:
r = coeficientul de corelaţie liniară dintre valoarea estimată a variabilei
ˆ*
endogene, yt , şi cea reală, yt* :

∑ (yˆ )( )
n
*
t − yˆ * yt* − y *
r= t =1
nσ yˆ * σ y *
t t

Se poate observa uşor că semnificaţia acestui indicator este analogă

cu a celor menţionaţi anterior.
De altfel cei patru indicatori se regăsesc în următoarea ecuaţie
propusă de Theil:

( ) ( )
2
1 n * 2
⎛⎜ σ * − σ ⎞⎟ + 2(1 − r )σ * σ *
∑ t t
n t =1
ˆ
y − y * 2
= ˆ
y *
− y *
+
⎝ yˆ t y
t ⎠
*
yˆ t yt

a cărei interpretare se realizează prin intermediul semnificaţiei acestor

indicatori.
În urma calculelor efectuate cu ajutorul pachetului de programe
EViews în vederea testării capacităţii de prognoză a modelului privind
dependenţa dintre dintre consumul final real al gospodăriilor populaţiei şi
PIB-ul real în perioada 1981-2003 au rezultat următoarele informaţii,
prezentate în tabelul 2.3.6.
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

În urma analizei rezultatelor obţinute se constată că modelul posedă

o bună capacitate de prognoză, ca urmare a valorilor mici înregistrate în
cazul coeficientului Theil, a ponderii abaterii şi a ponderii dispersiei şi, deci,
poate fi acceptat în vederea realizării unei prognoze a consumului final real
al gospodăriilor populaţiei.

Rezultatele testării capacităţii de prognoză a modelului privind

dependenţa dintre consumul final real al gospodăriilor populaţiei
şi PIB-ul real în România în perioada 1981-2003
Tabelul 2.3.6
Valoarea
Denumirea indicatorului Simbolul indicatorului
indicatorului
0 1 2
Coeficientul Theil T 0,1577
Ponderea abaterii TA 0,0000
Ponderea dispersiei TD 0,1140
Ponderea covarianţei TC 0,8860

Astfel, dacă valoarea PIB-ului real în anul 2004 a fost egală cu 907,8
mld. lei preţuri comparabile (1990=100), atunci:
*
x 2004 = 907,8 − 838,3 ⋅ 0,89 = 163,6272 mld. lei preţuri comparabile
Valoarea estimată a consumului final real al gospodăriilor populaţiei
în anul 2004, utilizând rezultatele estimării obţinute în cazul modelului (3)
este egală cu:
yˆ * = aˆ + bˆ x * = 9,5845 + 0,7156 ⋅ 163,6272 = 126,676 [Link]
2004 1 1 2004

preţuri comparabile
Pe baza ipotezei formulate la punctele precedente, consumul final
real al gospodăriilor populaţiei, y*, urmează o distribuţie normală (sau
distribuţia Student, dacă n ≤ 30 ), de medie ŷ 2004
*
şi de abatere medie

2004
( )
pătratică s ŷ* , L y * = N yˆ 2004
*
(
, s yˆ *
2004
).
*
Pentru x 2004 = 163,6272 ⇒ yˆ 2004
*
= 126,676
 Econometrie. Studii de caz

s yˆ*
⎛ 1
⎜
= s 1+ +
2
*
(
x2004 − x * ⎞⎟
2
)
= 708,4988⋅
⎛ 1 (163,6272 − 82,3893)2 ⎞
⎜1 + + ⎟
2004
z
⎜ n′
⎝ ∑ tx*
− (
x * 2 ⎟
⎠ ) ⎜ 13
⎝ 26186 ,7452 ⎟
⎠
s yˆ* = 30,6848
2004

Estimarea consumului final real al gospodăriilor populaţiei, pe baza

unui interval de încredere, se calculează cu relaţia:
*
(
P yˆ 2004 − t α s yˆ * ≤ y 2004
2004
*
≤ yˆ 2004
*
2004
)
+ t α s yˆ * = 1 − α
Pentru α = 0,05 şi v = n − k − 1 = 11 , din tabela distribuţiei Student
se preia valoarea variabilei tα ;v = t 0,05;11 = 2,201 .
Deci, cu un prag de semnificaţie de 0,05 sau cu o probabilitate egală
cu 0,95, valoarea estimată a consumului final real al gospodăriilor populaţiei
României în anul 2004 va fi cuprinsă în intervalul:
P ( y 2004
*
∈ [126,676 ± 2,201 ⋅ 30,6848]) = 1 − 0,05 = 0,95
P ( y 2004
*
∈ [59,14;194,21]) = 0,95

2.1.4 Model unifactorial neliniar

Se cunosc următoarele date privind consumul final real al

gospodăriilor populaţiei şi venitul disponibil net real al populaţiei în
România, în perioada 1985-2001, exprimate în miliarde lei preţuri
comparabile (1990=100):

Tabelul 2.4.1
Consumul final real al Venitul disponibil net real al
gospodăriilor populaţiei populaţiei
Anul
(1990=100) (1990=100)
[Link] [Link]
0 1 2
1985 442,0 492,5
1986 448,1 500,1
1987 472,1 518,1
1988 513,2 527,1
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Consumul final real al Venitul disponibil net real al

gospodăriilor populaţiei populaţiei
Anul
(1990=100) (1990=100)
[Link] [Link]
1989 516,6 558,1
1990 557,7 588,1
1991 467,4 455,9
1992 432,1 438,7
1993 435,9 455,3
1994 447,3 489,3
1995 505,3 560,4
1996 545,7 584,6
1997 525,7 559,4
1998 586,2 493,3
1999 579,8 513,7
2000 582,3 525,7
2001 610,7 526,2
Notă: Ambii indicatori sunt calculaţi conform metodologiei de calcul a Sistemului European al
Conturilor Economiei Integrate - SEC 1979. Consumul final al populaţiei a fost deflaţionat cu ajutorul
deflatorului consumului final al populaţiei exprimat în preţuri constante (1990 = 100), iar venitul
disponibil net al populaţiei a fost deflaţionat cu ajutorul deflatorului PIB exprimat în preţuri constante
(1990 = 100), obţinut în urma prelucrării datelor din Raportul Anual BNR. Acesta a fost deflaţionat
cu ajutorul deflatorului PIB în preţuri constante (1990 = 100). Datele provin de la Ministerul
Prognozei şi Dezvoltării.
Sursa: Date prelucrate pe baza Anuarului Statistic al României 1995, CNS, Bucureşti, 1996, p. 370-
372, Anuarului Statistic al României 1996, INS, Bucureşti, 1997, p. 364-366, Anuarului Statistic al
României 2001, INS, Bucureşti, 2002, p. 278, 280, Anuarului Statistic al României 2003, INS,
Bucureşti, 2004, p. 284, 286, Raportului Anual 1999, BNR, Bucureşti, 2000, p. 6*-9*, Raportului
Anual 2000, BNR, Bucureşti, 2001, p. 6*-7*, Raportului Anual 2002 BNR, Bucureşti, 2003, p. 4*-5*,
Dobrescu, E., Macromodels of the Romanian Transition Economy, Second Edition, Editura Expert,
Bucharest, 1998, p. 184.

Se cere:
a) Să se construiască modelul econometric ce descrie legătura dintre
cele două variabile şi să se interpreteze semnificaţia parametrilor modelului;
b) Să se estimeze parametrii modelului şi să se verifice semnificaţia
acestora.
 Econometrie. Studii de caz

Rezolvare:

a) Pentru a construi modelul econometric care descrie relaţia dintre

consumul final real al gospodăriilor populaţiei şi venitul disponibil net real
al populaţiei se porneşte de la reprezentarea grafică a celor două variabile:
y = consumul final real al gospodăriilor populaţiei;
x = venitul disponibil net real al populaţiei.

y
620
610
600
590
580
570
560
550
540
530
520
510
500
490
480
470
460
450
440 x
430
430 440 450 460 470 480 490 500 510 520 530 540 550 560 570 580 590 600

Figura 2.4.1.

În urma reprezentării grafice a distribuţiei punctelor empirice se

constată că aceasta poate fi aproximată cu ajutorul unei funcţii neliniare,
respectiv funcţia putere.
Modelul econometric care descrie legătura dintre cele două variabile
se transformă într-un model neliniar unifactorial: y = ax b ⋅ u .
Acest model neliniar se transformă în model liniar prin logaritmare:
ln y = ln a + b ln x + ln u
Notând: ln y = zt ; ln x = vt ; ln u = wt , se obţine:
z t = ln a + bv t + wt
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Semnificaţia economică a parametrului b, ţinând cont de

semnificaţia celor două variabile, este că acesta reprezintă panta dreptei sau
coeficientul de regresie al consumului în funcţie de venit. El reprezintă în
acelaşi timp înclinaţia marginală spre consum, care, în acest caz, este egală
cu elasticitatea consumului în funcţie de venit, fiind şi constantă:
d ln y
Ry x = E y x = =b
d ln x

b) Estimarea parametrilor modelului econometric de la punctul a) se

realizează cu ajutorul M.C.M.M.P.:

( ) ( )
17 17
F ln aˆ , bˆ = min ∑ ( zt − zˆt ) = min ∑ zt − ln aˆ − bˆvt
2 2

t =1 t =1
17 17
F ′(ln aˆ ) = 0 ⇒ n ln aˆ + bˆ∑ vt = ∑ zt
t =1 t =1

()
17 17 17
F ′ bˆ = 0 ⇒ ln aˆ ∑ vt + bˆ∑ vt2 = ∑ zt vt
t =1 t =1 t =1

Datele necesare rezolvării modelului se obţin pe baza tabelului de

mai jos:

Tabelul 2.4.2
Nr.
Anul xt yt vt zt vt* z *t
crt.
0 1 2 3 4 5 6 7
1 1985 442,0 492,5 6,0913 6,1995 - -
2 1986 448,1 500,1 6,1050 6,2148 1,4239 1,3977
3 1987 472,1 518,1 6,1572 6,2502 1,4474 1,4393
4 1988 513,2 527,1 6,2407 6,2674 1,4373 1,4824
5 1989 516,6 558,1 6,2473 6,3245 1,4811 1,4245
6 1990 557,7 588,1 6,3238 6,3769 1,4893 1,4960
7 1991 467,4 455,9 6,1472 6,1223 1,1942 1,2602
8 1992 432,1 438,7 6,0687 6,0838 1,3526 1,3181
9 1993 435,9 455,3 6,0774 6,1210 1,4194 1,3876
10 1994 447,3 489,3 6,1032 6,1930 1,4627 1,4066
11 1995 505,3 560,4 6,2252 6,3287 1,5427 1,5086
 Econometrie. Studii de caz

Nr.
Anul xt yt vt zt vt* z *t
crt.
0 1 2 3 4 5 6 7
12 1996 545,7 584,6 6,3021 6,3709 1,4802 1,4913
13 1997 525,7 559,4 6,2647 6,3269 1,4034 1,3945
14 1998 586,2 493,3 6,3737 6,2011 1,3117 1,5323
15 1999 579,8 513,7 6,3627 6,2416 1,4494 1,4371
16 2000 582,3 525,7 6,3670 6,2647 1,4412 1,4499
17 2001 610,7 526,2 6,4146 6,2657 1,4243 1,4942
Total 8668,2 8786,4 105,8716 106,1529 22,7610 22,9204

Rezolvarea modelului s-a realizat cu ajutorul pachetului de programe

EViews, conducând la afişarea următoarelor rezultate:

Dependent Variable: zt
Method: Least Squares
Sample: 1985 2001
Included observations: 17
Semnif. Semnif. Semnif.
Variable Coefficient Std. Error t-Statistic Prob.
ind. ind. ind.
C 1,1425 ln â 1,7534 s ln aˆ 0,6516 t ln aˆ 0,5245 p(lnaˆ)
vt 0,8144 b̂ 0,2808 sbˆ 2,9005 tbˆ 0,0110 p bˆ ()
Mean dependent
R-squared 0,3593 R2 var
6,2277 z
Adjusted S.D. dependent
0,3166 Rc2 0,1170 sz
R-squared var
S.E. of Akaike info
0,0967 swˆ -1,7238 AIC
regression criterion
Sum
∑ (z − zˆ ) t t
2
=
squared 0,1403 = wˆ Schwarz criterion -1,6258 SC
∑ 2
t
resid
Log
16,6521 L F-statistic 8,4126 Fc
likelihood
Durbin-
0,4544 d Prob(F-statistic) 0,0110 p(F)
Watson stat
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Semnificaţia indicatorilor necunoscuţi pe care-i calculează pachetul

de programe EViews este următoarea:
()
p (ln aˆ ), p bˆ = probabilitatea asociată parametrului â, respectiv b̂ .
O valoare cât mai apropiată de zero a acestei probabilităţi va indica o
semnificaţie ridicată a parametului respectiv, în caz contrar, aceasta
confirmând, împreună cu testul t, faptul că parametrul respectiv este
nesemnificativ.
Rc2 = coeficientul de deteminare corectat sau ajustat, este utilizat în
vederea evidenţierii numărului de variabile factoriale cuprinse în model,
precum şi a numărului de observaţii pe baza cărora au fost estimaţi
parametrii modelului. In cazul unui model multifactorial acesta va înregistra
valori inferioare coeficientului de deteminaţie. Expresia acestui indicator
este următoarea:
n −1
Rc2 =1 − ⋅ (1 − R 2 )
n−k
L= logaritmul funcţiei de verosimilitate (presupunând că erorile sunt
normal distribuite), funcţie ce este determinată ţinând seama de valorile
estimate ale parametrilor. Relaţia de calcul a acestui indicator, utilizată de
către pachetul de programe EViews, este următoarea:
n ⎛⎜ ⎛ ∑ wˆ t2 ⎞⎞
L = 1 + ln (2π ) + ln⎜ ⎟⎟
2 ⎜⎝ ⎜ n ⎟⎟
⎝ ⎠⎠
unde:
∑ wˆ t2 = suma pătratelor erorilor;
k = numărul variabilelor exogene;
n = numărul de observaţii.
Acest indicator este utilizat în vederea elaborării unor teste statistice
destinate depistării variabilelor omise dintr-un model econometric, precum
şi a unor teste destinate depistării variabilelor redundante dintr-un model
econometric, ca, de exemplu, testul LR sau raportul verosimilităţilor
(Likelihood Ratio).
 Econometrie. Studii de caz

z = media variabilei dependente sau endogene, având următoarea

relaţie de calcul:
17

∑z t
z= t =1

n
s z = abaterea medie pătratică (standard) corespunzătoare variabilei
dependente, a cărei relaţie de calcul este următoarea:

∑ (z )
17 2
t −z
sz = t =1

n −1

AIC= criteriul Akaike este utilizat în cazul comparării a două sau

mai multe modele econometrice. Relaţia de calcul a acestuia, utilizată de
către pachetul de programe EViews, este următoarea:
2 L 2k
AIC = − +
n n

Este ales acel model econometric pentru care s-a obţinut valoarea
cea mai mică corespunzătoare acestui indicator.
SC = criteriul Schwartz este, de asemenea, utilizat pentru a compara
două sau mai multe modele econometrice. Relaţia de calcul a acestuia,
utilizată de către pachetul de programe EViews, este următoarea:
2 L k ln n
SC = − +
n n

Şi în acest caz, este ales acel model econometric pentru care s-a
obţinut valoarea cea mai mică corespunzătoare acestui indicator.
p(F) = probabilitatea asociată statisticii F. O valoare cât mai
apropiată de zero a acestei probabilităţi va indica o semnificaţie ridicată a
rezultatelor estimării, respectiv a modelului.
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Pe baza estimatorilor au fost calculate valorile estimate ale variabilei

z şi ale variabilei reziduale, wˆ t = zt − zˆt . Valorile acestora sunt prezentate în
cadrul tabelului 2.4.3 (utilizând pachetul de programe EViews):

Tabelul 2.4.3
Actual Fitted Residual Residual Plot
zt ẑt wˆ t = zt − zˆt (graficul reziduurilor)
6,0913 6,1913 -0,1000 | *. | . |
6,1050 6,2037 -0,0987 | *. | . |
6,1572 6,2325 -0,0753 | .* | . |
6,2407 6,2466 -0,0059 | . * . |
6,2473 6,2931 -0,0458 | . * | . |
6,3238 6,3357 -0,0119 | . *| . |
6,1472 6,1284 0,0188 | . |* . |
6,0687 6,0971 -0,0284 | . *| . |
6,0774 6,1273 -0,0499 | . * | . |
6,1032 6,1860 -0,0827 | .* | . |
6,2252 6,2964 -0,0713 | .* | . |
6,3021 6,3309 -0,0288 | . *| . |
6,2647 6,2950 -0,0303 | . *| . |
6,3737 6,1926 0,1811 | . | . *|
6,3627 6,2256 0,1371 | . | . * |
6,3670 6,2444 0,1226 | . | .* |
6,4146 6,2452 0,1694 | . | . *|

- dispersia variabilei reziduale

∑ (z − zˆt )
2
t 0,1440
2
s wˆ = = = 0,0994
n − k −1 17 − 1 − 1
unde:
k = numărul variabilelor exogene.
(vezi tabelul afişat de programul EViews)
 Econometrie. Studii de caz

- abaterea medie pătratică a variabilei reziduale

swˆ =
∑ (z t − zˆt )
2

= 0,0994 = 0,0967
n − k −1
(vezi tabelul afişat de programul EViews)

- abaterile medii pătratice ale celor doi estimatori

⎡1 v2 ⎤
sln aˆ = sw2ˆ ⎢ + 2⎥
= 1,7534
⎣⎢ n ∑ (vt − v ) ⎦⎥
sw2ˆ
sbˆ = = 0,2808
∑ (vt − v )
2

(vezi tabelul afişat de programul EViews)

- raportul de corelaţie
17 17

∑ (zt − zˆt ) ∑ (z − zˆt )

2 2
t
t =1 t =1
R = R2 = 1 − = 1−
s z2 ⋅ (n − 1)
∑ (z )
17
2
t −z
t =1

49701,4613
R = 1− = 0,3593 = 0,5994
0,11702 ⋅ 16
(vezi tabelul afişat de programul EViews)

- variabila Durbin-Watson, d
17

∑ (wˆ − wˆ )
t t −1
2

d= t =2
17
= 0,45
∑ wˆ t2
t =1

(vezi tabelul afişat de programul Eviews)

Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Astfel modelul estimat devine:

zˆt = 1,1425 + 0,8144 vt ; R = 0,599
(1,7534) (0,2808) d = 0,45
swˆ = 0,0967
Verificarea semnificaţiei modelului presupune:
- verificarea ipotezei de independenţă a erorilor;
- verificarea ipotezei de homoscedasticitate a erorilor;
- verificarea ipotezei de normalitate a erorilor;
- verificarea semnificaţiei estimatorilor;
- verificarea semnificaţiei raportului de corelaţie.
Verificarea ipotezei de independenţă a erorilor se realizează cu
ajutorul testului Durbin-Watson, constând în calcularea variabilei d şi
compararea sa cu două valori teoretice d 1 şi d 2 (d1 = 1,13; d 2 = 1,38) ,
preluate din tabela distribuţiei Durbin-Watson în funcţie de un prag de
semnificaţie α (α = 0,05) , de numărul variabilelor explicative k ( k = 1) şi
de numărul observaţiilor n (n = 17 ≥ 15) .
Deoarece valoarea calculată, d = 0,45 , este cuprinsă în intervalul
0 < d = 0,45 < d1 = 1,13 , aceasta indică existenţa unei autocorelări pozitive.
Din acest motiv, nu mai are sens testarea semnificaţiei estimatorilor
şi a raportului de corelaţie, estimatorii nemaifiind eficienţi, deci se impune
mai întâi eliminarea fenomenului de autocorelaţie a erorilor.
Eliminarea fenomenului de autocorelare a erorilor va fi realizată cu
ajutorul procedeului prezentat în cadrul aplicaţiei 2.1.3, respectiv, pornind
de la faptul că erorile sunt corelate, adică:
wt = r(1)wt −1 + ω t
se va estima valoarea coeficientului de autocorelaţie de ordinul 1 pe baza
variabilei Durbin-Watson, d, pentru a facilita utilizarea pachetului de
programe EViews în vederea eliminării autocorelaţiei erorilor (utilizând
programul autocorelaţ[Link]):
d 0,45
r(1) = 1 − = 1 − = 0,77
2 2
 Econometrie. Studii de caz

În continuare, variabilele modelului vor fi transformate pe baza

qvasi-diferenţelor:
zt − r(1) zt −1 = a (1 − r(1) ) + b(vt − r(1)vt −1 ) + ω t
Notând cu: zt* = yt − r(1) yt −1
vt* = xt − r(1) xt −1
a1 = ln a (1 − r(1) )
b1 = b
se obţine:
zt* = a1 + b1vt* + ω t ⇒ zˆt* = aˆ1 + bˆ1vt*
(vezi tabelul 2.4.2 coloanele 6, 7)
Rezultatele estimării, utilizând pachetul de programe EViews (Vezi
aplicaţia 2.1.3) sunt următoarele:

Dependent Variable: z t∗
Method: Least Squares
Sample(adjusted): 1986 2001
Included observations: 16 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C 0,6578 0,2674 2,4595 0,0275
vt∗ 0,5446 0,1877 2,9014 0,0116

R-squared 0,3755 Mean dependent var 1,4325

Adjusted R-squared 0,3309 S,D, dependent var 0,0722
S.E. of regression 0,0590 Akaike info criterion -2,7054
Sum squared resid 0,0488 Schwarz criterion -2,6088
Log likelihood 23,6429 F-statistic 8,4180
Durbin-Watson stat 1,9681 Prob(F-statistic) 0,0116

Pe baza rezultatelor estimării afişate de programul EViews rezultă

modelul:
z t* = 0,6578 + 0,5446 vt* ; R1 = 0,613
(0,2674) (0,1877 ) d ′ = 1,97
sωˆ = 0,059
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Pe baza estimatorilor au fost calculate valorile estimate ale variabilei

z şi ale variabilei reziduale, ω̂ t . Valorile acestora sunt prezentate în cadrul
*
t

tabelului 2.4.4:

Tabelul 2.4.4
Actual Fitted Residual Residual Plot
z *
t zˆ *
t ω̂ t (graficul reziduurilor)
1,3977 1,4332 -0,0356 | .* | . |
1,4393 1,4460 -0,0068 | . *| . |
1,4824 1,4405 0,0419 | . | *. |
1,4245 1,4644 -0,0399 | .* | . |
1,4960 1,4689 0,0271 | . |*. |
1,2602 1,3082 -0,0480 | * | . |
1,3181 1,3944 -0,0763 | *. | . |
1,3876 1,4308 -0,0432 | .* | . |
1,4066 1,4544 -0,0478 | * | . |
1,5086 1,4980 0,0106 | . |* . |
1,4913 1,4639 0,0274 | . |*. |
1,3945 1,4221 -0,0276 | .*| . |
1,5323 1,3722 0,1601 | . | . *|
1,4371 1,4472 -0,0100 | . *| . |
1,4499 1,4427 0,0072 | . |* . |
1,4942 1,4335 0,0607 | . | .* |

Utilizând testul Durbin-Watson pentru a verifica dacă fenomenul de

autocorelaţie a erorilor a fost eliminat - pentru un prag de semnificaţie
α = 0,05, k = 1, n = 16 valorile teoretice ale variabilei Durbin-Watson sunt
d1 = 1,10, d 2 = 1,37 . În comparaţie cu acestea, valoarea empirică d ′ = 1,97
se situează astfel: d 2 = 1,37 < d ′ = 1,97 < 4 − d 2 = 2,63 , ceea ce indică
fenomenul de independenţă a erorilor, deci fenomenul de autocorelaţie a
erorilor a fost eliminat.
 Econometrie. Studii de caz

Verificarea ipotezei de homoscedasticitate a erorilor se va realiza cu

ajutorul testului White (vezi aplicaţia 2.1.2). Utilizând programul EViews
au fost obţinute următoarele rezultate:

White Heteroskedasticity Test:

F-statistic 3,8112 Probability 0,0477
Obs*R-squared 5,9929 Probability 0,0500

Test Equation:
Dependent Variable: wt2
Method: Least Squares
Sample: 1985 2001
Included observations: 17
Variable Coefficient Std. Error t-Statistic Prob.
C -29,4768 10,8355 -2,7204 0,0166
vt 9,4696 3,4758 2,7245 0,0164
vt2 -0,7602 0,2787 -2,7276 0,0163

R-squared 0,3525 Mean dependent var 0,0083

Adjusted R-squared 0,2600 S.D. dependent var 0,0101
S.E. of regression 0,0087 Akaike info criterion -6,4946
Sum squared resid 0,0011 Schwarz criterion -6,3476
Log likelihood 58,2041 F-statistic 3,8112
Durbin-Watson stat 1,3835 Prob(F-statistic) 0,0477

Analizând rezultatele afişate de programul EViews se constată că

Fc = 3,8112 > F0, 05; 2;14 = 3,74 şi LM = 5,9929 > χ 02,05; 2 = 5,99147 , iar
estimatorii parametrilor modelului sunt semnificativi pentru un prag de
semnificaţie α = 0,05 ( t 0,05;14 = 2,148 ), indicând prezenţa
heteroscedasticităţii erorilor, dar, pentru un prag de semnificaţie α = 0,01 ,
Fc = 3,8112 < F0, 01; 2;14 = 6,51 şi LM = 5,9929 < χ 02,01; 2 = 9,21034 , iar
estimatorii parametrilor modelului sunt nesemnificativi ( t 0,01;14 = 2,977 ),
deci ipoteza de homoscedasticitate se verifică. Se poate astfel considera că,
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

pentru un prag de semnificaţie α = 0,01 , ipoteza de homoscedasticitate este

verificată.
Verificarea ipotezei de normalitate a erorilor se va realiza cu ajutorul
testului Jarque-Berra. Utilizând pachetul de programe EViews în vederea
calculării testului Jarque-Berra (vezi Figura 2.4.2.) se constată că
JB = 2,5981 < χ 02,05; 2 = 5,9915 şi că p(JB) = 0,2728. Deoarece valoarea
calculată a testului J-B este mai mică decât valoarea tabelată a lui χ α2 ; 2 , iar
probabilitatea ca testul J-B să nu depăşească valoarea tabelată este suficient
de mare, ipoteza de normalitate a erorilor poate fi acceptată.

8
Series: Residuals
Sample 1985 2001
Observations 17
6
Mean 1.10E-15
Median -0.028806
Maximum 0.181076
4
Minimum -0.099953
Std. Dev. 0.093653
Skewness 0.910913
2 Kurtosis 2.409370

Jarque-Bera 2.598089
Probability 0.272792
0
-0.10 -0.05 0.00 0.05 0.10 0.15 0.20

Figura 2.4.2

Estimatorii modelului sunt semnificativ diferiţi de zero dacă:

aˆ1
t aˆ1 = ≥ tα ;(n −1)− k −1
s aˆ1
0,6578
t aˆ1 = = 2,4595
0,2674
bˆ1
t bˆ = ≥ tα ;(n −1)− k −1
1 s bˆ
1

0,5446
t bˆ = = 2,9014
1 0,1877
 Econometrie. Studii de caz

Lucrând cu un prag de semnificaţie α (α = 0,05) , din tabela

distribuţiei Student se preia valoarea t 0,05;14 = 2,145 . Comparând această
valoare cu valorile calculate pentru cei doi estimatori, se constată că:
- t aˆ1 = 2,4595 > t 0,05;14 = 2,145 ⇒ parametrul a$ 1 este semnificativ
diferit de zero;
- t bˆ = 2,9014 > t 0,05;14 = 2,145 ⇒ parametrul b$1 este semnificativ
1

diferit de zero.
Raportul de corelaţie este semnificativ diferit de zero dacă se
verifică inegalitatea: Fc ≥ Fα ;v1 ;v2 , unde valoarea empirică a variabilei
Fisher-Snedecor este:
R2 0,3755
Fc = ((n − 1) − 2 ) 2
= 14 ⋅ = 8,418
1− R 0,6245
Din tabela distribuţiei Fisher-Snedecor, cu un prag de semnificaţie
de 5% şi în funcţie de numărul gradelor de libertate v1 = k = 1 şi
v 2 = (n − 1) − k − 1 = 14 se preia valoarea teoretică F0,05;1;14 = 4,60 . Se
constată că Fc = 8,418 > F0,05;1;14 = 4,60 , deci pentru un prag de semnificaţie
de 5%, valoarea raportului de corelaţie este semnificativ diferită de zero.
În concluzie, modelul z t* = 0,6578 + 0,5446 xt* poate fi apreciat ca
reprezentativ pentru descrierea dependenţei dintre consumul final real al
gospodăriilor populaţiei şi venitul disponibil net real al populaţiei.
Deşi modelul este semnificativ în raport cu testele statistice adecvate
acestui scop (ipotezele corespunzătoare M.C.M.M.P. sunt verificate,
estimatorii parametrilor şi raportul de corelaţie sunt semnificativi), faptul că
mărimea coeficientului de determinare este mică (în jur de 0,38), se poate
considera că modelul poate fi folosit în scopuri explicative, statistice şi
economice (a1>0, 0<b1<1), dar nu şi în scopuri de simulare şi prognoză
deoarece prezintă o capacitate slabă de previziune.
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

2.1.5 Model liniar multifactorial

Un întreprinzător cumpără un magazin având o suprafaţă de 230 m2

într-un cartier în care locuiesc în jur de 6400 de familii. O societate de
consultanţă de management comercial îl informează că cifra de afaceri a
magazinelor cu profilul respectiv depinde liniar de suprafaţa comercială a
magazinului şi de numărul familiilor din cartierul respectiv care, de regulă,
cumpără de la magazinul cel mai apropiat. În acest sens, îi pune la dispoziţie
informaţiile referitoare la aceşti indicatori, înregistrate la 13 magazine având
acelaşi profil:

Tabelul 2.5.1
Nr. de familii
70 35 55 25 28 43 15 33 23 4 45 20 56
(sute)
Suprafaţa
comercială 21 26 14 10 12 20 5 28 9 6 10 8 36
(zeci m2)
Cifra de
afaceri 198 209 197 156 85 187 43 211 120 62 176 117 273
(mil. lei)

Se cere:
a) Pe baza datelor problemei, ţinând cont de semnificaţia economică
a fenomenelor observate, să se construiască modelele econometrice cu
ajutorul cărora poate fi studiată dependenţa dintre fenomenele respective;
b) Să se estimeze parametrii modelelor construite la punctul a);
c) Din cele trei modele utilizate pentru descrierea dependenţei cifrei
de afaceri de cei doi factori, să se aleagă cel mai bun model;
d) Să se estimeze cifra de afaceri pe care o poate obţine
întreprinzătorul dacă va cumpăra magazinul respectiv;
e) Ştiind că, pentru funcţionarea magazinului, cheltuielile lunare sunt
în jur de 200 milioane lei, estimaţi care este riscul ca întreprinzătorul să
obţină un profit mai mic sau egal cu 10%;
f) Să se arate şi alte modalităţi de rezolvare a modelului
multifactorial - pe baza matricei coeficienţilor de corelaţie şi a matricei
varianţelor şi covarianţelor.
 Econometrie. Studii de caz

Rezolvare:

a) Descrierea econometrică a legăturii dintre cele trei variabile, y -

cifra de afaceri. x1 - numărul de familii şi x 2 - suprafaţa comercială, se
poate face cu ajutorul a trei modele:
1.1. Modelul unifactorial: y t = f ( x1t ) + u1t explică variaţia cifrei de
afaceri pe seama numărului de familii;
1.2. Modelul unifactorial: y t = f ( x 2 t ) + u2 t explică variaţia cifrei de
afaceri pe seama suprafaţei comerciale;
1.3. Modelul multifactorial: y t = f ( x1t , x 2 t ) + u3t explică variaţia
cifrei de afaceri pe seama ambilor factori.
Identificarea funcţiilor de regresie a primelor două modele se
realizează cu ajutorul reprezentării grafice a variabilei y în funcţie de
celelalte două variabile factoriale x1 , respectiv x 2 .

300

250

200

150
Y

100

50

0
10 20 30 40 50 60 70

X1

Figura 2.5.1
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

300

250

200

150
Y

100

50

0
5 10 15 20 25 30 35

X2

Figura 2.5.2

Deoarece graficele de mai sus arată că legătura dintre y şi x1 ,

respectiv y şi x 2 poate fi aproximată cu o dreaptă, modelele de mai sus
devin:

1. y t = a1 + b1 x1t + u1t

2. y t = a 2 + b2 x 2 t + u 2 t

3. y t = a3 + b3 x1t + c3 x 2t + u 3t

Modelul (3) este un model multifactorial liniar deoarece y, fiind

corelat liniar cu x1 , respectiv cu x 2 , se deduce uşor că va fi corelat liniar şi
în raport cu ambii factori.
 Econometrie. Studii de caz

b) Estimarea parametrilor celor trei modele

1. Model econometric privind dependenţa dintre cifra de afaceri şi
numărul de familii.
Estimarea parametrilor modelului y t = a 1 + b1 x1t + u1t se va face cu
ajutorul pachetului de programe EViews, prin aplicarea M.C.M.M.P., care a
condus la obţinerea următoarelor rezultate:

Dependent Variable: yt
Method: Least Squares
Sample: 1 13
Included observations: 13
Variable Coefficient Std. Error t-Statistic Prob.
C 56,9101 26,0181 2,1873 0.0512
x1t 2,8632 0,6662 4,2978 0.0013
R-squared 0,6268 Mean dependent var 156,4615
Adjusted R-squared 0,5928 S.D. dependent var 66,9510
S.E. of regression 42,7219 Akaike info criterion 10,4879
Sum squared resid 20076,74 Schwarz criterion 10,5749
Log likelihood -66,1716 F-statistic 18,4710
Durbin-Watson stat 2,6655 Prob(F-statistic) 0,0013

Valorile estimate ale variabilei yt şi ale variabilei reziduale uˆ1t sunt

prezentate în cadrul tabelului 2.5.2. (utilizând pachetul de programe
EViews):
Tabelul 2.5.2
Actual Fitted Residual Residual Plot
yt Yˆt1 uˆ1t (graficul reziduurilor)
198 257,3340 -59,3345 |* . | . |
209 157,1220 51,8777 | . | .* |
197 214,3860 -17,3864 | . * | . |
156 128,4900 27,5098 | . | * . |
85 137,0800 -52,0798 | *. | . |
187 180,0280 6,9721 | . |* . |
43 99,8582 -56,8582 |*. | . |
211 151,3960 59,6041 | . | . *|
120 122,7640 -2,7638 | . *| . |
62 68,3629 -6,3629 | . *| . |
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

176 185,7540 -9,7543 | . *| . |

117 114,1740 2,8258 | . |* . |
273 217,2500 55,7504 | . | .*|

În vederea verificării ipotezei de independenţă a erorilor se

calculează valoarea variabilei Durbin-Watson: d = 2,67 (vezi tabelul afişat
de programul EViews).
Pentru un prag de semnificaţie α = 0,05 , din tabela distribuţiei
Durbin-Watson se preiau valorile pentru cazul n = 15, k = 1 - numărul
variabilelor explicative d1 = 1,08 şi d 2 = 1,36 .
Cum 4 − d 2 = 2,64 ≤ d = 2,67 ≤ 4 − d1 = 2,92 , rezultă indecizie
tinzând spre autocorelare negativă.
Estimatorii modelului sunt semnificativ diferiţi de zero dacă:

aˆ1 bˆ1
taˆ1 = ≥ tα ; n − k −1 şi tbˆ = ≥ tα ; n − k −1
saˆ1 1
sbˆ
1

Deoarece:
aˆ 56,9101
taˆ1 = 1 = = 2,1873 < t0, 05;11 = 2,2010 → parametrul â1 nu
saˆ1 26,0181
este semnificativ diferit de zero.
bˆ1 2,8632
tbˆ = = = 4,2978 > t0,05;11 = 2,2010 → parametrul b̂1 este
1
sbˆ 0,6662
1

semnificativ diferit de zero.

Testul Fisher-Snedecor indică faptul că rezultatele obţinute sunt

semnificative, cu un prag de semnificaţie de 5%,
Fc = 18,471 > F0, 05;1;11 = 4,84 .

Raportul de corelaţie este semnificativ diferit de zero dacă se

verifică relaţia:
R2
Fc = (n − 2) > Fα ;v1 ; v 2
1 − R2
 Econometrie. Studii de caz

0,6268
Fc = 11 ⋅ = 18,471
1 − 0,6268

În funcţie de un prag de semnificaţie α = 0,05 şi de numărul

gradelor de libertate v1 = k = 1 şi v 2 = n − k − 1 = 13 − 2 = 11 se preia
valoarea teoretică F0 ,05;1;11 = 4 ,84 .
Se constată că Fc = 18,471 > F0 ,05;1;11 = 4 ,84 , deci, pentru un prag
de semnificaţie de 5%, valoarea raportului de corelaţie este semnificativ
diferită de zero.
Pe baza datelor de mai sus, modelul devine:

Yˆt1 = 56,9101 + 2,8632 x1t ; R = 0,7917

(26,0181) (0,6662) d = 2,67
suˆ1 = 42,7219

2) Model econometric privind dependenţa dintre cifra de afaceri şi

suprafaţa comercială
Estimarea parametrilor modelului y t = a 2 + b2 x 2 t + u 2 t se va face cu
ajutorul pachetului de programe EViews, prin aplicarea M.C.M.M.P., care a
condus la obţinerea următoarelor rezultate:

Dependent Variable: yt
Method: Least Squares
Sample: 1 13
Included observations: 13
Variable Coefficient Std. Error t-Statistic Prob.
C 61,3840 19,1642 3,2031 0,0084
x2t 6,0293 1,0485 5,7504 0,0001
R-squared 0,7504 Mean dependent var 156,4615
Adjusted R-squared 0,7277 S.D. dependent var 66,9510
S.E. of regression 34,9373 Akaike info criterion 10,0856
Sum squared resid 13426,74 Schwarz criterion 10,1725
Log likelihood -63,5566 F-statistic 33,0674
Durbin-Watson stat 2,2646 Prob(F-statistic) 0,0001
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Valorile estimate ale variabilei yt şi ale variabilei reziduale uˆ2t sunt

prezentate în cadrul tabelului 2.5.3. (utilizând pachetul de programe
EViews):

Tabelul 2.5.3
Actual Fitted Residual Residual Plot
yt Yˆt 2 uˆ 2t (graficul reziduurilor)
198 187,999 10,0006 | . |* . |
209 218,146 -9,1460 | . *| . |
197 145,794 51,2057 | . | . *|
156 121,677 34,3229 | . | * |
85 133,736 -48,7357 |* . | . |
187 181,970 5,0299 | . |* . |
43 91,5306 -48,5306 |* . | . |
211 230,205 -19,2046 | . * | . |
120 115,648 4,3522 | . |* . |
62 97,5599 -35,5599 | * | . |
176 121,677 54,3229 | . | . *|
117 109,618 7,3815 | . |* . |
273 278,439 -5,4390 | . *| . |

În vederea verificării ipotezei de independenţă a erorilor se

calculează valoarea variabilei Durbin-Watson: d = 2,26 (vezi tabelul afişat
de programul EViews).
Pentru un prag de semnificaţie α = 0,05 , din tabela distribuţiei
Durbin-Watson se preiau valorile (pentru cazul n = 15 , k = 1 - numărul
variabilelor explicative) d1 = 1,08 şi d 2 = 1,36 .
⎧d c = 2,26 > d 2 = 1,36
Cum ⎨ rezultă că erorile sunt independente.
d
⎩ c = 2, 26 < 4 − d 2 = 2, 64

Deoarece:

aˆ2 61,384
taˆ 2 = = = 3,2031 > t0, 05;11 = 2,2010
saˆ 2 19,1642
 Econometrie. Studii de caz

bˆ2 6,0293
t bˆ = = = 5,7504 > t0,05;11 = 2,2010
2
sbˆ 1,0485
2

rezultă că ambii estimatori, a$ 2 şi b$2 , sunt semnificativ diferiţi de zero, cu

un prag de semnificaţie α = 0,05 .
Testul Fisher-Snedecor indică faptul că rezultatele obţinute sunt
semnificative, cu un prag de semnificaţie de 5%,
Fc = 33,0674 > F0 ,05;1;11 = 4 ,84 .
Se verifică, de asemenea, semnificaţia raportului de corelaţie:

R2 0,7504
Fc = (n − 2 ) = 11 ⋅ = 33,0674
1− R 2
1 − 0,7504

Se constată că Fc = 33,0674 > F0 ,05;1;11 = 4 ,84 , deci, pentru un prag

de semnificaţie de 5%, valoarea raportului de corelaţie este semnificativ
diferită de zero.
Pe baza datelor de mai sus, modelul devine:

Yˆt 2 = 61,384 + 6,0293 x2t ; R = 0,8662

(19,1642) (1,0485) d = 2,26
suˆ 2 = 34,9373

3) Model econometric multifactorial privind dependenţa cifrei de

afaceri de suprafaţa comercială şi de numărul de familii
Estimarea parametrilor modelului multifactorial,
yt = a3 + b3 x1t + c3 x2t + u3t , necesită efectuarea următoarelor calcule:
- obţinerea sistemului de ecuaţii normale prin aplicarea M.C.M.M.P.
care constă în:

( ) 13
(
F aˆ3 , bˆ3 , cˆ3 = min ∑ y t − aˆ3 − bˆ3 x 1t − cˆ3 x 2t
t =1
)
2
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Minimul acestei funcţii este dat de calculul derivatelor parţiale în

raport cu parametrii modelului :

(
F ′(aˆ3 ) = 0 ⇒ 2∑ yt − aˆ3 − bˆ3 x1t − cˆ3 x2t (− 1) = 0 )
t

( ) (
F ′ bˆ3 = 0 ⇒ 2∑ y t − aˆ3 − bˆ3 x 1t − cˆ3 x 2t (− x 1t ) = 0
t
)
(
F ′(cˆ3 ) = 0 ⇒ 2∑ y t − aˆ3 − bˆ3 x 1t − cˆ3 x 2t (− x 2t ) = 0
t
)
După efectuarea calculelor rezultă următorul sistem de ecuaţii:

⎧naˆ3 + bˆ3 ∑ x 1t + cˆ3 ∑ x 2t = ∑ y t

⎪⎪
⎨aˆ3 ∑ x 1t + bˆ3 ∑ x 1t + cˆ3 ∑ x 1t x 2t = ∑ x 1t y t
2

⎪
⎪⎩aˆ3 ∑ x 2t + bˆ3 ∑ x 1t x 2t + cˆ3 ∑ x 2t = ∑ x 2t y t
2

Valorile estimatorilor rezultă în urma rezolvării sistemului de ecuaţii

ale cărui necunoscute sunt cei trei parametrii a 3 , b3 , c3 .
Pentru exemplificare, estimarea parametrului a$ 3 cu ajutorul
[Link].M.P. se realizează astfel:
∑y ∑x t∑x 1t 2t 2034 452 205
∑x y ∑x ∑x x
1t t
2
1t 1t 2 t 82495 19828 8452

aˆ3 =
∑x y ∑x x ∑x
2t t 1t 2 t
2
2t
=
38769 8452 4343
n ∑x ∑x 1t 2t
13 452 205
∑x ∑x ∑x x
1t
2
1t 1t 2 t
452 19828 8452
∑x ∑x x ∑x
2t 1t 2 t
2
2t
205 8452 4343

aˆ3 = 37,5023

În mod analog se obţin valorile celorlalţi doi parametrii: bˆ3 = 1,4963

şi cˆ3 = 4,2446 .
 Econometrie. Studii de caz

Rezolvarea modelului s-a realizat cu ajutorul programului EViews,

conducând la afişarea următoarelor rezultate:

Dependent Variable: Yt
Method: Least Squares
Sample: 1 13
Included observations: 13
Variable Coefficient Std. Error t-Statistic Prob.
C 37,5023 17,6461 2,1252
X1t 1,4963 0,5534 2,7039
X2t 4,2446 1,0650 3,9856
R-squared 0,8558 Mean dependent var 156,4615
Adjusted R-squared 0,8270 S.D. dependent var 66,9510
S.E. of regression 27,8500 Akaike info criterion 9,6907
Sum squared resid 7756,2140 Schwarz criterion 9,8211
Log likelihood -59,9897 F-statistic 29,6749
Durbin-Watson stat 2,1682 Prob(F-statistic) 0,0001

Valorile estimate ale variabilei yt şi ale variabilei reziduale uˆ3t sunt

prezentate în cadrul tabelului 2.5.4. (utilizând pachetul de programe
EViews):

Tabelul 2.5.4
Actual Fitted Residual Residual Plot
yt Yˆt 3 uˆ3t (graficul reziduurilor)
198 231,3800 -33,3796 | *. | . |
209 200,2330 8,7674 | . |* . |
197 179,2230 17,7771 | . | *. |
156 117,3560 38,6443 | . | . * |
85 130,3340 -45,3339 |* . | . |
187 186,7350 0,2648 | . * . |
43 81,1697 -38,1697 | * . | . |
211 205,7290 5,2707 | . |* . |
120 110,1190 9,8815 | . | * . |
62 68,9552 -6,9552 | . *| . |
176 147,2810 28,7185 | . | .* |
117 101,3850 15,6149 | . | * . |
273 274,1010 -1,1009 | . * . |
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

O cale mai rapidă de estimare a parametrilor se realizează utilizând

calculul matriceal, sistemul de ecuaţii de mai sus devenind:

( X ′X )B$ = ( X ′Y )

Înmulţind la stânga expresia cu ( X ′X )

−1
obţinem:

( X ′X )−1 ( X ′X )Bˆ = ( X ′X )−1 ( X ′Y )

Rezultă că:

⎛ a$ 3 ⎞
⎜ ⎟
B$ = ⎜ b$3 ⎟ = ( X ′X ) ( X ′Y )
−1

⎜$ ⎟
⎝ c3 ⎠

unde matricile sunt de forma:

⎛1 70 21⎞ ⎛ 198 ⎞ ⎛ uˆ1 ⎞

⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜1 35 26⎟ ⎜ 209 ⎟ ⎜ uˆ2 ⎟
⎜1 55 14⎟ ⎜ 197 ⎟ ⎜ uˆ ⎟
⎜ ⎟ ⎜ ⎟ ⎜ 3⎟
⎜1 25 10⎟ ⎜ 156 ⎟ ⎜ M ⎟
⎜1 28 12⎟ ⎜ 85 ⎟ ⎜ M ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜1 43 20⎟ ⎜ 187 ⎟ ⎜ M ⎟
⎜ ⎟ ⎜ ⎟
X = ⎜1 15 5⎟ Y = ⎜ 43 ⎟ U =⎜ M ⎟
⎜ ⎟
⎜1 33 28⎟ ⎜ 211 ⎟ ⎜ M ⎟
⎜1 ⎟ ⎜ ⎟ ⎜ ⎟
⎜ 23 9⎟ ⎜ 120 ⎟ ⎜ M ⎟
⎜1 4 6⎟ ⎜ 62 ⎟ ⎜ M ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜1 45 10⎟ ⎜ 176 ⎟ ⎜ M ⎟
⎜1 20 8⎟ ⎜ 117 ⎟ ⎜ M ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎝1 56 36⎠ ⎜ 273 ⎟ ⎜ uˆ ⎟
⎝ ⎠ ⎝ 13 ⎠
 Econometrie. Studii de caz

Se calculează matricile:

⎛ 13 452 205 ⎞
⎜ ⎟
( X ′X ) = ⎜ 452 19828 8452 ⎟
⎜ 205 8452 4343 ⎟
⎝ ⎠

⎛ 2034 ⎞
⎜ ⎟
( X ′Y ) = ⎜ 82495 ⎟
⎜ 38769 ⎟
⎝ ⎠
X ′X = 36557768

⎛ 14676700 −230376 −244436⎞

⎜ ⎟
( X ′X ) ∗
= ⎜ −230376 14434 −17216 ⎟
⎜ ⎟
⎝ −244436 −17216 53460 ⎠

⎛14676700 − 230376 − 244436 ⎞

1 ⎜ ⎟
( X ′X ) −1
= ⎜ − 230376 14434 − 17216 ⎟
36557768 ⎜
⎝ − 244436 − 17216 53460 ⎟⎠

⎛ 0,4015 − 0,0063 − 0,0067 ⎞

⎜ ⎟
( X ′X )
−1
= ⎜ − 0,0063 0,0004 − 0,0005 ⎟
⎜ − 0,0067 − 0,0005 0,0015 ⎟
⎝ ⎠

Calculând produsul:

⎛ aˆ3 ⎞ ⎛ 37,5023 ⎞
⎜ ⎟ ⎜ ⎟
Bˆ = ( X ′X ) ( X ′Y ) = ⎜ bˆ3 ⎟ = ⎜ 1,4963 ⎟
−1

⎜ cˆ ⎟ ⎜ 4,2446 ⎟
⎝ 3⎠ ⎝ ⎠
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Valorile teoretice ale cifrei de afaceri rezultă deci din relaţia:

Yˆt 3 = 37,5023 + 1,4963 x1t + 4,2446 x2t

Calculul celorlalţi indicatori ai modelului multifactorial se va face

utilizând următoarele relaţii:

( ∑ )
2
1 n uˆ3t
su2ˆ 3 = ∑
n − k − 1 t =1
yt − Yˆ
t
3 2
=
n − k −1
- estimaţia dispersiei ( σ u23 ) a

variabilei reziduale u3
s (2aˆ ˆ
2
) = s uˆ 3 c ij - estimaţiile dispersiilor parametrilor a 3 , b3 , c3 ,
3 ,b3 ,cˆ3

unde:
cij = elementul situat pe diagonala principală a matricei inverse

( X ′X ) −1 ;

⎞ ⎛⎜ saˆ 3 ⎞⎟
2
⎛ 0,4015
⎜ ⎟
s(2aˆ ) = su ⋅⎜ ⎟ = ⎜ sbˆ3 ⎟
2 2
ˆ 0,0004
3 , b3 , cˆ 3
⎜ ⎜ ⎟
0,0015 ⎟⎠ ⎜⎝ sc2ˆ3 ⎟⎠
3

∑ (Yˆ ) 1− ∑
(y − Yˆ )
2 3 2
3
−y
R= t
= t t
- raportul de corelaţie
∑(y t − y)
2
∑(y − y) t
2

∑ (uˆ3t − uˆ3t −1 )
n
2

d = t =2 n
- valoarea variabilei Durbin-Watson calculată
2
∑ uˆ3t
t =1

în vederea testării ipotezei de independenţă a erorilor.

Verificarea semnificaţiei acesteia se face cu ajutorul tabelei Durbin-
Watson, din care se extrag valorile d 1 = 0,95 şi d 2 = 1,54 în funcţie de un
 Econometrie. Studii de caz

prag de semnificaţie α = 0,05 , de numărul variabilelor exogene k = 2 şi de

numărul observaţiilor n = 13 (n = 15) .
Comparând valoarea calculată a variabilei Durbin-Watson d c = 2,17
cu cele două valori tabelate se observă că d c = 2 ,17 > d 2 = 1,54 şi
d c = 2 ,17 < 4 − d 2 = 2 ,36 , deci erorile sunt independente.
În urma testării semnificaţiei parametrilor s-a constatat că:
t c â = 2 ,1252 < t 0 ,05;10 = 2 ,228 rezultă că parametrul a$ 3 nu este
3

semnificativ diferit de zero;

tcbˆ = 2,7039 > t0,05;10 = 2,228 rezultă că parametrul b$3 este
3

semnificativ diferit de zero;

t ccˆ = 3,9856 > t 0,05;10 = 2,228 rezultă că parametrul c$3 este
3

semnificativ diferit de zero.

Deoarece Fc = 29,6749 > F0, 05; 2;10 = 4,1 rezultă că valoarea raportului
de corelaţie este semnificativ diferită de zero, cu un prag de semnificaţie de
0,05.
Utilizând ecuaţia analizei variaţiei:

∑(y t ( ) (
− y ) = ∑ yt − Yˆt 3 + ∑ Yˆt 3 − y
2 2
)
2

rezultă că modelul econometric explică 85,58% ⎜

⎛
∑ Yt (
ˆ3 − y 2
⋅ 100
⎞)
⎟ din
⎜ ( y − y )2 ⎟
⎝∑ t ⎠
variaţia totală a cifrei de afaceri.
În concluzie, putem afirma că modelul este corect specificat, adică
variabilele x1t şi x 2 t sunt factori semnificativi ai cifrei de afaceri, deoarece
estimatorii lor sunt semnificativ diferiţi de zero şi corect identificaţi,
deoarece modelul explică cea mai mare parte din variaţia cifrei de afaceri.
b$3 c$3
De asemenea, relaţiile > t α , n − k −1 ; > t α ;n − k −1 indică şi faptul că
sb$ sc$3
3

cele două variabile x1t şi x 2 t nu sunt corelate liniar. Dacă acestea ar fi fost
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

corelate liniar (puternic) atunci unul dintre estimatori ar fi fost

nesemnificativ, ceea ce înseamnă că una dintre cele două variabile trebuie
eliminată din model.
Prin utilizarea unui model liniar multifactorial, cei doi estimatori, b$ 3

şi c$3 , reprezintă coeficienţii de regresie (coeficienţii marginali sau

∂y ∂y
, ), ceea ce înseamnă că la o modificare de ±100 a numărului de
∂x1 ∂x 2
familii, cifra de afaceri a magazinului va suferi o modificare de ±1,4963 mil.
lei, iar dacă suprafaţa comercială se va modifica cu ±10m2, cifra de afaceri
va suporta o modificare de ±4,2446 mil. lei.
Ca atare, modelul care descrie legătura dintre fenomenele analizate
este:
Yˆ 3 = 37,5023 + 1,4963 x + 4,2446 x ;
t 1t R = 0,9251 2t

(17,6461) (0,5534) (1,065) d = 2,17

suˆ 3 = 27,85
c) Alegerea celui mai bun model econometric din cele trei modele
analizate se va face pe baza tabelului de mai jos, în raport cu modelul iniţial
( M 0 ):

Tabelul 2.5.5
Simbolul Coeficienţii de Coeficienţii de
modelului Variaţia performanţă performanţă
Ml Structura modelului neexplicată de parţială
Vu2
R 2j / 0 = 1 −
(l = 0,3) model
V02 R 2j +1/ j = 1 −
Vu2j + 1
Vu2j

Vu20 = V02 Vu20

M0 R02 / 0 = 1 −
yt = y + u0 = ∑ (y − y)2 V02
(l = 0) t
-
= 53789,2308 =0
y t = a1 + b1 x1t + u1t R12/ 0 =
M1
Yˆ 1 = 56,9101 + 2,8632 x
Vu21 = ∑ (y − Yˆ )
t t
1 2
=1−
20076,7405
R12/ 0 = 0,6268
(l = 1) t 1t
= 20076,7405 53789,2308
(26,0181) (0,6662) = 0,6268

y t = a 2 + b2 x 2 t + u 2 t R 22/ 0 =
M2 ∑( )
2
Vu22 = yt − Yˆt 2 13426,7387
Yˆ 2 = 61,384 + 6,0293x =1− R22/1 = 0,3312
(l = 2) t 2t
= 13426,7387 53789,2308
(19,1642) (1,0485) = 0,7504
 Econometrie. Studii de caz

Simbolul Coeficienţii de Coeficienţii de

modelului Variaţia performanţă performanţă
Ml Structura modelului neexplicată de parţială
Vu2
R 2j / 0 = 1 −
(l = 0,3) model
V02 R 2j +1 / j = 1 −
Vu2j + 1
Vu2j

Vu2
R32/ 1 = 1 − =
Vw2
yt = a3 + b3 x1t + c3 x2t + u3t R32/ 0 = = 0,6137
M3 ∑ (y )
2
Vu23 = − Yˆt3 775,2142
Yˆ 3 = 37,5023 + 1,4963 x + 4,2446 x t
=1 − Vu2
(l = 3)
t

(17,6461) (0,5534)
1t

(1,065)
2t
= 7756,2142 53789,2308
= 0,8858
R32/ 2 = 1 − =
V z2
= 0,4223
Notă: j = 0,1, ... , q , ..., k ; k = numărul variabilelor exogene;
t = 1, n; n = numărul observaţiilor;
l = 0, m; m = numărul modelelor construite ( m = 3 ).

În cazul modelelor cu acelaşi număr de variabile exogene, cel mai

bun model este dat de restricţia : max R j2 . Pe baza acestui criteriu se observă
j

că: R22/ 0 = 0,7504 > R12/ 0 = 0,6268 , respectiv modelul M 2 explică mai bine
variaţia cifrei de afaceri (y) în funcţie de suprafaţa comercială ( x 2 ), în
comparaţie cu modelul M 1 , care utilizează ca variabilă exogenă numărul de
familii ( x1 ).
În cazul în care se compară două modele al căror număr de variabile
exogene este diferit (de exemplu, modelul M 2 cu M 3 ) alegerea celui mai
bun model se face cu ajutorul testului Fisher-Snedecor.
Utilizarea acestui test în acest caz constă în:
- calcularea valorii empirice a variabilei Fc

Vx2k − Vx2q Vu2k V02 − Vu2k − V02 + Vu2q Vu2k

Fc = : = :
k−q n− k −1 k−q n− k −1

Vu2q − Vu2k Vu2k

Fc = :
k−q n− k −1
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Vu22 − Vu23 Vu23

Fc = :
2−1 13 − 2 − 1

13426,7387 − 7756,2142 7756,2142

Fc = : = 7 ,3109
2 −1 10

- preluarea din tabela distribuţiei Fisher-Snedecor a valorii teoretice

a variabilei F în funcţie de un prag de semnificaţie α şi de numărul gradelor
de libertate v1 = k − q , v2 = n − k − 1 , respectiv pentru
α = 0,05; F0 ,05;1;10 = 4 ,96 .
Deoarece Fc = 7,3109 > F0,05;1;10 = 4,96 , prin introducerea variabilei
x1 în modelul M 3 creşte gradul de performanţă al acestui model în raport
cu modelul M 2 , în acelaşi timp influenţa acestei variabile asupra variabilei
y este semnificativă.
Ca atare, modelul care explică cel mai bine variaţia cifrei de afaceri
este modelul M 3 :

Yˆt 3 = 37,5023 + 1,4963 x1t + 4,2446 x2t ; R = 0,9251

(17,6461) (0,5534) (1,065) d = 2,17
s uˆ 3 = 27,85

d) Deoarece s-a constatat că modelul M 3 explică cel mai bine

variaţia cifrei de afaceri, acesta va fi utilizat în vederea estimării valorilor
probabile ale cifrei de afaceri pentru întreprinzătorul respectiv. În acest caz,
dacă x 0 = 1, x1 = 64, x 2 = 23 , în medie, cifra de afaceri este egală cu:

Yn∗+ v = a$ 3 x n + v , 0 + b$3 x n + v ,1 + c$3 x n + v , 2

unde:
Yn∗+ v = estimaţia punctuală a valorii de prognoză pentru variabila y;
y n + v = valoarea reală a variabilei y în momentul de prognoză ( n + v ).
 Econometrie. Studii de caz

Sub formă matriceală, relaţia anterioară devine:

Yn∗+ v = X v′ ⋅ Bˆ = X v′ ⋅ ( X ′X ) ⋅ ( X ′Y )
−1

unde:
⎛ 1 ⎞
⎜ ⎟
X v = ⎜ xn + v ,1 ⎟ - reprezintă matricea coloană a valorilor de prognoză ale
⎜x ⎟
⎝ n + v,2 ⎠
variabilelor x j ( j = 0,2 ) pentru momentul ( n + v ).

Yn∗+ v = 37,5023 ⋅ 1 + 1,4963 ⋅ 64 + 4,2446 ⋅ 23 = 230,89 ≈ 231 mil. lei.

În vederea estimării intervalului de încredere pentru această valoare

probabilă este necesară calcularea dispersiei acestei valori cu ajutorul
relaţiei:

[
sY2∗ = su2 1 + X v′ ( X ′X ) X v
n+ v
−1
]
⎡ ⎛ 0,0401 − 0,0063 − 0,0067 ⎞ ⎛ 1 ⎞ ⎤
⎢ ⎜ ⎟ ⎜ ⎟⎥
s 2
Y n∗+ v
= 775 ,6214 ⋅ ⎢1 + (1 64 23 ) ⋅ ⎜ − 0,0063 0,0004 − 0,0005 ⎟ ⋅ ⎜ 64 ⎟ ⎥ = 1001 ,84
⎢⎣ ⎜ − 0,0067 − 0,0005 0,0015 ⎟⎠ ⎜⎝ 23 ⎟⎠ ⎥⎦
⎝
sY ∗ = 31,65
n+v

Intervalul de încredere a prognozei cifrei de afaceri, estimat cu un

prag de semnificaţie α = 0,05 , pentru care valoarea lui tα , preluată din
tabela distribuţiei Student, este t 0 ,05;10 = 2 ,228 se va calcula cu ajutorul
relaţiei:

[ ]
P Yn∗+ v − tα sY ∗ ≤ yn + v ≤ Yn∗+ v + tα sY ∗ = 1 − α
n+v n+v
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

P[231 − 2,228 ⋅ 31,65 ≤ yn +v ≤ 231 + 2,228 ⋅ 31,65] = 1 − 0,05 = 0,95

P[160 ≤ yn +v ≤ 301] = 0,95

În concluzie, cu un prag de semnificaţie de 5%, cifra de afaceri a

întreprinzătorului respectiv va fi cuprinsă între 160 şi 301 milioane lei.

( )
e) Ştiind că rata profitului rp este egală cu:

CA − CT
rp( 0 0 ) =
CT
(
* 100 ⇒ CA = rp CT + CT ⇒ CA = CT 1 + rp )

unde:
CA = cifra de afaceri (y);
CT = cheltuieli totale.
Pe baza datelor problemei rezultă că antreprenorul, pentru a obţine
un profit mai mic sau egal cu 10 %, trebuie să realizeze o cifră de afaceri de
cel mult 220 mil. lei ( CA = 200 ⋅ (1 + 0,1) = 220 ).
Utilizând modelul econometric M 3 rezultă că cifra de afaceri a
acestor magazine urmează o distribuţie normală, de medie Y = 231 mil. lei
şi de abatere medie pătratică sY = 31,43 mil. lei şi, ca atare:

⎛ 220 − Y (64;23) ⎞
P(Y ≤ 220) = P⎜ t ≤ ⎟ = P(t ≤ −0,35) = P(t ≥ 0,35) = 0,3632
⎝ 31,43 ⎠

În concluzie, antreprenorul are 36,32% şanse de a nu realiza un

profit de 10%, aceasta reprezentând riscul său de a nu-şi realiza dezideratul
propus în urma cumpărării magazinului respectiv.

f) Estimarea parametrilor unui model econometric multifactorial

liniar pe baza matricei varianţelor şi covarianţelor şi a matricei coeficienţilor
de corelaţie liniară simpli
 Econometrie. Studii de caz

Fie modelul:

y t = b0 + b1 x1t + b2 x 2t + u t (1)

Se însumează (1) şi se împarte la n obţinându-se ecuaţia:

y = b0 + b1 x1 + b2 x 2 (2)

Se scade ecuaţia (2) din (1) şi rezultă:

y t − y = b1 ( x1t − x1 ) + b2 ( x 2 t − x 2 ) + u t (3)

Notăm cu:

y t∗ = y t − y

x1∗t = x1t − x1

x 2∗t = x 2 t − x 2

Modelul (3), construit pe baza abaterilor centrate ale variabilelor,

devine:

y t* = b1 x1*t + b2 x 2*t + u t

În acest caz, matricea varianţelor şi covarianţelor modelului se

defineşte astfel:

⎛ σ yy2 cov( yx1 ) cov( yx2 ) ⎞

⎜ ⎟
V = ⎜ cov( x1 y ) σ x21 x1 cov( x1 x2 )⎟
⎜ cov( x y ) cov( x x ) σ x22 x2 ⎟⎠
⎝ 2 2 1
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

unde:

13

∑ (y ) ∗ 2
t
σ 2y = t =1
- dispersia variabilei y;
n

∑ (x )
13
∗ 2
tj
σ x2 = t =1
- dispersia variabilei x tj ( j = 1,2 );
j
n

∑(y (
− y ) x tj − x )= ∑y x ∗ ∗

(
cov y , x j = ) t

n
t

n
tj

x1 = 34,7692 ≈ 34,77
x2 = 15,7692 ≈ 15,77

y = 156 ,4615 ≈ 156 ,46

Tabelul 2.5.6
Nr.
x = x 1 t − x1 x = x 2 t − x 2 y = y t − y
*
1t
*
2t
*
t x y *
1t
*
t
*
x y
2t
*
2t x1*t x 2*t
crt.
0 1 2 3 4 5 6
1 35,23 5,23 41,54 1463,4542 217,2542 184,2529
2 0,23 10,23 52,54 12,0842 537,4842 2,3529
3 20,23 -1,77 40,54 820,1242 -71,7558 -35,8071
4 -9,77 -5,77 -0,46 4,4942 2,6542 56,3729
5 -6,77 -3,77 -71,46 483,7842 269,4042 25,5229
6 8,23 4,23 30,54 251,3442 129,1842 34,8129
7 -19,77 -10,77 -113,46 2243,1042 1221,9642 212,9229
8 -1,77 12,23 54,54 -96,5358 667,0242 -21,6471
9 -11,77 -6,77 -36,46 429,1342 246,8342 79,6829
10 -30,77 -9,77 -94,46 2906,5342 922,8742 300,6229
11 10,23 -5,77 19,54 199,8942 -112,7458 -59,0271
12 -14,77 -7,77 -39,46 582,8242 306,6042 114,7629
13 21,23 20,23 116,54 2474,1442 2357,6042 429,4829
Total -0,01 -0,01 0,02 11774,3846 6694,3846 1324,3077
 Econometrie. Studii de caz

σ yy2 = (σ y )2 = 4137,63

6694,3846
cov( yx2 ) = = 514,95
13

σ x2 x = (σ x
1 1 1
)
2
= 316,33
1324,3077
cov( x1 x2 ) = = 101,87
13

σ x2 x = (σ x
2 2 2
) 2
= 85,41

117743846
cov( yx1 ) = = 905,72
13

⎛ 4137,63 905,72 514,95 ⎞

⎜ ⎟
V = ⎜ 905,72 316,33 101,87 ⎟
⎜ 514,95 101,87 85,41 ⎟
⎝ ⎠

Matricea varianţelor şi covarianţelor poate fi calculată şi cu ajutorul

pachetului de programe EViews.
Dispunând de matricea V, estimatorii bˆ j = bˆ y / x j se calculează cu
ajutorul relaţiei:

Vyx j
bˆy / x j = bˆ j = (− 1)
j +1
, j = 1, k
Vyy

unde:
V yx j = determinantul matricei varianţelor şi covarianţelor din care
se elimină linia y şi coloana x j ;
V yy = determinantul matricei varianţelor şi covarianţelor din care se
elimină linia y şi coloana y.
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

905,72 101,87
514,95 85,41 24898,0164
bˆ1 = (− 1)
2
= = 1,4963
316,33 101,87 16639,858
101,87 85,41

905,72 316,33
514,95 101,87 − 70629,9481
bˆ2 = (− 1)
3
=− = 4,2446
16639,858 16639,858
Estimatorul b$0 se calculează din relaţia (2):

bˆ0 = y − bˆ1 x1 − bˆ2 x2 ⇒ bˆ0 = 156,4615− 1,4963⋅ 34,7692− 4,2446⋅15,7692

bˆ0 = 37,5024

Matricea coeficienţilor de corelaţie liniară simplă a variabilelor pe

baza relaţiei (3) se defineşte:

⎛ 1 ryx1 ryx2 ⎞
⎜ ⎟
R = ⎜ rx1y 1 rx1x2 ⎟
⎜r rx2 x1 1 ⎟⎠
⎝ x2 y

unde:

ry ∗ x ∗ =
∑y ∗ ∗
x
t tj
=
∑y ∗ ∗
x
t tj

nσ y ∗ σ x∗
∑ (y ) ∑ (x )
∗ 2 ∗ 2
tj
j t tj

⎛ 1 0,7917 0,8662 ⎞
⎜ ⎟
R = ⎜ 0,7917 1 0,6198 ⎟ , calculată cu ajutorul programului EViews.
⎜ 0,8662 0,6198 1 ⎟⎠
⎝
Cu ajutorul acestei matrici, estimatorii b$y / x j = b$ j se pot calcula
astfel:
R yx j σ y
b$y / x j = b$ j = ( −1)
j +1

R yy σ x j
 Econometrie. Studii de caz

unde:
R yx j = determinantul matricei R din care s-a eliminat linia y şi
coloana x j ;
R yy = determinantul matricei R din care s-a eliminat linia y şi
coloana y.

0,7917 0,6198
0,8662 1 66,951
bˆ1 = (− 1)
2
⋅ = 1,4963
1 0,6198 18,512
0,6198 1

0,7917 1
0,8662 0,6198 66,951
bˆ2 = (− 1)
3
⋅ = 4,2446
0,6158 9,619

În mod analog, estimatorul b$0 se calculează din relaţia (2):

bˆ0 = 37,5024

2.1.6 Model multifactorial neliniar- funcţia Cobb-Douglas fără

progres tehnic

Se cunosc următoarele date privind valoarea adăugată brută (Q),

capitalul fix (mijloace fixe sau imobilizări corporale la sfârşitul anului) (K)
şi numărul mediu de salariaţi (L), exprimate în preţuri comparabile
(1990=100), în România, în perioada 1980-2002:
Tabelul 2.6.1
Imobilizări
Valoarea adăugată brută
corporale Numărul mediu de salariaţi
Anul (mld. lei)
(mld. lei ) (mii pers.)
(1990=100)
(1990=100)
0 1 2 3
1980 767,0 2451,1 7378
1981 756,6 2630,5 7435
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Imobilizări
Valoarea adăugată brută
corporale Numărul mediu de salariaţi
Anul (mld. lei)
(mld. lei ) (mii pers.)
(1990=100)
(1990=100)
0 1 2 3
1982 762,3 2544,3 7553,2
1983 795,6 2764,7 7600,1
1984 838,6 3011,5 7585
1985 849,0 3216,1 7700
1986 865,5 3432,0 7751,9
1987 882,8 3650,3 7790
1988 886,0 3781,4 7842,6
1989 819,2 4005,5 7997,1
1990 788,1 3498,0 8156
1991 700,1 1526,6 7574
1992 668,2 2622,5 6888
1993 641,0 917,1 6672
1994 663,1 487,9 6438
1995 710,3 1811,6 6160
1996 747,6 1386,7 5939
1997 691,0 720,4 5597
1998 634,0 820,5 5369
1999 621,7 908,2 4761
2000 637,8 1300,0 4623
2001 680,6 1417,1 4619
2002 715,1 1510,2 4568
Notă: Valoarea adăugată brută este calculată conform metodologiei de calcul a Sistemului European
al Conturilor Economiei Integrate - SEC 1979. Valoarea adăugată brută şi imobilizările corporale au
fost deflaţionate cu ajutorul deflatorului PIB exprimat în preţuri constante (1990 = 100), obţinut în
urma prelucrării datelor din Raportul Anual BNR.
Sursa: Date prelucrate pe baza Anuarului Statistic al României 1995, CNS, Bucureşti, 1996, p. 152-
153, 366-367, 386, Anuarului Statistic al României 2001, INS, Bucureşti, 2002, p. 276, 303, 104,
Anuarului Statistic al României 2003, INS, Bucureşti, 2004, p. 106, 282, 312, Raportului Anual 1999,
BNR, Bucureşti, 2000, p. 6*-9*, Raportului Anual 2000, BNR, Bucureşti, 2001, p. 6*-7*, Raportului
Anual 2002 BNR, Bucureşti, 2003, p. 4*-5*, Dobrescu, E., Macromodels of the Romanian Transition
Economy, Second Edition, Editura Expert, Bucharest, 1998, p. 174, 175-176, 184.

Se cere:
a) Să se descrie corelaţia dintre cele trei fenomene economice cu
ajutorul modelului Cobb-Douglas;
b) Să se estimeze parametrii modelului şi să se facă discuţia
econometrică a modelului obţinut;
 Econometrie. Studii de caz

c) Să se comenteze semnificaţia parametrilor modelului şi să se

verifice ipoteza conform căreia funcţia de producţie este de randament
constant (α + β = 1) .

Rezolvare:

a) Funcţia Cobb-Douglas se prezintă sub forma:

Q = AK α Lβ u (1)

unde:
A = parametru de scară;
α , β = coeficienţii de elasticitate ai valorii adăugate brute reale în raport cu
fiecare din factorii de influenţă utilizaţi;
Q = valoarea adăugată brută reală;
K = capitalul fix real (mijloace fixe sau imobilizări corporale la sfârşitul
anului);
L = numărul mediu de salariaţi.

b) Modelul (1) este un model multifactorial neliniar care poate fi

transformat într-un model liniar prin logaritmare:

ln Q = ln A + α ln K + β ln L + ln u (2)

Facem următoarele notaţii:

ln Q = y t ;

ln A = a ;

ln K = x1t ;

ln L = x 2 t ;
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

ln u = u t′ .

Modelul devine:

y t = a + αx1t + βx 2t + u t′ (3)

Estimarea parametrilor acestui model se realizează cu ajutorul

M.C.M.M.P.:

( ) ( )
23 23
F aˆ ,αˆ , βˆ = min ∑ ( yt − yˆ t ) = min ∑ yt − aˆ − αˆx1t − βˆx2t
2 2

t =1 t =1

Minimul acestei funcţii este dat de calculul derivatelor parţiale în

raport cu parametrii modelului:

F ′(aˆ ) = 0 ⇒ 2 ∑ (y − aˆ − αˆx
t 1t )
− βˆx2 t (− 1) = 0
t

(
F ′(αˆ ) = 0 ⇒ 2∑ yt − aˆ − αˆx1t − βˆx 2t (− x1t ) = 0 )
t

() (
F ′ βˆ = 0 ⇒ 2∑ y t − aˆ − αˆx1t − βˆx 2t (− x 2t ) = 0 )
t

După efectuarea calculelor rezultă următorul sistem de ecuaţii:

⎧na$ + α$ ∑ x1t + β$ ∑ x 2 t = ∑ y t
⎪⎪
⎨a$ ∑ x1t + α$ ∑ x1t + β ∑ x1t x 2 t = ∑ x1t y t
2 $
⎪
⎪⎩a$ ∑ x 2 t + α$ ∑ x1t x 2 t + β ∑ x 2 t = ∑ x 2 t y t
$ 2
 Econometrie. Studii de caz

Datele necesare rezolvării modelului se obţin pe baza tabelului de mai jos:

Tabelul 2.6.2
Valoarea Numărul
Imobilizări
adăugată mediu de
Nr. corporale
brută salariaţi yt x1t x2t ŷt uˆt′
crt. (mld. lei )
(mld. lei) (mii
(1990=100)
(1990=100) pers.)
0 1 2 3 4 5 6 7 8
1 767,0 2451,1 7378 6,6425 7,8043 8,9063 6,6572 -0,0147
2 756,6 2630,5 7435 6,6288 7,8749 8,9140 6,6668 -0,0380
3 762,3 2544,3 7553,2 6,6363 7,8416 8,9297 6,6655 -0,0292
4 795,6 2764,7 7600,1 6,6791 7,9247 8,9359 6,6764 0,0027
5 838,6 3011,5 7585 6,7317 8,0102 8,9339 6,6862 0,0456
6 849,0 3216,1 7700 6,7441 8,0759 8,9490 6,6964 0,0476
7 865,5 3432,0 7751,9 6,7633 8,1409 8,9557 6,7053 0,0581
8 882,8 3650,3 7790 6,7831 8,2026 8,9606 6,7134 0,0697
9 886,0 3781,4 7842,6 6,7867 8,2378 8,9673 6,7187 0,0681
10 819,2 4005,5 7997,1 6,7083 8,2954 8,9868 6,7287 -0,0204
11 788,1 3498,0 8156 6,6696 8,1599 9,0065 6,7160 -0,0464
12 700,1 1526,6 7574 6,5512 7,3308 8,9325 6,6056 -0,0544
13 668,2 2622,5 6888 6,5046 7,8719 8,8375 6,6537 -0,1491
14 641,0 917,1 6672 6,4630 6,8213 8,8057 6,5241 -0,0611
15 663,1 487,9 6438 6,4969 6,1901 8,7700 6,4435 0,0534
16 710,3 1811,6 6160 6,5657 7,5020 8,7258 6,5913 -0,0256
17 747,6 1386,7 5939 6,6169 7,2347 8,6893 6,5536 0,0633
18 691,0 720,4 5597 6,5381 6,5798 8,6300 6,4662 0,0719
19 634,0 820,5 5369 6,4520 6,7099 8,5884 6,4747 -0,0226
20 621,7 908,2 4761 6,4325 6,8115 8,4682 6,4666 -0,0342
21 637,8 1300,0 4623 6,4580 7,1701 8,4388 6,5041 -0,0461
22 680,6 1417,1 4619 6,5230 7,2564 8,4379 6,5142 0,0088
23 715,1 1510,2 4568 6,5724 7,3200 8,4268 6,5198 0,0526
Total 17120,9 50414,2 153996,9 151,9480 166,0466 193,7698 151,9480 0,0000
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Rezolvarea modelului s-a realizat cu ajutorul programului EViews,

conducând la afişarea următoarelor rezultate:

Dependent Variable: yt
Method: Least Squares
Included observations: 23
Variable Coefficient Std. Error t-Statistic Prob.
C 4,2465 0,6405 6,6300 0,0000
x1t 0,1183 0,0287 4,1234 0,0005
x2t 0,1670 0,0876 1,9075 0,0709
R-squared 0,7498 Mean dependent var 6,6064
Adjusted R-squared 0,7248 S.D. dependent var 0,1132
S.E. of regression 0,0594 Akaike info criterion -2,6883
Sum squared resid 0,0705 Schwarz criterion -2,5402
Log likelihood 33,9153 F-statistic 29,9722
Durbin-Watson stat 0,9991 Prob(F-statistic) 0,0000

În urma testării semnificaţiei parametrilor s-a constatat că:

t Aˆ = 6,63 > t0,01; 20 = 2,845 rezultă că parametrul a este semnficativ
diferit de zero;
tαˆ = 4,1234 > t0, 01; 20 = 2,845 rezultă că parametrul α este
semnficativ diferit de zero;
t βˆ = 1,9075 < t0, 01; 20 = 2,845 rezultă că parametrul β nu este
semnificativ diferit de zero.
Verificarea semnificaţiei variabilei Durbin-Watson, calculată în
vederea testării ipotezei de independenţă a erorilor, se face cu ajutorul
tabelei Durbin-Watson din care se extrag valorile d1 = 0,94 şi d 2 = 1,29 , în
funcţie de un prag de semnificaţie α = 0,01 , de numărul de variabile
exogene (k = 2 ) şi de numărul observaţiilor n = 23 .
Comparând valoarea calculată a variabilei Durbin-Watson
d c = 0,9991 cu cele două valori tabelate se observă că
 Econometrie. Studii de caz

d c = 0,9991 > d1 = 0,94 şi d c = 0,9991 < d 2 = 1,29 rezultând indecizie

tinzând spre o slabă autocorelaţie pozitivă care poate fi neglijată.
Deoarece Fc = 29,9722 > F0, 01; 2; 20 = 5,85 rezultă că valoarea
raportului de corelaţie este semnificativ diferită de zero, cu un prag de
semnificaţie de 0,01.
Utilizând ecuaţia analizei variaţiei:

∑(y − y ) = ∑ ( yt − yˆ t ) + ∑ ( yˆ t − y )
2 2 2
t

0,282 = 0,0705 + 0,2115

⎛ ∑ ( yˆ t − y )2 ⎞
rezultă că modelul econometric explică aproximativ 75% ⎜ ⎟ din
⎜ ∑ ( y − y )2 ⎟
⎝ t ⎠
variaţia valorii adăugate brute reale.
În final, modelul este de forma:

yˆ t = 4,2465 + 0,1183x1t + 0,167 x2t ; R = 0,8659

(0,6405) (0,0287) (0,0876) d = 0,9991 (4)
suˆ ′ = 0,0594

c) După cum se ştie, coeficientul de elasticitate este definit ca:

d (ln y )
E y /x =
d (ln x )

În modelul Cobb-Douglas, parametrii α şi β reprezintă coeficienţii

de elasticitate ai valorii adăugate brute reale în raport cu cei doi factori,
imobilizări fixe reale ( x1 ) şi numărul mediu de salariaţi ( x 2 ) , aceştia
măsurând variaţia relativă a valorii adăugate brute reale în funcţie de
variaţia relativă a factorilor săi de influenţă.
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Valorile celor doi parametrii au următoarea semnificaţie:

E y / x1 = αˆ = 0,1183
E y / x 2 = βˆ = 0,167

La o creştere cu 1% a imobilizărilor corporale reale, valoarea

adăugată brută reală creşte cu 0,12%, deci valoarea adăugată brută reală este
inelastică în raport cu imobilizările corporale reale, iar pentru celălalt factor
de producţie, număr mediu de salariaţi, nu poate fi făcută o evaluare
econometrică, deoarece estimatorul acestuia, βˆ , este nesemnificativ.
Ipoteza potrivit căreia funcţia este de randament constant, respectiv
dacă se verifică următoarea restricţie liniară aplicată parametrilor modelului,
respectiv: α + β = 1 va fi verificată cu ajutorul testului Wald15. În vederea
aplicării acestui test este necesară estimarea parametrilor modelului de
regresie cu restricţii, pentru care se verifică relaţia: α = 1 − β , având
următoarea formă:
(ln Qt − ln K t ) = a + β (ln Lt − ln K t ) + vt (5)

Utilizând programul EViews au fost obţinute următoarele rezultate:

Dependent Variable: (ln Qt − ln Kt )

Method: Least Squares
Sample: 1980 2002
Included observations: 23
Variable Coefficient Std. Error t-Statistic Prob.
C -2,1982 0,0829 -26,5106 0,0000
(ln Lt − ln K t ) 1,0108 0,0617 16,3731 0,0000
R-squared 0,9274 Mean dependent var -0,9312
Adjusted R-squared 0,9239 S.D. dependent var 0,5179
S.E. of regression 0,1429 Akaike info criterion -0,9707
Sum squared resid 0,4287 Schwarz criterion -0,8720
Log likelihood 13,1635 F-statistic 268,0768
Durbin-Watson stat 0,1798 Prob(F-statistic) 0,0000

15
Cf. op. cit., p. 256-258.
 Econometrie. Studii de caz

(ln Qt − ln K t ) = −2,1982 + 1,0108 ⋅ (ln Lt − ln Kt ) ; R = 0,963

(0,0829) (0,0617) d = 0,1798 (6)
svˆ = 0,1429

Se consideră că modelul (2) este modelul de regresie fără restricţii.

Aplicarea testului Wald constă în verificarea următoarei inegalităţi:

⎛ ⎞
⎜ ∑ vt2 − ∑ ut′2 ⎟ m
Fc = ⎝ t t ⎠ < Fα ; v1 ; v 2 (7)
∑ ut (n − k )
′
t
2

unde:
∑ ut′2 = suma pătratelor erorilor corespunzătoare modelului de regresie fără
t

restricţii (2);
∑v
t
2
t = suma pătratelor erorilor corespunzătoare modelului de regresie cu

restricţii (5);
m = numărul de restricţii liniare;
k = numărul de parametrii ai modelului de regresie fără restricţii (2);
n = numărul de observaţii.

O altă variantă a acestui test este următoarea:

Fc =
(R 2
)
− R r2 m
(1 − R ) (n − k ) < F
2 α ; v1 ; v 2 (8)

unde:
R 2 = coeficientul de determinaţie corespunzător modelului de regresie fără
restricţii (2);
R = coeficientul de determinaţie corespunzător modelului de regresie cu
2
r

restricţii (5).
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Utilizând programul EViews în vederea aplicării testului Wald

(utilizând relaţia (7)), s-au obţinut următoarele rezultate:

Wald Test:
Equation: EQ01
Null Hypothesis: α + β =1
F-statistic 101,5390 Probability 0,0000
Chi-square 101,5390 Probability 0,0000

Deoarece Fc = 101,539 > F0, 01;1; 20 = 8,10 , rezultă că ipoteza potrivit

căreia funcţia de producţie este de randament constant este respinsă.

2.1.7 Model liniar multifactorial cu variabile centrate

Să se realizeze discuţia econometrică a dependenţei dintre o

variabilă endogenă y şi două variabile exogene x1 şi x 2 , exprimate prin
valori centrate, înregistrate la 20 de unităţi statistice, cunoscând următoarele
date:

⎛ 3 2⎞ ⎛ 3⎞
( X ′X ) = ⎜ ⎟ ; ( X ′Y ) = ⎜ ⎟ şi ( y ′y) = 12 .
⎝ 2 3⎠ ⎝ 5⎠

Rezolvare :

Modelul econometric aferent celor trei variabile este:

y t = b0 + b1 x1t + b2 x 2t + u t , t = 1,20 (1)

Ecuaţia (1) se însumează după t şi se împarte la n = 20 rezultând

ecuaţia:

y = b0 + b1 x1 + b2 x 2 (2)
 Econometrie. Studii de caz

Scăzând din ecuaţia (1) ecuaţia (2), se obţine modelul:

y t − y = b1 ( x1t − x1 ) + b2 ( x 2t − x 2 ) + ut

Notând cu:

~
yt = yt − y
x~1t = x1t − x1
x~ = x − x
2t 2t 2

rezultă modelul (3) construit pe baza valorilor centrate:

~
y t = b1 x~1t + b2 x~2t + u t (3)

Termenul liber, b0 , poate fi estimat din relaţia (2), după calculul

parametrilor b1 şi b2 , astfel:

b$0 = y − b$1 x1 − b$2 x 2

Matriceal, modelul (3) se scrie astfel:

Y = XB + U

unde:
⎛~y1 ⎞
⎜~ ⎟
y2
Y = ⎜ ⎟ - vectorul valorilor centrate ale variabilei endogene;
⎜ M ⎟
⎜~ ⎟
⎝ y 20 ⎠
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

⎛ x~11 x~21 ⎞
⎜~ ⎟
x12 x~22 ⎟
X =⎜ - matricea valorilor centrate ale variabilelor exogene x~1t
⎜ M M ⎟
⎜~ ⎟
⎝ x120 x~ ⎠
220

şi x~2t ;

⎛ u1 ⎞
⎜ ⎟
u2
U = ⎜ ⎟ - vectorul valorilor variabilei reziduale.
⎜ M ⎟
⎜ ⎟
⎝ u 20 ⎠

Estimarea parametrilor b1 şi b2 pe baza modelului matriceal cu

ajutorul M.C.M.M.P. constă în:

() ( ) ( ′
) ( )( )
n
F Bˆ = min ∑ ut2 = min U ′U = min Y − Yˆ = min Y − XBˆ = min Y − XBˆ Y − XBˆ =
2 2

t =1

(
= min Y ′Y − 2 Bˆ ′( X ′Y ) + Bˆ ′( X ′X )Bˆ )
∂F ( B$ )
= 0 ⇒ −2( X ′Y ) + 2( X ′X ) B$ = 0
∂B$

( X ′X ) ⋅ Bˆ = ( X ′Y )

( X ′X )−1 ⋅ ( X ′X ) ⋅ Bˆ = ( X ′X )−1 ⋅ ( X ′Y )
⎛ bˆ ⎞
Bˆ = ( X ′X ) ⋅ ( X ′Y ) = ⎜⎜ 1 ⎟⎟
−1
ˆ
⎝ b2 ⎠
⎛ 3 2⎞
( X ′X ) = ⎜ ⎟
⎝ 2 3⎠
 Econometrie. Studii de caz

3 2
X ′X = =9−4=5
2 3

3 − 2 ⎞ ⎛ 0,6 − 0,4 ⎞
( X ′X )−1 = 1 ⎛⎜⎜ ⎟=⎜ ⎟
5 ⎝ − 2 3 ⎟⎠ ⎜⎝ − 0,4 0,6 ⎟⎠

⎛ 0,6 −0,4⎞ ⎛ 3⎞ ⎛ −0,2⎞ ⎛ b$1 ⎞

B$ = ⎜ ⎟⎜ ⎟ = ⎜ ⎟ =⎜ ⎟
⎝ −0,4 0,6 ⎠ ⎝ 5⎠ ⎝ 1,8 ⎠ ⎝ b$2 ⎠

În concluzie, modelul este de forma:

Yˆt = −0,2 x1 + 1,8 x2

În continuare, se va verifica semnificaţia parametrilor, a raportului

de corelaţie, precum şi verosimilitatea modelului.
Pentru verificarea semnificaţiei parametrilor se vor calcula:
- dispersia variabilei reziduale

s u2ˆ =
1
n − k −1 t
(
y − Yˆt ) 2
=
1
n − k −1
2
∑ uˆt =
1
n − k −1
′
UU

unde:
k = numărul variabilelor exogene.
În vederea determinării valorii produsului U ′U se porneşte de la
ecuaţia analizei variaţiei:

∑ (y − y) = ∑ (Yˆ ) + ∑ (y )
2 2
− Yˆt
2
t t −y t

u t = y t − Yˆt şi y = 0

Matriceal, această ecuaţie este de forma:

( y ′y ) = (Yˆ ′Yˆ ) + (U ′U )
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

( )
⇒ (U ′U ) = ( y ′y ) − Yˆ ′Yˆ

( )′
Dar Y = XBˆ ; Yˆ ′ = XBˆ , de unde:

( )( )
′
Yˆ ′Yˆ = XBˆ XBˆ = Bˆ ′( X ′X )Bˆ

⎛ 3 2 ⎞⎛ − 0,2 ⎞
Yˆ ′Yˆ = (− 0,2 1,8)⎜⎜ ⎟⎟⎜⎜ ⎟⎟ = 8,4
⎝ 2 3 ⎠⎝ 1,8 ⎠

rezultă că: U ′U = 12 − 8,4 = 3,6

1
su2ˆ = ⋅ 3,6 = 0,2118
20 − 3

- dispersiile celor doi estimatori

s b2ˆ = su2ˆ cij

j

unde:
cij = termenul situat pe diagonala principală a matricei inverse ( X ′X ) .
−1

⎞ ⎛⎜ sbˆ1 ⎞⎟ ⎛ 0,1271⎞
2
⎛ 0,6
s = 0,2118 ⋅ ⎜⎜
2
⎟= =⎜ ⎟
bˆ j
⎝ 0,6 ⎟⎠ ⎜⎝ sb2ˆ2 ⎟⎠ ⎜⎝ 0,1271⎟⎠

Abaterile medii pătratice ale celor doi estimatori sunt egale cu:

⎛ 0,3565⎞
sb$ j = sb2$ j = ⎜ ⎟
⎝ 0,3565⎠
 Econometrie. Studii de caz

Estimatorii parametrilor modelului sunt semnificativ diferiţi de zero

dacă se verifică relaţia:

bˆ j
> tα ;n − k −1 ; j = 1,2
sbˆ
j

bˆ1 0,2
= = 0,561
sbˆ 0,3565
1

bˆ2 1,8
= = 5,0491
sbˆ 0,3565
2

Din tabela distribuţiei Student, pentru un prag de semnificaţie

α = 0,05 şi în funcţie de numărul gradelor de libertate v = n − k − 1 = 17 , se
preia valoarea t 0, 05;17 = 2,101.
Comparând această valoare cu valorile calculate pentru cei doi
estimatori se constată că:
tcbˆ = 0,561 < t0,05;17 = 2,101 , rezultă că parametrul b$1 nu este
1

semnificativ diferit de zero;

tcbˆ = 5,0491 > t0,05;17 = 2,101 , rezultă că parametrul b$2 este
2

semnificativ diferit de zero.

Deoarece parametrul b$1 nu este semnificativ diferit de zero se poate
renunţa la variabila x1 .
În vederea verificării verosimilităţii modelului se utilizează metoda
analizei variaţiei, modelul testat fiind: Yˆ = −0,2 x + 1,8 x .
1 2
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Tabelul 2.7.1
Sursa de Măsura Nr. grade Dispersia Valoarea testului F
variaţie variaţiei de libertate corectată Fc Fα ;v1 ;v2
Vx2
Varianţa
( ) sY2 / X
20
Vx2 = ∑ Yˆt − y =
2
sY2 / X = Fc = F0,05; 2;17 = 3,59
explicată t =1 k =2 k su2ˆ
F0,01; 2;17 = 6,11
de model = (Y ′Y ) = 8,4 = 4,2 = 19,83

( )
20
Vu2 = ∑ yt − Yˆt
2
= Vu2
Varianţa su2 =
t =1 n − k −1=17 n − k −1 - -
reziduală
= (U ′U ) = 3,6 = 0,2118
20
V02 = ∑ ( y t − y ) =
2
Varianţa
t =1 n −1=19 - - -
totală
= ( y ′y) = 12

Deoarece Fc = 19,83 > F0,01;2;17 = 6,11 rezultă că modelul este

semnificativ cu un prag de semnificaţie α = 0,01 .
Pe baza datelor din tabel se poate calcula valoarea raportului de
corelaţie astfel:

Vx2 8,4
R= 2
= = 0,7 = 0,8367
V0 12

Raportul de corelaţie este semnificativ diferit de zero dacă se

verifică inegalitatea:

Fc ≥ Fα ;v1 ;v2

Valoarea empirică a variabilei Fisher-Snedecor este:

n − k −1 R2 20 − 3 0,7
Fc = ⋅ = ⋅ = 19,8334
k 1− R 2 1 − 0,7
 Econometrie. Studii de caz

Deoarece Fc = 19,8334 > F0, 01; 2;17 , rezultă că valoarea raportului de

corelaţie este semnificativ diferită de zero, cu un prag de semnificaţie
α = 0,01 .
Utilizând ecuaţia analizei variaţiei:

V02 = Vx2 + Vu2

12 = 8,4 + 3,6

⎛V 2 ⎞
rezultă că modelul econometric explică 70% ⎜⎜ x2 ⋅ 100 ⎟⎟ din variaţia totală a
⎝ Vo ⎠
variabilei endogene y , restul de 30% reprezentând variaţia variabilei y
neexplicată de model şi atribuită factorilor aleatori.

2.1.8 Modele dinamice

[Link] Model dinamic – funcţia Cobb–Douglas cu progres tehnic

Utilizând datele din tabelul 2.6.1., din cadrul problemei 2.1.6., să se

estimeze influenţa progresului tehnic asupra creşterii valorii adăugate brute
reale cu ajutorul unui model Cobb - Douglas.

Rezolvare:

Din punct de vedere econometric, cuantificarea influenţei

progresului tehnic asupra creşterii valorii adăugate brute reale se poate face
cu ajutorul unui model de forma:

α β
Qt = A ⋅ Kt ⋅ Lt ⋅ ec t ⋅ ut (1)
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

unde:
A = parametru de scară;
α , β = coeficienţii de elasticitate ai valorii adăugate brute reale în raport cu
fiecare din factorii de producţie utilizaţi;
c = expresia econometrică a influenţei progresului tehnic asupra creşterii
valorii adăugate brute reale;
Q = valoarea adăugată brută reală;
K = capitalul fix real (mijloace fixe sau imobilizări corporale la sfârşitul
anului);
L = numărul mediu de salariaţi;
t = variabila timp, t =1, n = 1,23 ;
u = variabila aleatoare.

Modelul (1) este un model multifactorial neliniar care poate fi

transformat într-un model liniar prin logaritmare:

ln Qt = ln A + α ln Kt + β ln Lt + c t + ln ut

Se fac următoarele notaţii:

ln Q = y t ;

ln A = a ;

ln K = x1t ;

ln L = x 2 t ;

ln u = u t′ .

Modelul devine:

y t = a + α x 1 t + β x 2 t + ct + u t′
 Econometrie. Studii de caz

Estimarea parametrilor acestui model se realizează cu ajutorul

M.C.M.M.P.:

( ) ∑ (y )
23 23

∑ (y t − yˆ t ) = min
2
F aˆ , αˆ , βˆ , cˆ = min − aˆ − αˆ x 1t − βˆx 2 t − cˆ t
2
t
t =1 t =1

Minimul acestei funcţii este dat de calculul derivatelor parţiale în

raport cu parametrii modelului:

F ′ (aˆ ) = 0 ⇒ 2 ∑ (y t − aˆ − αˆ x 1 t − βˆ x 2 t − cˆ t )(− 1 ) = 0
t

F ′ (αˆ )= 0 ⇒ 2∑ (y t − aˆ − αˆ x 1 t − βˆ x 2 t − cˆ t )(− x1 t )= 0
t

( )
F ′ βˆ = 0 ⇒ 2 ∑ (y t − aˆ − αˆ x 1 t − βˆ x 2 t − cˆ t )(− x2t )= 0
t

F ′ (cˆ ) = 0 ⇒ 2 ∑ (y t − aˆ − αˆ x 1 t − βˆ x 2 t − cˆ t )(− t )= 0
t

După efectuarea calculelor rezultă următorul sistem de ecuaţii:

⎧naˆ + αˆ ∑ x 1t + βˆ ∑ x 2t + cˆ ∑ t = ∑ y t
⎪
⎪⎪aˆ ∑ x 1t + αˆ ∑ x 1t + βˆ ∑ x 1t x 2t + cˆ ∑ x 1t t = ∑ x 1t y t
2

⎨
⎪aˆ ∑ x 2t + αˆ ∑ x 1t x 2t + βˆ ∑ x 2t + cˆ ∑ x 2t t = ∑ x 2t y t
2

⎪
⎪⎩aˆ ∑ t + αˆ ∑ x 1t t + βˆ ∑ x 2t t + cˆ ∑ t = ∑ y t t
2
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Datele necesare rezolvării modelului se obţin pe baza tabelului de

mai jos:

Tabelul. [Link]
Valoarea
Imobilizări Numărul
adăugată
Nr. corporale mediu de
brută yt t x1t x2t ŷt uˆt′
crt. (mld. lei ) salariaţi
(mld. lei)
(1990=100) (mii pers.)
(1990=100)
0 1 2 3 4 5 6 7 8
1 767,0 2451,1 7378 6,6425 1 7,8043 8,9063 6,6622 -0,0197
2 756,6 2630,5 7435 6,6288 2 7,8749 8,9140 6,6709 -0,0421
3 762,3 2544,3 7553,2 6,6363 3 7,8416 8,9297 6,6687 -0,0324
4 795,6 2764,7 7600,1 6,6791 4 7,9247 8,9359 6,6787 0,0004
5 838,6 3011,5 7585 6,7317 5 8,0102 8,9339 6,6878 0,0439
6 849,0 3216,1 7700 6,7441 6 8,0759 8,9490 6,6971 0,0470
7 865,5 3432,0 7751,9 6,7633 7 8,1409 8,9557 6,7051 0,0582
8 882,8 3650,3 7790 6,7831 8 8,2026 8,9606 6,7124 0,0707
9 886,0 3781,4 7842,6 6,7867 9 8,2378 8,9673 6,7169 0,0698
10 819,2 4005,5 7997,1 6,7083 10 8,2954 8,9868 6,7259 -0,0176
11 788,1 3498,0 8156 6,6696 11 8,1599 9,0065 6,7123 -0,0427
12 700,1 1526,6 7574 6,5512 12 7,3308 8,9325 6,6033 -0,0521
13 668,2 2622,5 6888 6,5046 13 7,8719 8,8375 6,6519 -0,1473
14 641,0 917,1 6672 6,4630 14 6,8213 8,8057 6,5233 -0,0603
15 663,1 487,9 6438 6,4969 15 6,1901 8,7700 6,4433 0,0536
16 710,3 1811,6 6160 6,5657 16 7,5020 8,7258 6,5898 -0,0241
17 747,6 1386,7 5939 6,6169 17 7,2347 8,6893 6,5524 0,0645
18 691,0 720,4 5597 6,5381 18 6,5798 8,6300 6,4661 0,0721
19 634,0 820,5 5369 6,4520 19 6,7099 8,5884 6,4744 -0,0224
20 621,7 908,2 4761 6,4325 20 6,8115 8,4682 6,4677 -0,0352
21 637,8 1300,0 4623 6,4580 21 7,1701 8,4388 6,5047 -0,0466
22 680,6 1417,1 4619 6,5230 22 7,2564 8,4379 6,5140 0,0090
23 715,1 1510,2 4568 6,5724 23 7,3200 8,4268 6,5191 0,0533
Total 17120,9 50414,2 153996,9 151,9480 276 166,0466 193,7698 151,9480 0,0000
 Econometrie. Studii de caz

Rezolvarea modelului s-a realizat cu ajutorul programului EViews,

conducând la afişarea următoarelor rezultate:

Dependent Variable: yt
Method: Least Squares
Sample: 1980 2002
Included observations: 23
Variable Coefficient Std. Error t-Statistic Prob.
C 4,4141 1,2087 3,6521 0,0017
x1t 0,1172 0,0301 3,9005 0,0010
x2t 0,1498 0,1379 1,0861 0,2910
t -0,0007 0,0040 -0,1652 0,8706
R-squared 0,7502 Mean dependent var 6,6064
Adjusted R-squared 0,7107 S.D. dependent var 0,1132
S.E. of regression 0,0609 Akaike info criterion -2,6028
Sum squared resid 0,0704 Schwarz criterion -2,4053
Log likelihood 33,9318 F-statistic 19,0188
Durbin-Watson stat 0,9946 Prob(F-statistic) 0,0000

În urma testării semnificaţiei parametrilor s-a constatat că:

t Aˆ = 3,6521 > t0, 01;19 = 2,861 rezultă că parametrul a este semnficativ
diferit de zero;
tαˆ = 3,9005 > t0,01;19 = 2,861 rezultă că parametrul α este
semnficativ diferit de zero;
t βˆ = 1,0861 < t0,01;19 = 2,861 rezultă că parametrul β nu este
semnificativ diferit de zero;
tcˆ = 0,1652 < t0,01;19 = 2,861 rezultă că parametrul c nu este
semnificativ diferit de zero.
Verificarea semnificaţiei variabilei Durbin-Watson, calculată în
vederea testării ipotezei de independenţă a erorilor, se face cu ajutorul
tabelei Durbin-Watson din care se extrag valorile d1 = 0,83 şi d 2 = 1,40 , în
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

funcţie de un prag de semnificaţie α = 0,01 , de numărul de variabile

exogene (k = 3) şi de numărul observaţiilor n = 23 .
Comparând valoarea calculată a variabilei Durbin-Watson
d c = 0,9946 cu cele două valori tabelate se observă că
d c = 0,9946 > d1 = 0,83 şi d c = 0,9946 < d 2 = 1,40 rezultând indecizie
tinzând spre o slabă autocorelaţie pozitivă care poate fi neglijată.
Deoarece Fc = 19,0188 > F0,01;3;19 = 5,01 rezultă că valoarea
raportului de corelaţie este semnificativ diferită de zero, cu un prag de
semnificaţie de 0,01.
Utilizând ecuaţia analizei variaţiei:

∑(y − y ) = ∑ ( yt − yˆ t ) + ∑ ( yˆ t − y )
2 2 2
t

0,282 = 0,0704 + 0,2116

⎛ ∑ ( yˆ t − y )2 ⎞
rezultă că modelul econometric explică aproximativ 75% ⎜ ⎟ din
⎜ ∑ ( y − y )2 ⎟
⎝ t ⎠
variaţia valorii adăugate brute reale.
În final, modelul devine:

yˆ t = 4,4141 + 0,1172 x1t + 0,1498 x2t − 0,0007 t ; R = 0,8661

(1,2087) (0,0301) (0,1379) (0,0040) d = 0,9946
suˆ ′ = 0,0609

În cadrul modelului Cobb-Douglas cu progres tehnic, parametrii α

şi β reprezintă coeficienţii de elasticitate ai valorii adăugate brute reale în
raport cu cei doi factori, imobilizări corporale reale ( x1 ) şi număr mediu de
salariaţi ( x 2 ) , aceştia măsurând variaţia relativă a valorii adăugate brute
reale în funcţie de variaţia relativă a factorilor de producţie, iar c exprimă
influenţa progresului tehnic asupra creşterii valorii adăugate brute reale.
 Econometrie. Studii de caz

Coeficientul de elasticitate se defineşte astfel:

d (ln y )
Ey/ x =
d (ln x )

Valorile parametrilor α şi β au următoarea semnificaţie:

E y / x1 = αˆ = 0,1172
E y / x 2 = βˆ = 0,1498

La o creştere cu 1% a imobilizărilor corporale reale valoarea

adăugată brută reală creşte cu 0,12%, deci valoarea adăugată brută reală este
inelastică în raport cu imobilizările corporale reale, iar pentru ceilalţi doi
factori de producţie, număr mediu de salariaţi şi progres tehnic, nu pot fi
făcute evaluări econometrice, deoarece cei doi estimatori, βˆ şi cˆ , nu au
valori semnificativ diferite de zero, cauza putând fi dimensiunea relativ
redusă a seriiilor de timp utilizate.

[Link] Model autoregresiv

Se cunosc următoarele date privind consumul final real al

gospodăriilor populaţiei şi venitul disponibil net real al populaţiei în
România, în perioada 1980-2001, exprimate în miliarde lei preţuri
comparabile (1990=100):

Tabelul [Link]
[Link] (1990=100)
Consumul final real al Venitul disponibil net real al
Anul
gospodăriilor populaţiei populaţiei
0 1 2
1980 433,3 431,4
1981 442,1 460,1
1982 436,3 465,9
1984 433,1 465,6
1985 450,1 489,7
1986 442,0 492,5
1987 448,1 500,1
1988 472,1 518,1
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Consumul final real al Venitul disponibil net real al

Anul
gospodăriilor populaţiei populaţiei
0 1 2
1989 513,2 527,1
1990 516,6 558,1
1991 557,7 588,1
1992 467,4 455,9
1993 432,1 438,7
1994 435,9 455,3
1995 447,3 489,3
1996 505,3 560,4
1997 545,7 584,6
1998 525,7 559,4
1999 586,2 493,3
2000 579,8 513,7
2001 582,3 525,7
Notă: Ambii indicatori sunt calculaţi conform metodologiei de calcul a Sistemului European al
Conturilor Economiei Integrate - SEC 1979. Consumul final al populaţiei a fost deflaţionat cu ajutorul
deflatorului consumului final al populaţiei exprimat în preţuri constante (1990 = 100), iar venitul
disponibil net al populaţiei a fost deflaţionat cu ajutorul deflatorului PIB exprimat în preţuri constante
(1990 = 100), obţinut în urma prelucrării datelor din Raportul Anual BNR. Acesta a fost deflaţionat
cu ajutorul deflatorului PIB în preţuri constante (1990 = 100). Datele provin de la Ministerul
Prognozei şi Dezvoltării.
Sursa: Date prelucrate pe baza Anuarului Statistic al României 1995, CNS, Bucureşti, 1996, p. 370-
372, Anuarului Statistic al României 1996, INS, Bucureşti, 1997, p. 364-366, Anuarului Statistic al
României 2001, INS, Bucureşti, 2002, p. 278, 280, Anuarului Statistic al României 2003, INS,
Bucureşti, 2004, p. 284, 286, Raportului Anual 1999, BNR, Bucureşti, 2000, p. 6*-9*, Raportului
Anual 2000, BNR, Bucureşti, 2001, p. 6*-7*, Raportului Anual 2002 BNR, Bucureşti, 2003, p. 4*-5*,
Dobrescu, E., Macromodels of the Romanian Transition Economy, Second Edition, Editura Expert,
Bucharest, 1998, p. 184.

Se cere:
a) Să se construiască modelul econometric autoregresiv ce descrie
legătura dintre cele două variabile;
b) Să se estimeze parametrii modelului şi să se verifice semnificaţia
acestora şi a modelului.
c) Să se verifice ipoteza de stabilitate relativă în timp a legăturii
dintre consumul populaţiei şi factorii săi prin intermediul testului Chow şi
 Econometrie. Studii de caz

capacitatea de previziune a acestuia cu ajutorul indicatorilor propuşi de

Theil.

Rezolvare:

a) Funcţia de consum bazată pe teoria venitului permanent a lui

Friedman a fost aplicată în cazul economiei României folosind următorul
model econometric autoregresiv:

C t = α 0 + α 1Vt + α 2 C t −1 + u t , t = 1, 21

unde:
Ct = consumul final real al populaţiei;
Vt = venitul disponibil real al populaţiei;
ut = variabila reziduală.

Rezolvarea modelului s-a realizat cu ajutorul pachetului de programe

EViews, conducând la afişarea următoarelor rezultate:

Dependent Variable: Ct
Method: Least Squares
Sample(adjusted): 1981 2001
Included observations: 21 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C -136,0368 73,9782 -1,8389 0,0825
Vt 0,5293 0,1456 3,6356 0,0019
Ct-1 0,7452 0,1146 6,5023 0,0000
R-squared 0,8271 Mean dependent var 496,6524
Adjusted R-squared 0,8079 S.D. dependent var 60,3813
S.E. of regression 26,4646 Akaike info criterion 9,5211
Sum squared resid 12606,71 Schwarz criterion 9,6703
Log likelihood -96,9711 F-statistic 43,0566
Durbin-Watson stat 2,1437 Prob(F-statistic) 0,0000

Cˆ t = −136,0368 + 0,5293 Vt + 0,7452Ct −1; R = 0,9095

(73,9782 ) (0,1456 ) (0,1146 ) d = 2,14
su = 26,4646
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Pe baza estimatorilor parametrilor au fost calculate valorile estimate

ale variabilei Ct, Cˆ t = −136,0368 + 0,5293 Vt + 0,7452C t −1 şi ale variabilei
reziduale, uˆ t = C t − Cˆ t . Valorile acestora sunt prezentate în cadrul tabelului
[Link]. (utilizând pachetul de programe EViews):

Tabelul [Link]
Actual Fitted Residual Residual Plot
Ct Ĉt ût (graficul reziduurilor)

442,1 430,3889 11,7111 | . |* . |

436,3 440,0166 -3,7166 | . *| . |
433,1 435,5356 -2,4356 | . * . |
450,1 445,9067 4,1933 | . |* . |
442,0 460,0573 -18,0573 | .* | . |
448,1 458,0437 -9,9437 | . *| . |
472,1 472,1167 -0,0167 | . * . |
513,2 494,7654 18,4346 | . | *. |
516,6 541,8015 -25,2015 | .* | . |
557,7 560,2139 -2,5139 | . * . |
467,4 520,8702 -53,4702 | * . | . |
432,1 444,4738 -12,3738 | . *| . |
435,9 426,9540 8,9460 | . |* . |
447,3 447,7816 -0,4816 | . * . |
505,3 493,9094 11,3906 | . |* . |
545,7 549,9405 -4,2405 | . *| . |
525,7 566,7089 -41,0089 | *. | . |
586,2 516,8188 69,3812 | . | . *|
579,8 572,7015 7,0985 | . |* . |
582,3 574,2837 8,0163 | . |* . |
610,7 576,4113 34,2887 | . | .* |

Verificarea semnificaţiei modelului necesită:

- verificarea ipotezei de independenţă a erorilor;
- verificarea semnificaţiei estimatorilor;
- verificarea semnificaţiei raportului de corelaţie.
 Econometrie. Studii de caz

Deşi valoarea variabilei d, corespunzătoare testului Durbin-Watson,

este afişată de către programul EViews, în cazul unui model autoregresiv,
aceasta tinde către 2, valoare ce corespunde erorilor independente. In acest
caz, în vederea verificării ipotezei de independenţă a erorilor, se recomandă
fie utilizarea testului Breusch-Godfrey16, fie a testului Durbin-h. Testul
Breusch-Godfrey este folosit în vederea depistării unei autocorelaţii de ordin
superior. Ca urmare a presupunerii existenţei unei autocorelaţii de ordin
superior se construieşte următorul model:

u t = r1u t −1 + r2 u t − 2 + K + rp u t − p + z t

unde: zt = variabilă reziduală de medie zero şi dispersie constantă.

Ipoteza nulă care stă la baza testului este aceea potrivit căreia toţi
coeficienţii corespunzători valorilor decalate ale variabilei reziduale sunt
simultan egali cu zero, fapt ce implică inexistenţa fenomenului de
autocorelaţie a erorilor.
În vederea aplicării testului sunt estimate valorile variabilei reziduale
ut în urma aplicării M.C.M.M.P. asupra modelului iniţial. Variabila
reziduală ut este apoi regresată în funcţie de variabilele exogene iniţiale ale
modelului şi de valorile sale decalate, respectiv ut-1, ut-2,…, ut-p. În cazul
acestei regresii este calculată valoarea coeficientului de determinare R2 şi a
unei variabile de forma: BG = (n-p) R2. Presupunând că ne aflăm în situaţia
unui eşantion de volum mare, variabila BG este asimptotic distribuită sub
forma unui χ α2 ;v , pentru care numărul gradelor de libertate este egal cu:
v = p , unde p = mărimea decalajului , respectiv: BG~ χ α2 ; v .
Dacă BG > χ α2 ; v , ipoteza nulă este respinsă, ceea ce presupune că
există cel puţin un coeficient de autocorelaţie nenul.

16
cf. Damodar N. Gujarati, Basic Econometrics, 3rd ed., Mc Graw-Hill, New York, 1995,
p. 425
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Aplicarea testului Breusch-Godfrey s-a realizat utilizând pachetul de

programe EViews (presupunând ca mărimea decalajului este p = 2):

Breusch-Godfrey Serial Correlation LM Test:

F-statistic 0,1565 Probability 0,8564
Obs*R-squared 0,4030 Probability 0,8175

Test Equation:
Dependent Variable: ut
Method: Least Squares

Variable Coefficient Std. Error t-Statistic Prob.

C -14,1990 91,5356 -0,1551 0,8787
Vt 0,0106 0,1642 0,0643 0,9495
Ct-1 0,0176 0,1267 0,1388 0,8913
ut-1 -0,1547 0,2914 -0,5307 0,6029
ut-2 0,0007 0,2963 0,0025 0,9980
R-squared 0,0192 Mean dependent var 9,74E-14
Adjusted R-squared -0,2260 S.D. dependent var 25,1065
S.E. of regression 27,7992 Akaike info criterion 9,6922
Sum squared resid 12364,76 Schwarz criterion 9,9408
Log likelihood -96,7676 F-statistic 0,0783
Durbin-Watson stat 1,8977 Prob(F-statistic) 0,9879

În cazul utilizării pachetului de programe EViews există două

variante de aplicare a testului Breusch-Godfrey:
- utilizarea testului Fisher–Snedecor aplicat în vederea verificării
existenţei unor variabile absente (omise) în model, având următoarea relaţie
de calcul:

R2 p
Fc =
( )
1 − R 2 (n − m )
 Econometrie. Studii de caz

unde:
p = numărul de variabile noi adăugate în model, respectiv ut-1, ut-2,…, ut-p;
m = numărul total de parametri corespunzători noului model.
Dacă Fc < Fα ;v1 ;v2 , unde v1 = p şi v2 = n-m, ipoteza conform căreia
estimatorii corespunzători noilor parametri adăugaţi în model sunt nuli este
verificată, respectiv, în cazul nostru, fenomenul de autocorelare a erorilor nu
este prezent, cazul contrar implicând existenţa cel puţin a unei autocorelaţii
de ordinul întâi. Cum Fc = 0,1565 < F0,05; 2;16 = 3,63 , rezultă că noul model
este corect specificat, indicând astfel faptul că erorile sunt independente:
- utilizarea testului LM, calculat ca produs între numărul de
observaţii corespunzătoare modelului, n, şi coeficientul de determinare, R2,
corespunzător acestei regresii auxiliare. În general, testul LM este
asimptotic distribuit sub forma unui χ α2 ; v , pentru care numărul gradelor de
libertate este egal cu: v = p , unde p = mărimea decalajului, respectiv:

LM = n ⋅ R 2 ~ χ α2 ; v

Dacă LM > χ α2 ;v , erorile sunt autocorelate, în caz contrar, sunt

independente, respectiv ipoteza nulităţii parametrilor, r1 = r2 = 0 , este
acceptată. Se constată astfel că pachetul de programe nu utilizează relaţia
clasică de calcul a testului Breusch-Godfrey, respectiv: BG = (n-p)·R2.
Deoarece LM = 0,403 < χ 02,05; 2 = 5,99147 , aceasta implică faptul că
erorile sunt independente.
În cazul calculării în varianta clasică a testului Breusch-Godfrey,
respectiv: BG = 19 ⋅ 0,0192 = 0,3646 < χ 02,05; 2 = 5,99147 , se ajunge la aceleaşi
concluzii menţionate anterior.
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Aplicarea testului Durbin-h17 constă în calculul următoarei relaţii:

n
h = r1
1 − n ⋅ sα2ˆ2

unde:
r1 = coeficientul de autocorelaţie de ordinul întâi;
sα2ˆ2 = dispersia corespunzătoare valorii decalate a consumului final real al
populaţiei;
n = numărul de observaţii.

Presupunând că numărul de observaţii este suficient de mare,

variabila h urmează distribuţia normală, de medie zero şi dispersie egală cu
unitatea, aceasta semnificând faptul că :

P(− 1,96 ≤ h ≤ 1,96 ) = 1 − α = 1 − 0,05 = 0,95

Regulile de decizie în cazul aplicării acestui test sunt următoarele:

- dacă h > 1,96 se acceptă ipoteza potrivit căreia există autocorelaţie
de ordinul întâi pozitivă;
- dacă h < −1,96 se acceptă ipoteza potrivit căreia există
autocorelaţie de ordinul întâi negativă;
- dacă − 1,96 ≤ h ≤ 1,96 se acceptă ipoteza potrivit căreia erorile sunt
independente, respectiv nu există autocorelaţie de ordinul întâi, pozitivă sau
negativă.
Valoarea coeficientului de autocorelaţie de ordinul întâi se
calculează cu ajutorul relaţiei:

d
r1 = 1 − = 1 − 2,1437 = −0,0718
2

17
cf. op. cit., p. 605-607.
 Econometrie. Studii de caz

În acest caz, valoarea testului h este următoarea:

21
h = −0,0718 ⋅ = −0,39
1 − 21 ⋅ 0,1146 2

Şi în acest caz poate fi acceptată ipoteza de independenţă a erorilor.

Estimatorii modelului sunt semnificativ diferiţi de zero dacă:

αˆ 0
tαˆ 0 = ≥ tα ;n −k −1
sαˆ 0

− 136,0368
tαˆ 0 = = 1,8389
73,9782

αˆ 1
tαˆ1 = ≥ tα ;n − k −1
sαˆ1

0,5293
tαˆ1 = = 3,6356
0,1456

αˆ 2
tαˆ 2 = ≥ tα ;n − k −1
sαˆ 2

0,7452
tαˆ 2 = = 6,5023
0,1146

Lucrând cu un prag de semnificaţie α (α = 0,05) , din tabela

distribuţiei Student se preia valoarea t 0,05;18 = 2,101 . Comparând această
valoare cu valorile calculate pentru cei trei estimatori, se constată că:
- tαˆ 0 = 1,8389 < t 0,05;18 = 2,101 ⇒ parametrul α̂ 0 nu este semnificativ
diferit de zero, pentru un prag de semnificaţie α = 0,05 ;
- t αˆ1 = 3,6356 > t 0,05;18 = 2,101 ⇒ parametrul α̂ 1 este semnificativ
diferit de zero, pentru un prag de semnificaţie α = 0,05 ;
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

- t αˆ 2 = 6,5023 > t 0, 05;18 = 2,101 ⇒ parametrul α̂ 2 este semnificativ

diferit de zero, pentru un prag de semnificaţie α = 0,05 .
Raportul de corelaţie este semnificativ diferit de zero dacă se
verifică inegalitatea: Fc ≥ Fα ;v1 ;v2 , unde valoarea empirică a variabilei
Fisher-Snedecor este:

R2 n − k −1 0,8271 18
Fc = ⋅ = ⋅ = 43,0566
1− R 2
k 1 − 0,8271 2

Din tabela distribuţiei Fisher-Snedecor, cu un prag de semnificaţie

de 5% şi în funcţie de numărul gradelor de libertate v1 = k = 2 şi
v 2 = n − k − 1 = 18 se preia valoarea teoretică F0, 05; 2;18 = 3,55 . Se constată că
Fc = 43,0566 > F0,05; 2;18 = 3,55 , deci, pentru un prag de semnificaţie de 5%,
valoarea raportului de corelaţie este semnificativ diferită de zero.
În concluzie, modelul Cˆ = −136,0368 + 0,5293 V + 0,7452C
t t t −1

poate fi apreciat ca reprezentativ pentru descrierea dependenţei dintre

consumul final real al gospodăriilor populaţiei, venitul disponibil net real al
populaţiei şi consumul final real al gospodăriilor populaţiei decalat cu o
perioadă.
Utilizând ecuaţia analizei variaţiei:

V x2 Vu2
V02 = V x2 + Vu2 ⇒ 100 = ⋅ 100 + ⋅ 100 ⇒ 100 = 77,9 + 22,1
V02 V02

rezultă că funcţia de ajustare explică aproximativ 78% din variaţia totală a

consumului final real al gospodăriilor populaţiei.
În final, modelul econometric devine:

Cˆ t = −136,0368 + 0,5293 Vt + 0,7452C t −1 ; R = 0,9095

(73,9782 ) (0,1456 ) (0,1146 ) d = 2,14
s u = 26,4646
 Econometrie. Studii de caz

În vederea realizării de previziuni cu ajutorul acestui model se

impune testarea ipotezei de stabilitate relativă în timp a legăturii dintre
consumul populaţiei şi factorii săi prin intermediul testului Chow (Tănăsoiu,
Iacob, p. 166-167).
În vederea aplicării acestui test au fost construite trei modele de
corelaţie pe următoarele perioade de timp: 1981-1989, 1990-2001 şi
1981-2001. Testul Chow se calculează cu ajutorul următoarei relaţii:

V02u − Vau2 T − 2 ⋅ (k + 1)
Fc = ⋅ (5)
Vau2 k +1

unde:
n
V02u = ∑ u 02t reprezintă suma pătratelor valorilor variabilei reziduale
t =1

înregistrate în perioada 1981-2001;

V =V
2
au
2
a1u +V 2
a2 u

n1
Va21u = ∑ u12t reprezintă suma pătratelor valorilor variabilei reziduale
t =1

înregistrate în perioada 1981-1989 (n1 = 9 ) ;

T
Va22 u = ∑u
t = n1 + 1
2
2t reprezintă suma pătratelor valorilor variabilei reziduale

înregistrate în perioada 1990-2001 (n 2 = 12 ) ;

T = numărul total de observaţii (T = n1 + n 2 = 21) ;
k = numărul variabilelor exogene ( k = 1) .
Testarea ipotezei de stabilitate constă în alegerea uneia din
următoarele ipoteze:
H 0 : Dacă V02u ≅ Vau2 rezultă că legitatea de evoluţie a legăturii dintre
consumul populaţiei şi factorii săi este stabilă în timp, şi, ca atare, modelul
poate fi utilizat în vederea efectuării prognozei;
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

H1 : DacăV02u ≠ Vau2 rezultă că legitatea de evoluţie a legăturii dintre

consumul populaţiei şi factorii săi nu este stabilă în timp, iar modelul nu va
putea fi utilizat în vederea efectuării prognozei.
În cazul în care Fc ≤ Fα ;v1 ;v2 se alege ipoteza H 0 , iar
dacă Fc > Fα ;v1 ;v2 se alege ipoteza H1 (unde: α = 0,05 , pragul de semnificaţie
şi v1 = k + 1 şi v 2 = T − 2 ⋅ (k + 1) , numărul gradelor de libertate).
În urma aplicării testului Chow se constată că
Fc = 0,1901 < F0, 05;3;15 = 3,29 şi, ca atare, poate fi acceptată ipoteza unei
stabilităţi relative în timp a legăturii dintre consumul populaţiei şi factorii
săi şi, ca atare, modelul poate fi folosit în vederea simulării şi prognozei.
În urma calculelor efectuate cu ajutorul pachetului de programe
EViews în vederea testării capacităţii de prognoză a modelului privind
dependenţa dintre dintre consumul final real al gospodăriilor populaţiei şi
factorii săi de influenţă în perioada 1981-2001 au rezultat următoarele
informaţii:

Rezultatele testării capacităţii de prognoză a modelului privind

dependenţa dintre consumul final real al gospodăriilor populaţiei
şi factorii săi de influenţă în România în perioada 1981-2001

Tabelul [Link]
Denumirea indicatorului Simbolul indicatorului Valoarea indicatorului
0 1 2
Coeficientul Theil T 0,0246
Ponderea abaterii TA 0,0083
Ponderea dispersiei TD 0,0436
Ponderea covarianţei TC 0,9482

În urma analizei rezultatelor obţinute se constată că modelul posedă

o bună capacitate de prognoză, ca urmare a valorilor mici înregistrate în
cazul coeficientului Theil, a ponderii abaterii şi a ponderii dispersiei şi, deci,
poate fi acceptat în vederea realizării unei prognoze a consumului final real
al gospodăriilor populaţiei.
 Econometrie. Studii de caz

[Link] Model dinamic cu decalaj

Se cunosc următoarele date privind evoluţia investiţiilor şi a

imobilizărilor corporale (fondurilor fixe), exprimate în mld. lei preţuri
comparabile (1990=100), în România, în perioada 1980-2002:

Tabelul [Link]

Imobilizări Imobilizări
Investiţii Investiţii
corporale corporale
Anul (mld. lei ) Anul (mld. lei )
(mld. lei ) (mld. lei )
(1990=100) (1990=100)
(1990=100) (1990=100)
0 1 2 0 1 2
1980 2451,1 274,4 1992 2622,5 100,4
1981 2630,5 270,4 1993 917,1 97,4
1982 2544,3 249,0 1994 487,9 115,5
1983 2764,7 266,1 1995 1811,6 138,6
1984 3011,5 281,9 1996 1386,7 153,7
1985 3216,1 283,1 1997 720,4 131,0
1986 3432,0 285,6 1998 820,5 115,7
1987 3650,3 281,6 1999 908,2 108,6
1988 3781,4 270,4 2000 1300,0 112,1
1989 4005,5 268,6 2001 1417,1 133,3
1990 3498,0 168,4 2002 1510,2 143,6
1991 1526,6 106,4

Se cere :
a) Să se facă analiza economică a dependenţei imobilizărilor
corporale de volumul investiţiilor şi să se construiască modelul econometric
adecvat;
b) Să se facă discuţia econometrică a modelului formulat la punctul
a), să se estimeze parametrii modelului şi să se verifice semnificaţia
acestuia;
c) Să se facă interpretarea economică a rezultatelor obţinute cu
ajutorul modelului econometric.
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Rezolvare:

a) Imobilizările corporale (fondurile fixe) reprezintă rezultatul unei

activităţi economice, acestea depinzând în mod direct de volumul
investiţiilor efectuate în trecut şi în prezent. Evaluarea efectului investiţiilor
asupra creşterii imobilizărilor corporale se poate face pe baza mai multor
procedee de calcul economic. Printre acestea, un loc important îl ocupă
modelele econometrice care permit o evaluare sintetică a efectului în timp al
investiţiilor asupra evoluţiei imobilizărilor corporale.
Ca urmare a faptului că influenţa investiţiilor asupra imobilizărilor
corporale nu este simultană, adică nu se exercită doar în aceeaşi perioadă de
timp, ci pe mai multe perioade de timp, modelul econometric adecvat
acestui tip de dependenţă este modelul econometric cu decalaj:

yt = a+b0xt+b1xt-1+…+bjxt-j+…+bkxt-k+ut (1)

k
y t = a + ∑ b j x t − j + ut (2)
j =0

unde:
yt = imobilizări corporale;
xt = investiţii;
ut = variabilă aleatoare;
(
t = numărul de observaţii t = 1, n, n = 23 ; )
a,b = parametrii modelului ( j = 0, k ) ;
j

k = ordinul decalajului, respectiv numărul de perioade de timp (ani) în

care variabila x îşi exercită influenţa asupra variabilei y.
În acest caz, estimarea modelului econometric presupune atât
estimarea parametrilor modelului cât şi a mărimii decalajului.
b) În mod obişnuit, estimarea parametrilor modelului de mai sus se
face prin aplicarea M.C.M.M.P., stabilind arbitrar o anumită mărime a
ordinului decalajului k=3, k=4,… Acest procedeu prezintă dezavantajul că,
 Econometrie. Studii de caz

datorită fenomenului de multicoliniaritate, estimatorii bj pot rezulta cu valori

nesemnificative.
De exemplu, pentru k = 3, modelul econometric se defineşte prin
intermediul următoarei relaţii:

yt=a+b0xt+b1xt-1+b2xt-2+b3xt-3+ut (3)

iar datele pe baza cărora vor fi estimaţi parametrii sunt cele prezentate în
tabelul [Link] :

Tabelul [Link]
t yt xt xt-1 xt-2 xt-3 yt-1
0 1 2 3 4 5 6
1 2451,1 274,4 - - - -
2 2630,5 270,4 274,4 - - 2451,1
3 2544,3 249,0 270,4 274,4 - 2630,5
4 2764,7 266,1 249,0 270,4 274,4 2544,3
5 3011,5 281,9 266,1 249,0 270,4 2764,7
6 3216,1 283,1 281,9 266,1 249,0 3011,5
7 3432,0 285,6 283,1 281,9 266,1 3216,1
8 3650,3 281,6 285,6 283,1 281,9 3432,0
9 3781,4 270,4 281,6 285,6 283,1 3650,3
10 4005,5 268,6 270,4 281,6 285,6 3781,4
11 3498,0 168,4 268,6 270,4 281,6 4005,5
12 1526,6 106,4 168,4 268,6 270,4 3498,0
13 2622,5 100,4 106,4 168,4 268,6 1526,6
14 917,1 97,4 100,4 106,4 168,4 2622,5
15 487,9 115,5 97,4 100,4 106,4 917,1
16 1811,6 138,6 115,5 97,4 100,4 487,9
17 1386,7 153,7 138,6 115,5 97,4 1811,6
18 720,4 131,0 153,7 138,6 115,5 1386,7
19 820,5 115,7 131,0 153,7 138,6 720,4
20 908,2 108,6 115,7 131,0 153,7 820,5
21 1300,0 112,1 108,6 115,7 131,0 908,2
22 1417,1 133,3 112,1 108,6 115,7 1300,0
23 1510,2 143,6 133,3 112,1 1417,1
Total 50412,9 4355,7 - - - -
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

În urma aplicării M.C.M.M.P., cu ajutorul programului informatic

EViews, s-au obţinut următoarele rezultate:

Dependent Variable: yt
Method: Least Squares
Sample(adjusted): 1983 2002
Included observations: 20 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C -807,5057 297,4596 -2,7147 0,0160
xt 2,7017 4,1251 0,6550 0,5224
xt-1 13,2195 7,1347 1,8528 0,0837
xt-2 -13,9151 7,1566 -1,9444 0,0708
xt-3 13,5556 4,1795 3,2434 0,0055
R-squared 0,8865 Mean dependent var 2139,3500
Adjusted R-squared 0,8563 S.D. dependent var 1185,1250
S.E. of regression 449,3048 Akaike info criterion 15,2656
Sum squared resid 3028122 Schwarz criterion 15,5145
Log likelihood -147,6560 F-statistic 29,2976
Durbin-Watson stat 1,5863 Prob(F-statistic) 0,0000

yˆ t = −807,5057 + 2,7017xt + 13,2195xt −1 − 13,9151xt −2 + 13,5556xt −3 ; R = 0,9416

(297,4596) (4,1251) (7,1347) (7,1566) (4,1795) d = 1,59
su = 449,3048

Pe baza acestor rezultate se constată că doar estimatorii â şi b̂3 sunt

semnificativ diferiţi zero pentru un prag de semnificaţie α = 0,05 , ceilalţi
estimatori, bˆ0 , bˆ1 şi bˆ2 , nu pot fi acceptaţi deoarece nu au valori
semnificativ diferite de zero. Acest lucru se datoreză fenomenului de
multicoliniaritate ce apare în cazul variabilelor explicative decalate.
Depăşirea acestui impediment se va face cu ajutorul mai multor
procedee.
 Econometrie. Studii de caz

În cazul utilizării procedeului Koyck, influenţa în timp a volumului

investiţiilor asupra imobilizărilor corporale este descrescătoare, de forma
unei progresii geometrice, respectiv între parametrii bj există relaţia:

bj = b0 λj (4)

unde:
λ = raţia progresiei geometrice, 0<λ<1.

În condiţiile acestei ipoteze, modelul dinamic cu decalaj devine:

yt = a+b0xt+b0λxt-1+b0λ2xt-2+…+b0λjxt-j+…+ut (5)

Dacă se decalează cu o perioadă relaţia de mai sus şi se scade din

relaţia anterioară se obţine următorul model:

yt = ao + boxt + λyt-1 + zt (6)

unde:
ao = a(1-λ) (7)
zt = ut – λut-1 (8)

În urma aplicării M.C.M.M.P., pe baza programului EViews, asupra

modelului (6), vor rezulta estimatorii parametrilor ao, bo şi λ:

Dependent Variable: yt
Method: Least Squares
Sample(adjusted): 1981 2002
Included observations: 22 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C -290,7640 314,6985 -0,9239 0,3671
xt 8,0897 2,0359 3,9734 0,0008
yt-1 0,4364 0,1385 3,1516 0,0053
R-squared 0,7940 Mean dependent var 2180,0820
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Adjusted R-squared 0,7723 S.D. dependent var 1135,04

S.E. of regression 541,5956 Akaike info criterion 15,5530
Sum squared resid 5573191 Schwarz criterion 15,7018
Log likelihood -168,0834 F-statistic 36,6170
Durbin-Watson stat 2,5045 Prob(F-statistic) 0,0000

Pe baza datelor din tabelul de mai sus, modelul estimat este de

forma:

yˆ t = −290,764 + 8,8972 xt + 0,4364 y t −1 ; R = 0,8911

(314,6985) (2,0359) (0,1385) d = 2,5
s z = 541,5956

Modelul poate fi acceptat ca semnificativ, cu un prag de semnificaţie

de 1%, cu excepţia estimatorului â0 , care poate fi acceptat pentru un prag
de semnificaţie α = 0,4.
Utilizând relaţiile:

aˆ 0 − 290,764
aˆ 0 = aˆ (1 − λ ) ⇒ aˆ = = = −515,8957
1 − λ 1 − 0,4364

bˆ j = bˆ0 ⋅ λ̂ j

− pentru j = 0 ⇒ bˆ0 = bˆ0 ⋅ λˆ0 = 8,0897

− pentru j = 1 ⇒ bˆ1 = bˆ0 ⋅ λˆ1 = 8,0897 ⋅ 0,4364 = 3,5303
− pentru j = 2 ⇒ bˆ2 = bˆ0 ⋅ λˆ2 = 8,0897 ⋅ 0,4364 2 = 1,5406
− pentru j = 3 ⇒ bˆ3 = bˆ0 ⋅ λˆ3 = 8,0897 ⋅ 0,4364 3 = 0,6723
……………………………………………………………
 Econometrie. Studii de caz

În final, revenind la modelul cu decalaj, acesta poate fi descris cu

ajutorul relaţiei:

yˆ t = −515,8957 + 8,0897 xt + 3,5303 xt −1 + 1,5406 xt − 2 + 0,6723xt −3 + K

În situaţia în care se utilizează procedeul Almon, care presupune că

influenţa în timp a volumului investiţiilor asupra imobilizărilor corporale
este de forma unui polinom de ordinul k, respectiv între parametrii bj există
relaţia:

bj = B0 + B1 j + B2 j2 +…+ Bk jk, j = 0,1,2,3,…,k (9)

În acest caz, modelul (1) devine:

k k
yt = a + ∑b j xt − j + ut = a + ∑ (B0 + B1 ⋅ j + B2 ⋅ j 2 + ... + Bk ⋅ j k ) xt − j + ut
j =0 j =0

yt = a + B0 ∑xt − j + B1∑ j ⋅ xt − j +B2 ∑ j2 ⋅ xt − j +B3∑ j3 ⋅ xt − j +...+ Bk ∑ jk ⋅ xt − j +ut (10)

j j j j j

Notând cu:

vt 0 = ∑ xt − j
j

v t1 = ∑ j ⋅ x t − j
j

vt 2 = ∑ j 2 ⋅ xt − j
j

vtk = ∑ j k ⋅ xt − j
j

relaţia (10) se transformă într-un model multifactorial cu (k+1) variabile

explicative:

yt = a + B0vt0 + B1vt1 +…+ Bkvtk + ut (11)

Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Dacă presupunem că influenţa în timp a volumului investiţiilor

asupra imobilizărilor corporale este de forma unui polinom de ordinul trei
(vezi modelul (3)), respectiv între parametrii bj există relaţia:

bj = B0 + B1 j + B2 j2 + B3 j3

atunci, pe baza relaţiei (11), modelul se mai poate scrie astfel:

yt = a + B0vt0 + B1vt1 + B2vt2 + B3vt3 + ut

unde:
4
vt 0 = ∑ xt − j = xt + xt −1 + xt − 2 + xt −3 + xt − 4
j =0

4
vt1 = ∑ jxt − j =xt −1 + 2 xt − 2 + 3 xt −3 + 4 xt − 4
j =0

4
vt 2 = ∑ j 2 xt − j =xt −1 + 4 xt − 2 + 9 xt −3 + 16 xt − 4
j =0

4
vt 3 = ∑ j 3 xt − j =xt −1 + 8 xt − 2 + 27 xt −3 + 64 xt − 4
j =0

În cadrul tabelului [Link]. sunt prezentate valorile calculate ale

variabilelor vtk:

Tabelul [Link]
t yt xt vt0 vt1 vt2 vt3
0 1 2 3 4 5 6
1 2451,1 274,4 - - - -
2 2630,5 270,4 - - - -
3 2544,3 249,0 - - - -
4 2764,7 266,1 - - - -
5 3011,5 281,9 1341,8 2672,9 8086,1 27120,5
6 3216,1 283,1 1350,5 2642,7 7913,7 26439,3
7 3432,0 285,6 1365,7 2641,2 7789,6 25659,0
8 3650,3 281,6 1398,3 2761,9 8212,7 27192,1
9 3781,4 270,4 1402,6 2829,7 8482,3 28251,7
10 4005,5 268,6 1389,3 2822,8 8496,8 28352,8
 Econometrie. Studii de caz

t yt xt vt0 vt1 vt2 vt3

0 1 2 3 4 5 6
11 3498,0 168,4 1274,6 2796,6 8454,2 28313,4
12 1526,6 106,4 1095,4 2643,2 8182,0 27640,4
13 2622,5 100,4 914,2 2330,6 7523,8 26011,4
14 917,1 97,4 741,2 1892,8 6339,2 22688,8
15 487,9 115,5 588,1 1291,0 4151,0 14551,0
16 1811,6 138,6 558,3 1037,1 3111,1 10415,1
17 1386,7 153,7 605,6 1063,4 3083,6 10118,0
18 720,4 131,0 636,2 1167,0 3306,0 10614,6
19 820,5 115,7 654,5 1316,2 3841,2 12494,8
20 908,2 108,6 647,6 1393,2 4240,6 14184,0
21 1300,0 112,1 621,1 1347,8 4209,6 14408,0
22 1417,1 133,3 600,7 1200,4 3683,8 12488,8
23 1510,2 143,6 613,3 1146,1 3410,3 11367,1
Total 50412,9 4355,7 17799,0 36996,6 112517,6 378310,8

În urma aplicării programului EViews în vederea estimării

parametrilor modelului s-au obţinut următoarele rezultate:

Dependent Variable: yt
Method: Least Squares
Sample(adjusted): 1984 2002
Included observations: 19 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C -824,3487 359,1423 -2,2953 0,0377
vt0 9,5948 4,2084 2,2799 0,0388
vt1 -25,6459 19,6488 -1,3052 0,2129
vt2 16,0458 13,1499 1,2202 0,2425
vt3 -2,5686 2,1798 -1,1783 0,2583
R-squared 0,8636 Mean dependent var 2106,4370
Adjusted R-squared 0,8247 S.D. dependent var 1208,1730
S.E. of regression 505,8996 Akaike info criterion 15,5115
Sum squared resid 3583081 Schwarz criterion 15,7600
Log likelihood -142,3591 F-statistic 22,1650
Durbin-Watson stat 2,0355 Prob(F-statistic) 0,0000
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

yˆ t = −824,3487 + 9,5948v t 0 − 25,6459 v t1 + 16,0458v t 2 − 2,5686 v t 3 ; R = 0,9293

(359,1423) (4,2084) (19,6488) (13,1499) (2,1798) d = 2,04
s u = 505,8996

Pe baza acestor rezultate se constată că doar estimatorii â şi B̂0 sunt

semnificativ diferiţi zero pentru un prag de semnificaţie α = 0,05 , modelul
fiind şi el semnificativ pentru acelaşi prag de semnificaţie. Ceilalţi
estimatori, Bˆ1 , Bˆ 2 şi Bˆ 3 , nu pot fi acceptaţi deoarece nu au valori
semnificativ diferite de zero. Ca atare, putem concluziona că un polinom de
gradul întâi poate reprezenta o bună aproximare a modelului.
Dacă presupunem însă că influenţa în timp a volumului investiţiilor
asupra imobilizărilor corporale este de forma unui polinom de ordinul doi
respectiv între parametrii bj există relaţia:

bj = B0 + B1 j + B2 j2

atunci, pe baza relaţiei (11), modelul se mai poate scrie astfel:

yt = a + B0vt0 + B1vt1 + B2vt2 + ut

unde:
3
vt 0 = ∑ xt − j = xt + xt −1 + xt − 2 + xt −3
j =0

3
vt1 = ∑ jxt − j =xt −1 + 2 xt − 2 + 3 xt −3
j =0

3
vt 2 = ∑ j 2 xt − j =xt −1 + 4 xt − 2 + 9 xt −3
j =0
 Econometrie. Studii de caz

În cadrul tabelului [Link]. sunt prezentate valorile calculate ale

variabilelor vtk:

Tabelul [Link]
t yt xt vt0 vt1 vt2
0 1 2 3 4 5
1 2451,1 274,4 - - -
2 2630,5 270,4 - - -
3 2544,3 249,0 - - -
4 2764,7 266,1 1059,9 1613,0 3800,2
5 3011,5 281,9 1067,4 1575,3 3695,7
6 3216,1 283,1 1080,1 1561,1 3587,3
7 3432,0 285,6 1116,7 1645,2 3805,6
8 3650,3 281,6 1132,2 1697,5 3955,1
9 3781,4 270,4 1120,7 1702,1 3971,9
10 4005,5 268,6 1106,2 1690,4 3967,2
11 3498,0 168,4 989,0 1654,2 3884,6
12 1526,6 106,4 813,8 1516,8 3676,4
13 2622,5 100,4 643,8 1249,0 3197,4
14 917,1 97,4 472,6 818,4 2041,6
15 487,9 115,5 419,7 617,4 1456,6
16 1811,6 138,6 451,9 611,5 1408,7
17 1386,7 153,7 505,2 661,8 1477,2
18 720,4 131,0 538,8 777,4 1747,6
19 820,5 115,7 539,0 854,2 1993,2
20 908,2 108,6 509,0 838,8 2023,0
21 1300,0 112,1 467,4 733,0 1750,4
22 1417,1 133,3 469,7 676,4 1587,8
23 1510,2 143,6 497,6 683,3 1559,1
Total 50412,9 4355,7 15000,7 23176,8 54586,6
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

În urma aplicării programului EViews în vederea estimării

parametrilor modelului s-au obţinut următoarele rezultate:

Dependent Variable: yt
Method: Least Squares
Sample(adjusted): 1983 2002
Included observations: 20 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C -777,4384 324,7637 -2,3939 0,0293
vt0 8,2249 3,3889 2,4270 0,0274
vt1 -12,6836 8,6746 -1,4622 0,1631
vt2 4,1938 2,8756 1,4584 0,1641
R-squared 0,8554 Mean dependent var 2139,3500
Adjusted R-squared 0,8282 S.D. dependent var 1185,1250
S.E. of regression 491,1564 Akaike info criterion 15,4083
Sum squared resid 3859754 Schwarz criterion 15,6074
Log likelihood -150,0826 F-statistic 31,5407
Durbin-Watson stat 1,7492 Prob(F-statistic) 0,0000

yˆ t = −777,4384+ 8,2249vt 0 −12,6836vt1 + 4,1938vt 2 ; R = 0,9249

(324,7637) (3,8889) (8,6746) (2,8756) d = 1,75
s u = 491,1564

Pe baza acestor rezultate se constată că doar estimatorii â şi B̂0 sunt

semnificativ diferiţi zero pentru un prag de semnificaţie α = 0,05 , modelul
fiind şi el semnificativ pentru acelaşi prag de semnificaţie. Ceilalţi doi
estimatori, Bˆ şi Bˆ , pot fi acceptaţi ca semnificativi, pentru un prag de
1 2

semnificaţie α = 0,20 .
Utilizând relaţia (9), parametrii modelului (1) vor fi estimaţi astfel:

bˆ0 = Bˆ 0 = 8,2249

bˆ1 = Bˆ 0 + Bˆ1 + Bˆ 2 = 8,2249 + (− 12,6386 ) + 4,1938 = −0,265

 Econometrie. Studii de caz

bˆ2 = Bˆ 0 + 2 ⋅ Bˆ1 + 4 ⋅ Bˆ 2 = 8,2249 + 2 ⋅ (− 12,6386 ) + 3 ⋅ 4,1938 = −0,3674

bˆ3 = Bˆ 0 + 3 ⋅ Bˆ1 + 9 ⋅ Bˆ 2 = 8,2249 + 3 ⋅ (− 12,6386 ) + 9 ⋅ 4,1938 = 7,9178

În final, modelul cu decalaj poate fi descris cu ajutorul următoarei

relaţii:

yˆ t = −777,4384 + 8,2249 xt − 0,265 xt −1 − 0,3674 xt − 2 + 7,9178 xt −3

O altă metodă de evitare a multicoliniarităţii este procedeul

progresiei aritmetice descrescătoare, în cadrul se consideră că variabila x
îşi transmite influenţa asupra variabilei y sub forma unei progresii aritmetice
descrescătoare, respectiv între parametrii bj există relaţia:

bj = b0 + jλ (12)

unde:
j = 0, k ;
λ = raţia progresiei aritmetice, λ<0.

În acest caz, modelul (1) devine:

yt=a+b0xt+(b0+λ)xt-1+(b0+2λ)xt-2+…+(b0+kλ)xt-k+ut (13)

Se decalează cu o perioadă ecuaţia (13):

yt-1 = a+b0xt-1+(b0+λ)xt-2+(b0+2λ)xt-3+…+(b0+kλ)xt-k-1+ut-1(14)

Din ecuaţia (13) se scade ecuaţia (14) obţinându-se:

yt -yt-1=b0xt+λ(xt-1+xt-2+…+xt-k-1)+(ut-ut-1) (15)

yt*=b0xt+λvt+zt (16)
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

unde:
t = k + 2, n ;
yt* = yt - yt-1 – diferenţele de ordinul întâi ale variabilei explicate;
vt=xt-1+xt-2+…+xt-(k+1);
zt=ut - ut-1 - variabila aleatoare.
Stabilirea mărimii decalajului k se poate face prin încercări
succesive. Astfel, dacă se construieşte un model dinamic cu decalaj de
ordinul întâi între x şi y, utilizând datele din tabelul [Link]., coloanele 1 şi 2,
parametrii modelului (16) se vor estima pe baza valorilor celor trei variabile
yt*, xt şi vt prezentate în coloanele 3, 4 şi 5 acestuia.
Tabelul [Link]
t yt xt y *
t
( )
xt t = 3, 23 ( )
vt t = 3, 23

0 1 2 3 4 5
1 2451,1 274,4 - - -
2 2630,5 270,4 - - -
3 2544,3 249,0 -86,2 249,0 544,8
4 2764,7 266,1 220,4 266,1 519,4
5 3011,5 281,9 246,8 281,9 515,1
6 3216,1 283,1 204,6 283,1 548,0
7 3432,0 285,6 215,9 285,6 565,0
8 3650,3 281,6 218,3 281,6 568,7
9 3781,4 270,4 131,1 270,4 567,2
10 4005,5 268,6 224,1 268,6 552,0
11 3498,0 168,4 -507,5 168,4 539,0
12 1526,6 106,4 -1971,4 106,4 437,0
13 2622,5 100,4 1095,9 100,4 274,8
14 917,1 97,4 -1705,4 97,4 206,8
15 487,9 115,5 -429,2 115,5 197,7
16 1811,6 138,6 1323,7 138,6 212,9
17 1386,7 153,7 -424,9 153,7 254,1
18 720,4 131,0 -666,3 131,0 292,3
19 820,5 115,7 100,1 115,7 284,7
20 908,2 108,6 87,7 108,6 246,7
21 1300,0 112,1 391,8 112,1 224,3
22 1417,1 133,3 117,1 133,3 220,7
23 1510,2 143,6 91,8 143,6 245,3
Total 50412,9 4355,7 -1121,6 3811,0 8016,7
 Econometrie. Studii de caz

În urma aplicării M.C.M.M.P., pe baza programului EViews, asupra

modelului (16), vor rezulta estimatorii parametrilor bo şi λ:

Dependent Variable: y t*
Method: Least Squares
Sample(adjusted): 1982 2002
Included observations: 21 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
xt 10,2953 4,0923 2,5158 0,0210
vt -4,9373 1,9551 -2,5253 0,0206
R-squared 0,2483 Mean dependent var -53,4095
Adjusted R-squared 0,2087 S.D. dependent var 750,6050
S.E. of regression 667,7025 Akaike info criterion 15,9360
Sum squared resid 8470706 Schwarz criterion 16,0354
Log likelihood -165,3275 Durbin-Watson stat 2,9006

yˆ1*t = 10,2953 xt − 4,9373 vt ; R1 = 0,4983

(4,0923) (1,9551) d = 2,9
s z1 = 667,7025

Estimatorii parametrilor sunt semnificativ diferiţi de zero, cu un prag

de semnificaţie de 5%, dar modelul nu poate fi acceptat ca semnificativ.
În continuare, se va construi un model dinamic cu decalaj de ordinul
doi între x şi y. Rezultatele estimării acestui model sunt următoarele:

Dependent Variable: y t*
Method: Least Squares
Sample(adjusted): 1983 2002
Included observations: 20 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
xt 7,8769 3,7289 2,1124 0,0489
vt -2,4871 1,1742 -2,1180 0,0483
R-squared 0,1973 Mean dependent var -51,7700
Adjusted R-squared 0,1527 S.D. dependent var 770,0659
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

S.E. of regression 708,8445 Akaike info criterion 16,0598

Sum squared resid 9044290 Schwarz criterion 16,1594
Log likelihood -158,5979 Durbin-Watson stat 2,9724

yˆ 2*t = 7,8769 xt − 2,4871 vt ; R2 = 0,4441

(3,7289) (1,1742) d = 2,97
s z2 = 708,8445

Estimatorii parametrilor sunt semnificativ diferiţi de zero cu un prag

de semnificaţie de 5%, dar nici acest model nu poate fi acceptat ca
semnificativ.
În continuare, se va construi un model dinamic cu decalaj de ordinul
trei între x şi y. Rezultatele estimării acestui model sunt următoarele:

Dependent Variable: y t*
Method: Least Squares
Date: 04/03/05 Time: 16:33
Sample(adjusted): 1984 2002
Included observations: 19 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
xt 7,4635 3,4404 2,1694 0,0445
vt -1,7583 0,7950 -2,2116 0,0410
R-squared 0,2182 Mean dependent var -66,0947
Adjusted R-squared 0,1722 S.D. dependent var 788,4251
S.E. of regression 717,3399 Akaike info criterion 16,0883
Sum squared resid 8747802 Schwarz criterion 16,1877
Log likelihood -150,8386 Durbin-Watson stat 2,9938

yˆ 3*t = 7,4635 xt − 1,7583 vt ; R3 = 0,4671

(3,4404) (0,795) d = 2,99
s z3 = 717,3399

Ca şi în celelalte două cazuri, estimatorii parametrilor sunt

semnificativ diferiţi de zero cu un prag de semnificaţie de 5%, dar nici acest
model nu poate fi acceptat ca semnificativ.
 Econometrie. Studii de caz

În cazul celor trei modele estimate mai sus, cum estimatorii λ̂ j sunt
semnificativ diferiţi de zero, vom testa şi dacă aceştia diferă semnificativ
unul de celălalt, prin verificarea următoarei inegalităţi:

λˆ1 − λˆ2
tc = >2
s λ21 + s λ22

Astfel, în urma comparării estimatorilor parametrilor corespunzători

primelor două modele au fost obţinute următoarele rezultate:

λˆ1 − λˆ2 − 4,9373 − (− 2,4871)

t c1 = = = 1,0744 < 2
s λ21 + s λ22 1,95512 + 1,1742 2

Deoarece t c1 = 1,0744 < 2 , rezultă că cei doi estimatori nu diferă

semnificativ unul de celălat.
Prin compararea estimatorilor parametrilor corespunzători primului
model cu cel de-al treilea şi a celui de-al doilea model cu cel de-al treilea au
fost obţinute următoarele rezultate:

λˆ1 − λˆ3 − 4,9373 − (− 1,7583)

t c2 = = = 1,5062 < 2
s λ21 + s λ23 1,95512 + 0,795 2

λˆ2 − λˆ3 (− 2,4871) − (− 1,7583)

t c3 = = = 0,5139 < 2
s λ22 + s λ23 1,1742 2 + 0,795 2

Deoarece t c2 = 1,5062 < 2 şi t c3 = 0,5139 < 2 , rezultă că estimatorii

comparaţi nu diferă semnificativ unul de celălat.
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Lungimea decalajului se va stabili pe baza criteriului:

j = max( R y / x t − j )
j

unde:
R y / x t − j = raportul de corelaţie al modelului j.

Deoarece R1 = 0,4983 > R3 = 0,4671 > R2 = 0,4441 , se va alege

primul model, respectiv modelul dinamic cu decalaj de ordinul întâi între x
şi y,
În cazul acestuia, după estimarea parametrilor b0 şi λ prin bˆ şi λ̂ , se 0

vor estima şi parametrii modelului (1) astfel:

bˆ1 = bˆ0 + λˆ = 10,2953 + (− 4,9373) = 5,358

bˆ2 = bˆ0 + 2λˆ = 10,2953 + 2 ⋅ (− 4,9373) = 0,4207

aˆ = y − bˆ0 xt − bˆ1 xt −1 − bˆ2 xt −2 = 2191,9 −10,2953⋅189,4 − 5,358⋅185,5 − 0,4207⋅181,5

aˆ = − 828 ,192

unde:
1
y = ∑yt
n t =1
1
xt = ∑ xt
n t =1
1
xt −1 = ∑ xt −1
n − 1 t =2
1
xt − 2 = ∑ xt − 2
n − 2 t =3
 Econometrie. Studii de caz

În final, revenind la modelul cu decalaj, acesta poate fi descris cu

ajutorul relaţiei:

yˆ t = −828,192 + 10,2953 xt + 5,358 xt −1 + 0,4207 xt − 2

c) În urma estimării modelului cu decalaj, influenţa investiţiilor

asupra imobilizărilor corporale poate fi explicată astfel – ca urmare a
faptului că modelul este liniar, parametrii acestuia joacă rolul de coeficienţi
marginali ai imobilizărilor corporale în raport cu investiţiile, a căror
semnificaţie este cunoscută. Parametrul bˆ explică influenţa pe termen scurt
0

a investiţiilor asupra imobilizărilor corporale, respectiv creşterea

investiţiilor în perioada curentă cu un miliard de lei determină creşterea
imobilizărilor corporale cu 8,0897 miliarde de lei, în cazul utilizării
procedeului Koyck, cu 8,2249 miliarde de lei, în cazul utilizării procedeului
Almon, iar în cazul aplicării procedeului progresiei geometrice
descrescătoare, cu 10,2953 miliarde de lei. Deoarece estimatorii modelului
obţinut în cazul utilizării procedeului Koyck urmează o progresie
geometrică descrescătoare, a cărei sumă este finită, aceştia pot fi folosiţi la
calculul efectului pe termen lung al investiţiilor asupra imobilizărilor
corporale prin intermediul relaţiei:

b0
∑b
j =0
j =
1− λ
= 14,3534 miliarde lei.

[Link] Model dinamic de prognoză cu variabile anticipative

Un studiu de marketing efectuat asupra unui eşantion de familii

dintr-un anumit judeţ a ajuns la următoarele rezultate privind evoluţia
cheltuielilor medii pe familie (cererea) pentru procurarea de produse
alimentare şi venitul mediu pe familie pe primele zece luni ale anului curent.
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Tabelul [Link]
Cheltuieli medii lunare pe familie pentru
Venitul mediu lunar pe familie
Luni procurarea de produse alimentare
(lei noi)
(lei noi)
0 1 2
1 160 200
2 72 240
3 48 300
4 44 80
5 22 178
6 24 194
7 26 104
8 20 62
9 12 250
10 28 270

Se cere:
a) Să se prezinte premisele teoretice pe care se fundamentează
elaborarea unui model de prognoză cu variabile anticipative privind
dependenţa dintre cheltuielile medii lunare pe familie pentru procurarea de
produse alimentare şi venitul mediu lunar pe familie;
b) Ştiind că pentru luna noiembrie s-a estimat (planificat) un venit
mediu pe familie de 300 lei, dar s-a realizat un venit mediu de numai
250 lei, să se estimeze:
b1) Cheltuielile medii pe familie efectuate pentru consumul
produselor alimentare în luna noiembrie;
b2) Prognoza venitului mediu pe familie şi a cheltuielilor medii pe
familie pentru procurarea de produse alimentare aferente lunii decembrie.

Rezolvare:

a) Abordarea econometrică a problemei porneşte de la relaţiile de

dependenţă dintre consumul unei familii şi factorii săi. Se ştie că, din
ansamblul factorilor consumului populaţiei, venitul mediu pe locuitor sau pe
familie reprezintă unul din factorii esenţiali ai acestuia, alături de preţul
produsului, sau de indicele preţurilor de consum al unei grupe eterogene de
produse, cum este cazul mărfurilor alimentare. În acest sens, în cadrul
 Econometrie. Studii de caz

modelului econometric care descrie legătura dintre cererea efectivă

(consumul) şi venitul familiilor, cele două variabile au următoarea
semnificaţie:

y t = a ⋅ xt + u t (1)

unde:
y = cheltuielile medii lunare pe familie pentru procurarea de produse
alimentare (variabilă endogenă);
x = venitul mediu lunar pe familie (variabilă exogenă);
y
a = = ponderea cheltuielilor medii lunare pentru procurarea de produse
x
alimentare în totalul veniturilor unei familii;
(
t = lunile anului, t = 1,10 ; )
u = variabila reziduală ce rezultă datorită faptului că parametrul „a” se
estimează pe baza unui eşantion prin metode statistice.

Notând cu yt şi xt valorile reale ale celor două variabile y şi x, şi cu

ypt şi xpt valorile de prognoză ale acestora, atunci valoarea lui y se
anticipează cu ajutorul relaţiei:

y t = a ⋅ x pt ⇒ y t −1 = a ⋅ x pt −1 (2)

Deoarece prognoza fenomemului y depinde de previziunea

fenomenului x, se consideră că:

x pt − x pt −1 = λ ⋅ ( x t −1 − x pt −1 ) 18 (3)

unde:
t = variabila timp, t = 1, n ;
λ = constanta de nivelare (lisaj), 0 < λ < 1 ;
xt-1 – xpt-1 = eroarea de prognoză.
18
Notă: Relaţia (3) este specifică metodei nivelării exponenţiale simple– vezi capitolul 4,
problema [Link].
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Relaţia (3) se fundamentează pe ipoteza că diferenţele dintre două

valori succesive de prognoză ale variabilei x sunt generate de un proces
autoregresiv, stabil, de ordinul unu.
Prin definiţie, un proces autoregresiv este:
- stabil - dacă 0 < λ < 1 ;
- constant sau de repetiţie - dacă λ = 1;
- exploziv - dacă λ > 1 .
Din relaţia (3) se deduce că:
x pt = λ ⋅ xt −1 + (1 − λ)x pt−1 (4)

relaţie care, înmulţită cu “a”, devine:

a ⋅ x pt = a ⋅ λ ⋅ xt −1 + (1 − λ ) ⋅ a ⋅ x pt −1 (5)
Corelând relaţia (2) cu relaţia (5) rezultă că:

y t = aλx t −1 + (1 − λ ) y t −1 (6)

Estimatorii parametrilor a şi λ se pot determina cu ajutorul

M.C.M.M.P. aplicată modelului:

yt = b1 xt −1 + b2 yt −1 + zt (7)

unde:
b1 = aλ
b2 = 1-λ

De regulă, estimatorii parametrului λ vor avea două valori:

bˆ1
λˆ1 =
aˆ

λˆ2 = 1 − bˆ2
 Econometrie. Studii de caz

Pe baza valorilor estimate ale parametrului λ rezultă faptul că :

1
- dacă λˆ1 ∈ (0;1) şi λˆ2 ∈ (0;1) , atunci se va calcula λ = ( λˆ1 + λˆ2 );
2
- dacă λˆ ∉ (0;1) , dar .λˆ ∈ (0;1), atunci se va reţine λ = λ̂ sau
1 2 1

λ = λ̂2 , dacă rezultatele sunt inverse;

- dacă λˆ1 ∉ (0;1) şi λˆ2 ∉ (0;1) , atunci relaţia (3) şi, evident, relaţia
(6), nu pot fi acceptate la descrierea evoluţiei variabilelor x şi y.
În general, modelele de prognoză cu variabile anticipative pot fi
adaptate la orice tip de model, uni sau multifactorial, liniar sau liniarizabil,
care se construieşte pe baza unei serii de timp, dacă evoluţia variabilelor
respective poate fi considerată staţionară.
b1) Pornind de la relaţia de dependenţă a consumului de venit,
y t = a ⋅ x t + u t , prin aplicarea M.C.M.M.P., se estimează parametrul a,
respectiv aˆ = 0,2184 , acesta reprezentând faptul că ponderea cheltuielilor
medii lunare pentru procurarea de produse alimentare este de 21,84% din
venitul mediu lunar al unei familii:

yt = 0,2184 xt
(0,0703)

Ştiind că, L (aˆ) = N (a, s â ) , ponderea cheltuielilor medii lunare

pentru procurarea de produse alimentare în venitul unei familii poate fi
estimată pe baza unui interval de încredere:

P (a ∈ [aˆ ± ta ⋅ saˆ ]) = 1 − 0,05 = 0,95

t0, 05;9 = 2,262 ⇒ a ∈ (5,94%; 37,73%)

Valoarea parametrului a fiind cunoscută, cheltuielile medii lunare

efectuate de o familie pentru procurarea de produse alimentare în luna
noiembrie vor fi estimate astfel:

y11 = 0,2184•250 = 54,6 lei /familie

Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

b2) Prognoza venitului mediu pe familie în luna decembrie se va

estima cu ajutorul relaţiei:

xp12 − xp11 = λ(x11 − xp11)

unde:
x11 = 250 şi xp11 = 300.

Estimarea parametrului λ se va face cu ajutorul modelului (7),

respectiv:

yt = b1xt-1 + b2yt-1 + zt

unde:
b1 = aλ1 şi b2 = 1 − λ2.

Utilizând pachetul de programe EViews în vederea estimării

parametrilor modelului au fost obţinute următoarele rezultate:

Dependent Variable: yt
Method: Least Squares
Sample(adjusted): 2 10
Included observations: 9 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
xt-1 0,0955 0,0020 46,8932 0,0000
yt-1 0,3325 0,0062 54,0535 0,0000
R-squared 0,9983 Mean dependent var 32,8889
Adjusted R-squared 0,9981 S.D. dependent var 18,5502
S.E. of regression 0,8071 Akaike info criterion 2,6023
Sum squared resid 4,5594 Schwarz criterion 2,6461
Log likelihood -9,7103 Durbin-Watson stat 2,9600

yˆt = 0,0925 xt −1 + 0,3325 yt −1; R = 0,9992

(0,002) (0,0062) d = 2,96
s z = 0,8071
 Econometrie. Studii de caz

dar:
bˆ
bˆ1 = aˆ λˆ1 ⇒ λˆ1 = 1 = 0,4373
aˆ
bˆ = 1 − λˆ ⇒ λˆ = 1 − bˆ = 0,6675
2 2 2 2

1 ˆ ˆ
⇒λ = (λ1 + λ2 ) = 0,5524
2
Revenind la relaţiile precedente rezultă:
- prognoza venitului mediu pe familie în luna decembrie
xp12 = 0,5524 (250-300)+300 = 272,38 lei

- prognoza cheltuielilor medii pe familie pentru procurarea de

produse alimentare în luna decembrie
y p12 = aˆ ⋅ x p12 = 0,2184 ⋅ 272,38 = 59,48 lei/familie

2.1.9 Modelul static al lui Keynes

Se cunosc următoarele date privind PIB pe categorii de utilizări

(exprimat în mld. lei preţuri comparabile-1990=100), în România, în
perioada 1980 – 2003:

Tabelul 2.9.1
mld. lei (1990=100)
Consum final PIB Investiţi Consum PIB Investiţi
Anul Anul
real real reale final real real reale
0 1 2 3=2-1 0 1 2 3=2-1
1980 531,6 804,3 272,7 1992 566,6 681,0 114,4
1981 545,0 805,8 260,8 1993 574,0 691,3 117,3
1982 535,1 837,1 302,0 1994 598,6 718,2 119,6
1983 523,7 886,6 362,9 1995 658,1 769,3 111,2
1984 551,3 940,2 388,9 1996 701,5 799,5 98,0
1985 551,9 939,5 387,6 1997 669,8 750,7 80,9
1986 553,4 961,9 408,5 1998 677,2 714,8 37,6
1987 570,2 969,6 399,4 1999 660,3 706,1 45,8
1988 614,6 964,8 350,2 2000 669,5 720,7 51,2
1989 624,2 908,8 284,6 2001 710,4 761,7 51,4
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Consum final PIB Investiţi Consum PIB Investiţi

Anul Anul
real real reale final real real reale
0 1 2 3=2-1 0 1 2 3=2-1
1990 679,5 857,9 178,4 2002 731,7 799,1 67,4
1991 599,4 746,8 147,4 2003 782,2 838,3 56,1
Notă: Ambii indicatori sunt calculaţi conform metodologiei de calcul a Sistemului European al Conturilor
Economiei Integrate - SEC 1979. Consumul final a fost deflaţionat cu ajutorul deflatorului consumului final
exprimat în preţuri constante (1990 = 100), datele provenind de la Ministerul Prognozei şi Dezvoltării, iar PIB-ul a
fost deflaţionat cu ajutorul deflatorului PIB exprimat în preţuri constante (1990 = 100), obţinut în urma prelucrării
datelor din Raportul Anual BNR.
Sursa: Date prelucrate pe baza Anuarului Statistic al României 1995, CNS, Bucureşti, 1996, p. 370-371,
Anuarului Statistic al României 1996, INS, Bucureşti, 1997, p. 364-365, Anuarului Statistic al României 2003,
INS, Bucureşti, 2004, p. 284, Raportului Anual 1999, BNR, Bucureşti, 2000, p. 8*-9, Raportului Anual 2002, BNR,
Bucureşti, 2003, p. 4*-5*, Comunicatului de Presă al INS nr.11/26.02.2004, Dobrescu, E., Macromodels of the
Romanian Transition Economy, Second Edition, Editura Expert, Bucharest, 1998, p. 184.

Se cere:
a) Să se analizeze evoluţia consumului final real în perioada 1980-
2003 utilizând modelul static al lui Keynes:
a1 ) estimaţia să se efectueze prin aplicarea M.C.M.M.P. ecuaţiei
modelului structural;
a 2 ) estimaţia să se efectueze prin metoda regresiei indirecte;
a3 ) estimaţia să se efectueze prin aplicarea M.C.M.M.P. în două
faze;
b) Să se comenteze rezultatele obţinute.

Rezolvare:

a1) Pe baza teoriei keynesiste, modelul cu ecuaţii multiple ce se

poate construi în funcţie de datele problemei este de forma:

⎧Ct = a + bVt + ut (1)

⎨
⎩Vt = Ct + I t ( 2)

Prima ecuaţie a modelului descrie o relaţie de comportament, iar cea

∂C
de-a doua ecuaţie reprezintă o relaţie de identitate economică. b = t
∂Vt
 Econometrie. Studii de caz

reprezintă rata marginală (medie) a consumului final real în funcţie de PIB-

ul real.
Aplicând M.C.M.M.P. ecuaţiei (1), rezultă estimatorii
parametrilor, a$ şi b$ , ai modelului:

( ) (
F aˆ, bˆ = min ∑ C t − aˆ − bˆV t
t
)
2

F ′(aˆ ) = 0 ⇒ naˆ + bˆ ∑V t = ∑ C t

F ′(bˆ) = 0 ⇒ aˆ ∑V t + bˆ ∑V t 2 = ∑ C tV t
Utilizând programul EViews au fost obţinute următoarele rezultate:

Dependent Variable: C t
Method: Least Squares
Sample: 1980 2003
Included observations: 24
Variable Coefficient Std. Error t-Statistic Prob.
C 808,3517 128,3789 6,2966 0,0000
Vt -0,2310 0,1564 -1,4766 0,1540
R-squared 0,0902 Mean dependent var 619,9917
Adjusted R-squared 0,0488 S.D. dependent var 72,3846
S.E. of regression 70,5960 Akaike info criterion 11,4315
Sum squared resid 109643,40 Schwarz criterion 11,5297
Log likelihood -135,1777 F-statistic 2,1802
Durbin-Watson stat 0,3417 Prob(F-statistic) 0,1540

Cˆ t = 808,3517 − 0,231 ⋅ Vt ; R1 = 0,300

(128,3789) (0,1564) d = 0,34
suˆ 1 = 70,596

Valorile estimate ale variabilei Ct şi ale variabilei reziduale, uˆ1t sunt

prezentate în cadrul tabelului 2.9.2. (utilizând pachetul de programe
EViews).
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Tabelul 2.9.2
Actual Fitted Residual Residual Plot
Ct Ĉ t uˆ1t (graficul reziduurilor)
531,6 622,5976 -90,9976 | *. | . |
545,0 622,2511 -77,2511 | *. | . |
535,1 615,0224 -79,9224 | *. | . |
523,7 603,5903 -79,8903 | *. | . |
551,3 591,2113 -39,9113 | .* | . |
551,9 591,3730 -39,4730 | .* | . |
553,4 586,1996 -32,7996 | . *| . |
570,2 584,4213 -14,2213 | . *| . |
614,6 585,5299 29,0701 | . |* . |
624,2 598,4632 25,7368 | . |* . |
679,5 610,2186 69,2814 | . | * |
599,4 635,8773 -36,4773 | .* | . |
566,6 651,0739 -84,4739 | *. | . |
574,0 648,6951 -74,6951 | * | . |
598,6 642,4825 -43,8825 | .* | . |
658,1 630,6809 27,4191 | . |* . |
701,5 623,7061 77,7939 | . | .* |
669,8 634,9766 34,8234 | . |* . |
677,2 643,2677 33,9323 | . |* . |
660,3 645,2770 15,0230 | . |* . |
669,5 641,9051 27,5949 | . |* . |
710,4 632,4361 77,9639 | . | .* |
731,7 623,7985 107,9015 | . | . * |
782,2 614,7452 167,4548 | . | . *|

În vederea verificării ipotezei de independenţă a erorilor se aplică

testul Durbin - Watson, care constă în calcularea variabilei d cu ajutorul
relaţiei:

∑ (uˆ 1t − uˆ1t −1 )
2

d= t =2
n
= 0,34
∑ uˆ
t =1
2
1t

(vezi tabelul afişat de programul EViews)

 Econometrie. Studii de caz

Din tabela distribuţiei Durbin - Watson, în funcţie de un prag de

semnificaţie α = 0,05 , de numărul variabilelor explicative k = 1 şi de
numărul de observaţii n = 24 se preiau valorile teoretice d 1 = 1,27 şi
d 2 = 1,45 . Comparând valoarea calculată a variabilei d cu cele două valori
teoretice se constată că 0 < d = 0,34 < d1 = 1,27 , interval ce corespunde
situaţiei de autocorelaţie pozitivă, care, în acest caz, va fi ignorată.
Verificarea semnificaţiei estimatorilor presupune:
- calculul dispersiei variabilei reziduale
1 1
su2ˆ1 = ⋅ ∑ uˆ12t = ⋅ 109,643 = 4983,7909
n − k −1 22

suˆ 1 = 70,596
(vezi tabelul afişat de programul EViews)

- calculul abaterilor medii pătratice ale celor doi estimatori

⎛1 V2 ⎞
saˆ = s ⋅ + ⎜ 2 ⎟ = 128,3789
⎜n
∑ (Vt − V ) ⎠
uˆ1 2 ⎟
⎝
(vezi tabelul afişat de programul EViews)

su2ˆ1
s bˆ = = 0,1564
∑ (V −V )
2
t

(vezi tabelul afişat de programul EViews)

aˆ 808,3517
t aˆ = = = 6,2966
s aˆ 128,3789

bˆ − 0,231
t bˆ = = = 1,4766
sbˆ 0,1564
(vezi tabelul afişat de programul EViews)
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Din tabela distribuţiei Student, pentru un prag de semnificaţie

α = 0,05 , se preia valoarea t 0,05; 22 = 2,074 . Comparând valoarea tabelată cu
valorile calculate pentru cei doi parametrii se constată că doar parametrul a
este semnificativ diferit de zero pentru un prag de semnificaţie α = 0,05 , iar
parametrul b poate fi acceptat ca semnificativ pentru un prag de semnicaţie
α = 0,20 .
În vederea verificării semnificaţiei raportului de corelaţie se
calculează valoarea acestuia, după care se aplică testul Fisher-Snedecor:

R1 = 1−
∑ uˆ 2
1t
= R12 = 0,300
∑ (C − C )
2
t

R12 0,0902
Fc = (n − k − 1) ⋅ = 22 ⋅ = 2,1802
1 − R12
1 − 0,0902
(vezi tabelul afişat de programul EViews)

Din tabela distribuţiei Fisher-Snedecor, în funcţie de un prag de

semnificaţie de 5% şi de numărul gradelor de libertate, v1 = k = 1 şi
v 2 = n − k − 1 = 22 , se preia valoarea F0, 05;1; 22 = 4,30 .
Cum Fc = 2,1802 < F0, 05;1; 22 = 4,30 , rezultă că valoarea raportului de
corelaţie este nesemnificativă, deci rezultatele obţinute în cazul acestui
model sunt nesemnificative.
a 2 ) Modelul de la punctul a1 ) este sub formă structurală şi este
format din trei variabile - două variabile endogene, Ct şi Vt , şi o variabilă
exogenă I t . Prima ecuaţie a modelului este corect identificată, deoarece
numărul variabilelor absente (una - I t ) este egal cu numărul variabilelor
endogene minus unu (1 = 2 − 1) . În acest caz, parametrii modelului se pot
estima:
- prin metoda regresiei indirecte aplicată ecuaţiilor modelului sub
formă redusă;
 Econometrie. Studii de caz

- prin aplicarea M.C.M.M.P. în două faze.

Metoda regresiei indirecte se utilizează atunci când modelul cu
ecuaţii multiple în forma structurală este corect identificat. Se calculează
modelul sub formă redusă, după care se aplică M.C.M.M.P. fiecărei ecuaţii
a modelului, obţinându-se estimatorii formei reduse a modelului. Ultima
operaţie constă în identificarea modelului, adică pe baza estimatorilor
formei reduse se calculează estimatorii formei structurale.
Pornind de la forma structurală a modelului, modelul sub formă
redusă se obţine în urma efectuării următoarelor operaţii:

⎧Ct = a + bVt + ut (1)

⎨
⎩Vt = Ct + I t ( 2)

- pentru a aduce prima ecuaţie la forma redusă se înlocuieşte ecuaţia

(2) în ecuaţia (1):

C t = a + b ⋅ (C t + I t ) + u t ⇒ C t ⋅ (1 − b ) = a + b ⋅ I t + u t

a b 1
Ct = + ⋅ It + ⋅ ut
1− b 1− b 1− b

- pentru a aduce a doua ecuaţie la forma redusă se înlocuieşte ecuaţia

(1) în ecuaţia (2):

Vt = a + b ⋅ Vt + I t + u t ⇒ Vt ⋅ (1 − b ) = a + I t + u t

a 1 1
Vt = + ⋅ It + ⋅ ut
1− b 1− b 1− b

Se fac următoarele notaţii:

a
α=
1− b
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

b
β1 =
1− b

1
β2 =
1− b

ut
zt =
1− b

În final, modelul în formă redusă devine:

⎧C t = α + β `1 ⋅ I t + z t (3)
⎨
⎩Vt = α + β 2 ⋅ I t + z t (4 )

În continuare, se aplică M.C.M.M.P. fiecărei ecuaţii în parte şi se

estimează parametrii α , β 1 , β 2 .
Pentru ecuaţia (3), aplicarea M.C.M.M.P. constă în:

( ) (
F αˆ , βˆ1 = min ∑ C t − αˆ − βˆ1 I t
t
)
2

F ′(αˆ ) = 0 ⇒ nαˆ + βˆ1 ∑ I t = ∑ C t

( )
F ′ βˆ1 = 0 ⇒ αˆ ∑ I t + βˆ1 ∑ I t2 = ∑ C t I t

Utilizând programul EViews au fost obţinute următoarele rezultate:

Dependent Variable: Ct
Method: Least Squares
Sample: 1980 2003
Included observations: 24
Variable Coefficient Std. Error t-Statistic Prob.
C 698,34 17,976 38,849 0,0000
It -0,4006 0,0762 -5,2584 0,0000
R-squared 0,5569 Mean dependent var 619,9917
Adjusted R-squared 0,5368 S.D. dependent var 72,3846
 Econometrie. Studii de caz

S.E. of regression 49,2659 Akaike info criterion 10,7120

Sum squared resid 53396,82 Schwarz criterion 10,8102
Log likelihood -126,5440 F-statistic 27,6509
Durbin-Watson stat 0,4779 Prob(F-statistic) 0,0000

Cˆ t = 698,34 − 0,4006 ⋅ I t ; R2 = 0,7463

(17,976) (0,0762) d = 0,48
s zˆ = 49,2659

În cazul acestei ecuaţii se constată existenţa fenomenului de

autocorelare a erorilor, care poate fi ignorat. Estimatorii parametrilor
modelului sunt semnificativ diferiţi de zero pentru un prag de semnificaţie
de 5%, modelul fiind şi el semnificativ pentru acelaşi prag de semnificaţie.
Valorile estimate ale variabilei Ct şi ale variabilei reziduale, ẑ t sunt
prezentate în cadrul tabelului 2.9.3. (utilizând pachetul de programe
EViews):
Tabelul 2.9.3
Actual Fitted Residual Residual Plot
Ct Ĉ t ẑ t (graficul reziduurilor)
531,600 589,107 -57,5071 | * | . |
545,000 593,874 -48,8737 | * | . |
535,100 577,371 -42,2708 | .* | . |
523,700 552,977 -29,2769 | . * | . |
551,300 542,562 8,73758 | . |* . |
551,900 543,083 8,81685 | . |* . |
553,400 534,712 18,6885 | . |* . |
570,200 538,357 31,8434 | . | *. |
614,600 558,064 56,5360 | . | * |
624,200 584,340 39,8595 | . | *. |
679,500 626,880 52,6204 | . | * |
599,400 639,297 -39,8968 | .* | . |
566,600 652,515 -85,9152 | * . | . |
574,000 651,354 -77,3536 | * . | . |
598,600 650,432 -51,8323 | * | . |
658,100 653,797 4,30303 | . |* . |
701,500 659,084 42,4157 | . | *. |
669,800 665,934 3,86617 | . * . |
677,200 683,278 -6,07793 | . *| . |
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Actual Fitted Residual Residual Plot

Ct Ĉ t ẑ t (graficul reziduurilor)
660,300 679,993 -19,6934 | . *| . |
669,500 677,830 -8,33036 | . *| . |
710,400 677,750 32,6498 | . | *. |
731,700 671,341 60,3587 | . | .* |
782,200 675,868 106,332 | . | . *|

Pentru ecuaţia (4), aplicarea M.C.M.M.P. constă în:

( ) (
F αˆ ; βˆ 2 = min ∑ V t − αˆ − βˆ 2 I t
t
)2

F ′(αˆ ) = 0 ⇒ nαˆ + βˆ 2 ∑ I t = ∑V t

( )
F ′ βˆ 2 = 0 ⇒ αˆ ∑ I t + βˆ 2 ∑ I t2 = ∑V t I t

Utilizând programul EViews au fost obţinute următoarele rezultate:

Dependent Variable: Vt
Method: Least Squares
Sample: 1980 2003
Included observations: 24
Variable Coefficient Std. Error t-Statistic Prob.
C 698,33 17,975 38,851 0,0000
It 0,5995 0,0762 7,8703 0,0000
R-squared 0,7379 Mean dependent var 815,5833
Adjusted R-squared 0,7260 S.D. dependent var 94,1118
S.E. of regression 49,2629 Akaike info criterion 10,7119
Sum squared resid 53390,30 Schwarz criterion 10,8101
Log likelihood -126,5425 F-statistic 61,9414
Durbin-Watson stat 0,4779 Prob(F-statistic) 0,0000

Vˆt = 698,33 + 0,5995 ⋅ I t ; R3 = 0,859

(17,975) (0,0762) d = 0,48
s zˆ = 49,2629
 Econometrie. Studii de caz

În cazul acestei ecuaţii se constată existenţa fenomenului de

autocorelare a erorilor, care poate fi ignorat. Estimatorii parametrilor
modelului sunt semnificativ diferiţi de zero pentru un prag de semnificaţie
de 5%, modelul fiind şi el semnificativ pentru acelaşi prag de semnificaţie.
Valorile estimate ale variabilei Vt şi ale variabilei reziduale, ẑ t sunt
prezentate în cadrul tabelului 2.9.4. (utilizând pachetul de programe
EViews):

Tabelul 2.9.4
Actual Fitted Residual Residual Plot
Vt Vˆt ẑ t (graficul reziduurilor)
804,300 861,806 -57,5056 | * | . |
805,800 854,672 -48,8718 | * | . |
837,100 879,370 -42,2703 | .* | . |
886,600 915,878 -29,2785 | . * | . |
940,200 931,465 8,73508 | . |* . |
939,500 930,686 8,81440 | . |* . |
961,900 943,215 18,6853 | . |* . |
969,600 937,759 31,8406 | . | *. |
964,800 908,265 56,5349 | . | * |
908,800 868,939 39,8606 | . | *. |
857,900 805,275 52,6252 | . | * |
746,800 786,691 -39,8910 | .* | . |
681,000 766,908 -85,9082 | * . | . |
691,300 768,647 -77,3467 | * . | . |
718,200 770,026 -51,8255 | * | . |
769,300 764,990 4,3101 | . |* . |
799,500 757,077 42,4232 | . | *. |
750,700 746,826 3,8742 | . * . |
714,800 720,868 -6,0683 | . *| . |
706,100 725,784 -19,6840 | . *| . |
720,700 729,021 -8,32121 | . *| . |
761,700 729,141 32,5589 | . | *. |
799,100 738,733 60,3672 | . | .* |
838,300 731,959 106,341 | . | . *|
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

După estimarea parametrilor modelului în formă redusă urmează

identificarea modelului, adică estimarea parametrilor a$ şi b$ din modelul în
formă structurală.

Estimarea acestora se deduce din notaţiile efectuate anterior:

aˆ αˆ 698,33
αˆ = ⇒ aˆ = = = 1164,9
1 − bˆ βˆ 2 0,5995
bˆ βˆ − 0,4006
βˆ1 = ⇒ bˆ = 1 = = −0,6682
ˆ
1− b ˆ
β2 0,5995
1
βˆ 2 =
1 − b̂

Deci, ecuaţia estimată a consumului final real, în formă structurală,

este următoarea:

Cˆ t = 1164,9 − 0,6682 ⋅ Vt

Verificarea ipotezei de independenţă a erorilor se realizează analog,

respectiv, valoarea calculată a variabilei d este egală cu:

∑ (uˆ 2t − uˆ 2t −1 )
2

71024,5754
d= t =2
n
= = 0,4781 ≅ 0,48
148565,6113
∑ uˆ
t =1
2
2t

Din tabela distribuţiei Durbin - Watson, în funcţie de un prag de

semnificaţie α = 0,05 , de numărul variabilelor explicative k = 1 şi de
numărul de observaţii n = 24 se preiau valorile teoretice d 1 = 1,27 şi
d 2 = 1,45 . Comparând valoarea calculată a variabilei d cu cele două valori
teoretice se constată că 0 < d = 0,48 < d1 = 1,27 , interval ce corespunde
situaţiei de autocorelaţie pozitivă, care, în acest caz, va fi ignorată.
 Econometrie. Studii de caz

În mod analog se testează semnificaţia parametrilor a$ şi b$ :

1 1
s u2ˆ2 =
n − k −1
∑ uˆ 22t =
22
⋅ 148565,6113 = 6752,9823 ⇒ suˆ 2 = 82,1765

⎛1 ⎞
V2 ⎟ = 6752,9823⋅ ⎛⎜ 1 + 815,5864 ⎞⎟ = 149,4463
2
saˆ = su2ˆ2 ⋅ ⎜ + ⎜ 24 203690,7942 ⎟
⎜n
∑ (Vt − V ) ⎟⎠
2
⎝ ⎝ ⎠

s u2ˆ2 6752,9823
s bˆ = = = 0,1821
∑ (V −V )
2
t
203690,7942

aˆ 1164,9
t aˆ = = = 7,7947 > t 0,05; 22 = 2,074
s aˆ 149,4463

bˆ − 0,6682
t bˆ = = = 3,6697 > t 0,05; 22 = 2,074
sbˆ 0,1821

∑ (C − Cˆ ) = 1 − 148565,6113 = −0,2329
2
t
R 2
= 1−
∑ (C − C )
4 2
120501,4088
t

∑ (Cˆ − C )
2
t
sC2 V k 90939,7482
Fc = = = = 13,4666 > F0,05;1; 22 = 4,30
∑ (C )
2 2
s u2 − Cˆ 6752,9823
t

n − k −1

Deci, şi în acest caz, estimatorii parametrilor modelului sunt

semnificativ diferiţi de zero pentru un prag de semnificaţie de 5%, modelul
fiind şi el semnificativ pentru acelaşi prag de semnificaţie.
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Modelul estimat prin metoda regresiei indirecte este:

Cˆ t = 1164,9 − 0,6682 ⋅ Vt ; R42 = −0,2329

(149,4463) (0,1821) d = 0,48
s uˆ2 = 82,1765

a3 ) Estimarea parametrilor modelului prin aplicarea M.C.M.M.P. în

două faze constă în:
Faza I: Se regresează variabila endogenă (Vt ) , care este pe post de
variabilă exogenă în ecuaţia (1) a modelului, în funcţie de variabila exogenă
It :
Vt = c + d ⋅ I t + wt

Cei doi parametrii c şi d se estimează cu ajutorul M.C.M.M.P.:

( ) (
F cˆ, dˆ = min ∑ V t − cˆ − dˆI t
t
)
2

F ′(cˆ ) = 0 ⇒ ncˆ + dˆ ∑ I t = ∑V t
()
F ′ dˆ = 0 ⇒ cˆ ∑ I t + dˆ ∑ I t2 = ∑V t I t

Ca urmare a faptului că valorile estimate ale parametrilor acestui

model sunt identice cu valorile estimate ale parametrilor α şi β 2 , obţinute
cu ajutorul metodei regresiei indirecte, rezultatele estimării vor fi şi ele
identice, respectiv:

Vˆt = 698,33 + 0,5995 ⋅ I t ; R3 = 0,859

(17,975) (0,0762) d = 0,48
s wˆ = 49,2629

Faza II: În ecuaţia (1) a modelului, variabila Vt - PIB-ul real - se

( )
introduce cu valorile estimate în faza I Vˆt - vezi tabelul 2.9.4., coloana 2.
 Econometrie. Studii de caz

Rezultă ecuaţia: C t = a + b ⋅ Vˆt + u t , ai cărei parametrii se estimează tot cu

ajutorul M.C.M.M.P.:

( ) (
F aˆ, bˆ = min ∑ C t − aˆ − bˆVˆt
t
)
2

F ′(aˆ ) = 0 ⇒ naˆ + bˆ ∑Vˆt = ∑ C t

()
F ′ bˆ = 0 ⇒ aˆ ∑Vˆt + bˆ ∑Vˆt 2 = ∑ C tVˆt

Dependent Variable: Ct
Method: Least Squares
Date: 04/06/05 Time: 01:14
Sample: 1980 2003
Included observations: 24
Variable Coefficient Std. Error t-Statistic Prob.
C 1164,9 104,1213 11,1883 0,0000
Vˆt -0,6682 0,1271 -5,2584 0,0000
R-squared 0,5569 Mean dependent var 619,9917
Adjusted R-squared 0,5368 S.D. dependent var 72,3846
S.E. of regression 49,2659 Akaike info criterion 10,7120
Sum squared resid 53396,83 Schwarz criterion 10,8102
Log likelihood -126,5440 F-statistic 27,6509
Durbin-Watson stat 0,4779 Prob(F-statistic) 0,0000

Cˆ t = 1164,9 − 0,6682 ⋅ Vˆt ; R5 = 0,7463

(104,1213) (0,1271) d = 0,48
s uˆ3 = 49,2659

Valorile estimate ale variabilei Ct şi ale variabilei reziduale, uˆ 3t sunt

prezentate în cadrul tabelului 2.9.5. (utilizând pachetul de programe
EViews).
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Tabelul 2.9.5
Actual Fitted Residual Residual Plot
Ct Ĉ t uˆ 3t (graficul reziduurilor)
531,6 589,107 -57,5071 | * | . |
545,0 593,874 -48,8737 | * | . |
535,1 577,371 -42,2708 | .* | . |
523,7 552,977 -29,2769 | . * | . |
551,3 542,562 8,7376 | . |* . |
551,9 543,083 8,8169 | . |* . |
553,4 534,712 18,6885 | . |* . |
570,2 538,357 31,8434 | . | *. |
614,6 558,064 56,5360 | . | * |
624,2 584,340 39,8596 | . | *. |
679,5 626,880 52,6204 | . | * |
599,4 639,297 -39,8968 | .* | . |
566,6 652,515 -85,9152 | * . | . |
574,0 651,354 -77,3536 | * . | . |
598,6 650,432 -51,8323 | * | . |
658,1 653,797 4,3030 | . |* . |
701,5 659,084 42,4157 | . | *. |
669,8 665,934 3,8662 | . * . |
677,2 683,278 -6,0779 | . *| . |
660,3 679,993 -19,6934 | . *| . |
669,5 677,830 -8,3304 | . *| . |
710,4 677,750 32,6497 | . | *. |
731,7 671,341 60,3587 | . | .* |
782,2 675,868 106,332 | . | . *|

Programul EViews oferă posibilitatea estimării parametrilor unui

model cu ecuaţii simultane, atât prin M.C.M.M.P. în două faze, cât şi prin
construirea unui sistem de ecuaţii care permite estimarea parametrilor atât
prin M.C.M.M.P. în două faze, cât şi prin M.C.M.M.P. în trei faze.
 Econometrie. Studii de caz

Astfel, rezultatele afişate de programul EViews în urma aplicării

M.C.M.M.P. în două faze sunt următoarele:

Dependent Variable: C t
Method: Two-Stage Least Squares
Sample: 1980 2003
Included observations: 24
Instrument list: It
Variable Coefficient Std. Error t-Statistic Prob.

C 1164,9 173,6883 6,7071 0,0000

Vt -0,6682 0,2120 -3,1523 0,0046
R-squared -0,2330 Mean dependent var 619,9917
Adjusted R-squared -0,2890 S.D. dependent var 72,3846
S.E. of regression 82,1822 Sum squared resid 148585,90
F-statistic 9,9368 Durbin-Watson stat 0,4779
Prob(F-statistic) 0,0046

Valorile estimate ale variabilei Ct şi ale variabilei reziduale, û t sunt

prezentate în cadrul tabelului 2.9.6.:

Tabelul 2.9.6
Actual Fitted Residual Residual Plot
Ct Ĉ t ût (graficul reziduurilor)
531,600 627,531 -95,9309 | * | . |
545,000 626,529 -81,5287 | * | . |
535,100 605,615 -70,5148 | .* | . |
523,700 572,540 -48,8401 | . * | . |
551,300 536,726 14,5741 | . |* . |
551,900 537,194 14,7064 | . |* . |
553,400 522,226 31,1736 | . |* . |
570,200 517,081 53,1185 | . | *. |
614,600 520,289 94,3113 | . | * |
624,200 557,707 66,4934 | . | *. |
679,500 591,717 87,7833 | . | * |
599,400 665,951 -66,5510 | .* | . |
566,600 709,917 -143,317 | * . | . |
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Actual Fitted Residual Residual Plot

Ct Ĉ t ût (graficul reziduurilor)
574,000 703,035 -129,035 | * . | . |
598,600 685,061 -86,4608 | * | . |
658,100 650,917 7,18294 | . |* . |
701,500 630,738 70,7618 | . | *. |
669,800 663,345 6,45488 | . * . |
677,200 687,333 -10,1326 | . *| . |
660,300 693,146 -32,8458 | . *| . |
669,500 683,390 -13,8904 | . *| . |
710,400 655,995 54,4048 | . | *. |
731,700 631,005 100,695 | . | .* |
782,200 604,813 177,387 | . | . *|

O altă modalitate de estimare a unui model cu ecuaţii simultane cu

ajutorul programului EViews constă în construirea sistemului de ecuaţii
corespunzător modelului în formă structurală şi în estimarea acestuia fie cu
ajutorul M.C.M.M.P. în două faze (vezi SYSTEM01), fie cu ajutorul
M.C.M.M.P. în trei faze19 (vezi SYSTEM02):

System: SYSTEM01
Estimation Method: Two-Stage Least Squares
Sample: 1980 2003
Included observations: 24
Total system (balanced) observations 24
Instruments: It C
Coefficient Std. Error t-Statistic Prob.
C(1) 1164,9 173,6883 6,7071 0,0000
C(2) -0,6682 0,2120 -3,1523 0,0046
Determinant residual covariance 6191,080

Equation: C t =C(1)+C(2)* Vt
Observations: 24
R-squared -0,2330 Mean dependent var 619,9917
Adjusted R-squared -0,2890 S.D. dependent var 72,3846
S.E. of regression 82,1822 Sum squared resid 148585,90

19
Vezi E. Pecican, O. Tănăsoiu, A. I. Iacob, Modele econometrice, Bucureşti, Editura ASE,
2001, p. 205-206.
 Econometrie. Studii de caz

Durbin-Watson stat 0,4779

Matricea varianţelor şi covarianţelor reziduurilor, în cazul aplicării
M.C.M.M.P. în două faze, este următoarea:

⎛ 30167,6413 − 36,6440 ⎞
V = ⎜⎜ ⎟
⎝ − 36,6440 0,0449 ⎟⎠

System: SYSTEM02
Estimation Method: Three-Stage Least Squares
Sample: 1980 2003
Included observations: 24
Total system (balanced) observations 24
Instruments: : It C
Coefficient Std. Error t-Statistic Prob.
C(1) 1164,9 166,2939 7,0053 0,0000
C(2) -0,6682 0,2029 -3,2924 0,0033
Determinant residual covariance 6191,080

Equation: C t =C(1)+C(2)* Vt
Observations: 24
R-squared -0,2330 Mean dependent var 619,9917
Adjusted R-squared -0,2890 S.D. dependent var 72,3846
S.E. of regression 82,1822 Sum squared resid 148585,90
Durbin-Watson stat 0,4779

În cazul aplicării M.C.M.M.P. în trei faze, matricea varianţelor şi

covarianţelor reziduurilor este următoarea:

⎛ 27653,67 − 33,5903 ⎞
V = ⎜⎜ ⎟
⎝ − 33,5903 0,0412 ⎟⎠

Rezultatele obţinute în urma aplicării M.C.M.M.P. în două faze şi a

M.C.M.M.P. în trei faze în cazul sistemului de ecuaţii indică faptul că
ipotezele corespunzătoare M.C.M.M.P. sunt verificate (autocorelaţia erorilor
poate fi neglijată), iar estimatorii parametrilor sunt semnificativ diferiţi de
zero pentru un prag de semnificaţie de 5%, modelul fiind şi el semnificativ
pentru acelaşi prag de semnificaţie.
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Modelul fiind corect identificat, estimarea parametrilor s-a făcut atât

cu metoda regresiei indirecte ( a 2 ), cât şi cu M.C.M.M.P. în două faze ( a3 ).
Comparând rezultatele obţinute se constată că ele sunt identice.
b) Rata marginală a consumului final real în funcţie de PIB b$ a ()
fost estimată pe baza aceluiaşi model econometric, utilizând trei procedee de
estimare a parametrilor. În urma efectuării calculelor s-au obţinut
următoarele valori ale ratei marginale a consumului final:
a1 ) bˆ = −0,231 . Deoarece valoarea acestui parametru este
semnificativă numai în cazul utilizării unui prag de semnificaţie α = 0,20 ,
se confirmă astfel faptul că aplicarea directă a M.C.M.M.P. asupra ecuaţiei
modelului în formă structurală conduce la obţinerea de estimatori deplasaţi,
nesemnificativi.
a ) = a ) bˆ = −0,6682 pentru metoda regresiei indirecte şi
2 3

M.C.M.M.P. în două faze, care conduc la aceleaşi rezultate, modelul fiind

corect identificat. Semnificaţia acestui indicator este următoarea: în perioada
1980-2002, la o creştere cu un miliard de lei a PIB-ului real, consumul final
real a scăzut cu aproximativ 0,7 miliarde lei, ceea ce contravine teoriei
economice.
Se constată astfel o inadvertenţă, respectiv, pe de o parte, aceste
modele pot fi acceptate ca semnificative din punct de vedere al testelor
statistice, iar, pe de altă parte, sensul dependenţei consumului final real de
factorul său de influenţă, reliefat de semnul algebric al estimatorului
parametrului corespunzător acestuia, este în contradicţie cu teoria
economică. Această inadvertenţă constă în faptul că PIB-ul real exercită o
influenţă negativă asupra consumului final real.
Datorită discrepanţelor dintre valorile estimatorilor şi teoria
economică s-a renunţat la continuarea utilizării modelului în scopuri
prospective. Acest lucru nu înseamnă că modelul prezintă deficienţe de
specificare ci, mai curând, rezultatele contradictorii provin atât din
dificultatea construirii unor serii lungi de date, cât şi ca urmare a măsurilor
inconsecvente de politică economică adoptate în perioada de tranziţie a
României.
 Econometrie. Studii de caz

2.1.10 Modelul dinamic al lui Keynes

Dinamica principalilor indicatori macroeconomici, exprimaţi în mld.

lei preţuri comparabile (1990=100), în România, în perioada 1980-2003, se
prezintă în tabelul următor:
Tabelul 2.10.1
mld. lei (1990=100)
Consumul
Consumul final real al
final real al PIB-ul real Investiţii reale
Ani adm. publice
populaţiei ( Vt ) ( It )
( Gt )
( Ct )
0 1 2 3 4=3-1-2
1980 433,3 98,3 804,3 272,7
1981 442,1 102,9 805,8 260,8
1982 436,3 98,8 837,1 302,0
1983 433,1 90,6 886,6 362,9
1984 450,1 101,2 940,2 388,9
1985 442,0 109,9 939,5 387,6
1986 448,1 105,3 961,9 408,5
1987 472,1 98,1 969,6 399,4
1988 513,2 101,4 964,8 350,2
1989 516,6 107,6 908,8 284,6
1990 557,7 121,8 857,9 178,4
1991 467,4 132,0 746,8 147,4
1992 432,1 134,5 681,0 114,4
1993 435,9 138,1 691,3 117,3
1994 447,3 151,3 718,2 119,6
1995 505,3 152,8 769,3 111,2
1996 545,7 155,8 799,5 98,0
1997 525,7 144,1 750,7 80,9
1998 586,2 91,0 714,8 37,6
1999 579,8 80,5 706,1 45,8
2000 582,3 87,2 720,7 51,2
2001 610,7 99,7 761,7 51,3
2002 629,1 102,6 799,1 67,4
2003 673,7 108,5 838,3 56,0
Notă: Indicatorii sunt calculaţi conform metodologiei de calcul a Sistemului European al
Conturilor Economiei Integrate - SEC 1979. Consumul final real al populaţiei şi consumul final
real al administraţiei publice au fost deflaţionate cu ajutorul deflatorului consumului final real al
populaţiei exprimat în preţuri constante (1990 = 100), respectiv cu deflatorul consumuli final real
al administraţiei publice, datele provenind de la Ministerul Prognozei şi Dezvoltării, iar PIB-ul a
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

fost deflaţionat cu ajutorul deflatorului PIB exprimat în preţuri constante (1990 = 100), obţinut în
urma prelucrării datelor din Raportul Anual BNR.
Sursa: Date prelucrate pe baza Anuarului Statistic al României 1995, CNS, Bucureşti, 1996, p.
370-371, Anuarului Statistic al României 1996, INS, Bucureşti, 1997, p. 364-365, Anuarului
Statistic al României 2003, INS, Bucureşti, 2004, p. 284, Raportului Anual 1999, BNR, Bucureşti,
2000, p. 8*-9, Raportului Anual 2002, BNR, Bucureşti, 2003, p. 4*-5*, Comunicatului de Presă al
INS nr.11/26.02.2004, Dobrescu, E., Macromodels of the Romanian Transition Economy, Second
Edition, Editura Expert, Bucharest, 1998, p. 184.

Să se caracterizeze dezvoltarea economică a României în perioada

1980-2003 cu ajutorul unui model econometric cu ecuaţii multiple.

Rezolvare:

Pe baza datelor din tabelul de mai sus, dezvoltarea economică a

României în perioada 1980-2003 se poate face cu ajutorul unui model
econometric cu ecuaţii multiple a cărui formă structurală este următoarea:

⎧C t = a 0 + a1Vt + u1t (1)

⎪
⎨ I t = b0 + b1Vt + b2Vt −1 + u 2t (2 )
⎪V = C + I + G (3)
⎩ t t t t

Modelul de mai sus prezintă câteva particularităţi cum ar fi:

- prima ecuaţie descrie o relaţie de comportament a consumatorilor;
- ecuaţia (2) reprezintă tot o relaţie de comportament, descriind
politica investiţională practicată în perioada 1980-2003, dar având un
caracter dinamic datorită includerii variabilelor decalate care imprimă
această trăsătură şi modelului cu ecuaţii multiple;
- ecuaţia (3) reprezintă o relaţie de identitate economică.
Modelul cu ecuaţii multiple conţine cinci variabile, dintre care trei
variabile sunt endogene ( Ct , I t , Vt ) şi două variabile exogene ( Gt ,Vt −1 ) .
Discuţia econometrică a modelului cu ecuaţii multiple relevă că
modelul este supraidentificat deoarece:
- în ecuaţia (1), numărul variabilelor absente este egal cu 3, număr
superior numărului de variabile endogene minus unu (3-1), ceea ce
înseamnă că ecuaţia este supraidentificată;
 Econometrie. Studii de caz

- chiar dacă ecuaţia (2) este corect identificată ( 2 = 3 − 1) , modelul

este supraidentificat datorită ecuaţiei (1).
Având această particularitate, estimarea parametrilor modelului se
va face cu ajutorul M.C.M.M.P. aplicată în două faze.
Faza I. Variabila Vt , care este endogenă în ecuaţia (3), dar exogenă
în ecuaţiile (1) şi (2), se va regresa în funcţie de variabilele exogene Vt −1 şi
Gt , rezultând ecuaţia:

Vt = α + β ⋅ Vt −1 + ℘⋅ Gt + z t

Se aplică M.C.M.M.P. în vederea estimării parametrilor α , β ,℘ şi a

calculării valorilor estimate ale variabilei Vt :

( ) ( )
24
ˆ = min ∑ Vt − αˆ − βˆVt −1 − ℘
2
F αˆ , βˆ ,℘ ˆ Gt
t =2

( )
24
F ′(αˆ ) = 0 ⇒ 2 ⋅ ∑ Vt − αˆ − βˆVt −i − ℘
ˆ Gt ⋅ (− 1) = 0
t =2
24 24 24
⇒ (n − 1) ⋅ αˆ + βˆ ∑ Vt −1 + ℘
ˆ ∑ Gt = ∑ Vt
t =2 t =2 t =2

() ( )
24
ˆ Gt ⋅ (− Vt −1 ) = 0
F ′ βˆ = 0 ⇒ 2 ⋅ ∑ Vt − αˆ − βˆVt −1 − ℘
t =2
24 24 24 24
⇒ αˆ ∑ Vt −1 + βˆ ∑ Vt −21 + ℘
ˆ ∑ GtVt −1 = ∑ VtVt −1
t =2 t =2 t =2 t =2

( )
24
F ′(℘
ˆ ) = 0 ⇒ 2 ⋅ ∑ Vt − αˆ − βˆVt −1 − ℘
ˆ Gt ⋅ (− Gt ) = 0
t =2
24 24 24 24
⇒ αˆ ∑ Gt + βˆ ∑ GtVt −1 + ℘
ˆ ∑ Gt2 = ∑ Vt Gt
t =2 t =2 t =2 t =2
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

de unde rezultă sistemul de ecuaţii normale:

⎧ 24 24 24

⎪(n − 1) ⋅ α
ˆ + β ∑
ˆ V +℘
t −1
ˆ ∑ G t = ∑ Vt
⎪ t =2 t =2 t =2

⎪ 24 24 24 24

⎨ ∑ t −1
α + ˆ
β ∑ + ˆ
℘ ∑ = ∑
2
ˆ V Vt −1 G V
t t −1 VtVt −1
⎪ t = 2 t = 2 t = 2 t = 2
⎪ 24 24 24 24
⎪αˆ ∑ Gt + βˆ ∑ GtVt −1 + ℘ ˆ ∑ Gt2 = ∑ Vt Gt
⎩ t =2 t =2 t =2 t =2

În vederea estimării parametrilor α$ , β$ şi ℘

$ şi a valorilor V$t s-a
utilizat programul EViews, rezultatele obţinute fiind următoarele:

Dependent Variable: Vt
Method: Least Squares
Sample(adjusted): 1981 2003
Included observations: 23 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C 157,1714 104,9035 1,4982 0,1497
Vt − 1 0,8708 0,0999 8,7198 0,0000
Gt -0,4437 0,4239 -1,0469 0,3076
R-squared 0,8136 Mean dependent var 816,0739
Adjusted R-squared 0,7950 S.D. dependent var 96,1955
S.E. of regression 43,5558 Akaike info criterion 10,5071
Sum squared resid 37942,23 Schwarz criterion 10,6552
Log likelihood -117,8313 F-statistic 43,6549
Durbin-Watson stat 0,7013 Prob(F-statistic) 0,0000

Vˆt = 157,1714 + 0,8708 Vt −1 − 0,4437 Gt R1 = 0,902

(104,9035) (0,0999) (0,4239) d = 0,70
s zˆ = 43,5558
 Econometrie. Studii de caz

Valorile estimate ale variabilei Vt şi ale variabilei reziduale, ẑ t sunt

prezentate în cadrul tabelului 2.10.2. (utilizând pachetul de programe
EViews):
Tabelul 2.10.2
Actual Fitted Residual Residual Plot
Vt Vˆt ẑ t (graficul reziduurilor)
805,8 811,912 -6,1123 | . *| . |
837,1 815,038 22,0621 | . | *. |
886,6 845,933 40,6667 | . | * |
940,2 884,335 55,8647 | . | .* |
939,5 927,151 12,3492 | . |* . |
961,9 928,582 33,3176 | . | *. |
969,6 951,284 18,3162 | . |* . |
964,8 956,525 8,2752 | . |* . |
908,8 949,594 -40,7936 | * | . |
857,9 894,526 -36,6264 | .* | . |
746,8 845,675 -98,8753 |* . | . |
681 747,818 -66,8176 | * . | . |
691,3 688,92 2,3800 | . * . |
718,2 692,032 26,1680 | . | *. |
769,3 714,792 54,5085 | . | .* |
799,5 757,959 41,5407 | . | * |
750,7 789,45 -38,7500 | * | . |
714,8 770,517 -55,7168 | *. | . |
706,1 743,914 -37,8136 | * | . |
720,7 733,364 -12,6643 | . *| . |
761,7 740,532 21,1685 | . | *. |
799,1 774,948 24,1516 | . | *. |
838,3 804,899 33,4010 | . | *. |

În cazul acestei ecuaţii se constată existenţa fenomenului de

autocorelare a erorilor, care poate fi ignorat. Estimatorii parametrilor
modelului sunt nesemnificativi (pot fi acceptaţi ca semnificativi pentru un
prag de semnificaţie α = 0,40 ), cu excepţia estimatorului parametrului
corespunzător PIB-ului decalat cu o perioadă, care este semnificativ diferit
de zero pentru un prag de semnificaţie de 5%, modelul fiind semnificativ
pentru un prag de semnificaţie de 5%.
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Faza II. Deoarece variabila endogenă Vt (vezi ecuaţia (3)) este

variabilă exogenă în ecuaţiile (1) şi (2), în aceste ecuaţii ea se va introduce
( )
cu valorile estimate în faza I V$ - vezi tabelul 2.10.2., coloana 2.
t

Estimarea parametrilor ecuaţiilor (1) şi (2) se va face cu ajutorul

M.C.M.M.P. aplicate fiecărei ecuaţii:

C t = a 0 + a1 ⋅ Vˆt + u1t (1)

I t = b0 + b1 ⋅ Vˆt + b2 ⋅ Vt −1 + u 2t (2)

Estimatorii ecuaţiei (1), a$ 0 şi a$ 1 , rezultă în urma aplicării

M.C.M.M.P.:

( )
24
F (aˆ 0 , aˆ1 ) = min ∑ C t − aˆ 0 − aˆ1Vˆt
2

t =2

24 24
F ′(aˆ 0 ) = 0 ⇒ (n − 1) ⋅ aˆ 0 + aˆ1 ∑ Vˆt = ∑ C t
t =2 t =2

24 24 24
F ′(aˆ1 ) = 0 ⇒ aˆ 0 ∑ Vˆt + aˆ1 ∑ Vˆt 2 = ∑ C tVˆt
t =2 t =2 t =2

În cazul ecuaţiei (1), calculele au fost efectuate cu ajutorul

programului EViews, rezultând următoarele valori:

Dependent Variable: Ct
Method: Least Squares
Sample(adjusted): 1981 2003
Included observations: 23 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C 658,7968 147,3206 4,4719 0,0002
Vˆ
t -0,1822 0,1796 -1,0147 0,3218
R-squared 0,0467 Mean dependent var 510,1087
Adjusted R-squared 0,0013 S,D, dependent var 73,1256
S.E. of regression 73,0763 Akaike info criterion 11,5038
 Econometrie. Studii de caz

Sum squared resid 112143,10 Schwarz criterion 11,6026

Log likelihood -130,2940 F-statistic 1,0297
Durbin-Watson stat 0,2747 Prob(F-statistic) 0,3218

Cˆ t = aˆ 0 + aˆ1 ⋅ Vˆt = 658,7968 − 0,1822 Vˆt ; R2 = 0,2162

(s ) (s )
a$ 0 a$1 (147,3206) (0,1796) d = 0,27
s uˆ1 = 73,0763

Valorile estimate ale variabilei Ct şi ale variabilei reziduale, uˆ1t sunt

prezentate în cadrul tabelului 2.10.3. (utilizând pachetul de programe
EViews).
Tabelul 2.10.3
Actual Fitted Residual Residual Plot
Ct Ĉ t uˆ1t (graficul reziduurilor)
442,1 510,867 -68,7669 | * | . |
436,3 510,297 -73,9975 | * | . |
433,1 504,668 -71,5683 | * | . |
450,1 497,672 -47,5715 | .* | . |
442,0 489,871 -47,8706 | .* | . |
448,1 489,61 -41,5097 | .* | . |
472,1 485,474 -13,3735 | . *| . |
513,2 484,519 28,6814 | . |* . |
516,6 485,782 30,8185 | . |* . |
557,7 495,815 61,8853 | . | * |
467,4 504,715 -37,3153 | .* | . |
432,1 522,545 -90,4449 | *. | . |
435,9 533,276 -97,3760 | *. | . |
447,3 532,709 -85,4090 | *. | . |
505,3 528,562 -23,2623 | . *| . |
545,7 520,697 25,0029 | . |* . |
525,7 514,96 10,7404 | . |* . |
586,2 518,409 67,7908 | . | * |
579,8 523,256 56,5437 | . | *. |
582,3 525,178 57,1217 | . | *. |
610,7 523,872 86,8275 | . | .* |
629,1 517,602 111,4980 | . | . * |
673,7 512,145 161,5550 | . | . *|
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

În vederea verificării ipotezei de independenţă a erorilor se aplică

testul Durbin - Watson, care constă în calcularea variabilei d cu ajutorul
relaţiei:
n

∑ (uˆ 2t − uˆ 2t −1 )
2

d= t =3
n
= 0,27
∑ uˆ
t =2
2
2t

Din tabela distribuţiei Durbin - Watson, în funcţie de un prag de

semnificaţie α = 0,05 , de numărul variabilelor explicative k = 1 şi de
numărul de observaţii n = 23 se preiau valorile teoretice d 1 = 1,26 şi
d 2 = 1,44 . Comparând valoarea calculată a variabilei d cu cele două valori
teoretice se constată că 0 < d = 0,27 < d 1 = 1,26 , interval ce corespunde
situaţiei de autocorelaţie pozitivă, care, în acest caz, va fi ignorată.
Estimatorii a$ 0 şi a$ 1 sunt semnificativ diferiţi de zero, cu un prag de
semnificaţie α = 0,05 , dacă se verifică următoarele relaţii:

aˆ 0 157,355
t aˆ0 = > tα ;n − k −1 ⇔ t aˆ0 = = 2,2779 > t 0, 05; 21 = 2,080
s aˆ0 69,08

aˆ1 − 0,1822
t aˆ1 = = = 1,0147 > t 0, 40; 21 = 0,859
s aˆ1 0,1796

În urma efectuării calculelor de mai sus se constată faptul că doar

estimatorul a$ 0 este semnificativ diferit de zero, cu un prag de semnificaţie
α = 0,05 , în timp ce estimatorul a$ 1 poate fi acceptat ca semnificativ pentru
un prag de semnificaţie α = 0,40 .
Verificarea semnificaţiei raportului de corelaţie:
R 12
Fc = (n − k − 1) ≥ Fα ;k ;(n − k −1)
1 − R 12
 Econometrie. Studii de caz

0,0467
Fc = 21 ⋅ = 1,0297 < F0,05;1; 21 = 4,32
1 − 0,0467

Pe baza rezultatului obţinut se constată că raportul de corelaţie este

nesemnificativ.

În cazul ecuaţiei (2), utilizând programul EViews, au fost obţinute

următoarele rezultate:

Dependent Variable: It
Method: Least Squares
Sample(adjusted): 1981 2003
Included observations: 23 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C -827,5175 219,9338 -3,7626 0,0012
Vˆt 0,9928 1,8495 0,5368 0,5973
Vt −1 0,2573 1,6700 0,1540 0,8791
R-squared 0,6548 Mean dependent var 192,2435
Adjusted R-squared 0,6203 S.D. dependent var 136,8614
S.E. of regression 84,3385 Akaike info criterion 11,8287
Sum squared resid 142259,50 Schwarz criterion 11,9768
Log likelihood -133,0296 F-statistic 18,9670
Durbin-Watson stat 0,3265 Prob(F-statistic) 0,0000

Iˆt = bˆ0 + bˆ1Vˆt + bˆ2Vt −1 = −827,5175 + 0,9928 Vˆt + 0,2573 Vt −1 ; R3 = 0,8092

(s ) (s ) (s )
b$0 b$1 b$2
(219,9338) (1,8495) (1,67 ) d = 0,33
s uˆ2 = 84,3385

Valorile estimate ale variabilei It şi ale variabilei reziduale, uˆ 2t sunt

prezentate în cadrul tabelului 2.10.4. (utilizând pachetul de programe
EViews).
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Tabelul 2.10.4
Actual Fitted Residual Residual Plot
It Iˆt uˆ 2t (graficul reziduurilor)
260,8 185,463 75,3368 | . | *. |
302,0 188,952 113,0480 | . | .* |
362,9 227,677 135,2230 | . | . *|
388,9 278,537 110,3630 | . | .* |
387,6 334,833 52,7666 | . | * . |
408,5 336,075 72,4253 | . | *. |
399,4 364,375 35,0247 | . | * . |
350,2 371,559 -21,3594 | . *| . |
284,6 363,443 -78,8433 | .* | . |
178,4 294,366 -115,9660 | *. | . |
147,4 232,772 -85,3721 | * | . |
114,4 107,038 7,3625 | . |* . |
117,3 31,636 85,6637 | . | * |
119,6 37,376 82,2243 | . | *. |
111,2 66,892 44,3084 | . | * . |
98,0 122,894 -24,8945 | . *| . |
80,9 161,928 -81,0276 | .* | . |
37,6 130,577 -92,9767 | * | . |
45,8 94,930 -49,1295 | . * | . |
51,2 82,218 -31,0180 | . * | . |
51,4 93,090 -41,6895 | . * | . |
67,4 137,806 -70,4062 | .* | . |
56,1 177,163 -121,0630 |* . | . |

În vederea verificării ipotezei de independenţă a erorilor se aplică

testul Durbin - Watson, care constă în calcularea variabilei d cu ajutorul
relaţiei:

∑ (uˆ 2t − uˆ 2t −1 )
2

d= t =3
n
= 0,33
∑ uˆ
t =2
2
2t

Din tabela distribuţiei Durbin - Watson, în funcţie de un prag de

semnificaţie α = 0,05 , de numărul variabilelor explicative k = 2 şi de
 Econometrie. Studii de caz

numărul de observaţii n = 23 se preiau valorile teoretice d1 = 1,17 şi

d 2 = 1,54 . Comparând valoarea calculată a variabilei d cu cele două valori
teoretice se constată că 0 < d = 0,33 < d1 = 1,17 , interval ce corespunde
situaţiei de autocorelaţie pozitivă, care, în acest caz, va fi ignorată.
Verificarea semnificaţiei estimatorilor:

bˆ0 − 827,5175
t bˆ = > tα ;n − k −1 ⇔ t bˆ = = 3,2626 > t 0,05; 20 = 2,086
0
sbˆ 0
2199,9338
0

bˆ1 0,9928
t bˆ = > tα ;n − k −1 ⇔ t bˆ = = 0,5368 < t 0,05; 20 = 2,086
1
sbˆ 1
1,8495
1

bˆ2 0,2573
t bˆ = > tα ;n − k −1 ⇔ t bˆ = = 0,154 < t 0,05; 20 = 2,086
2
sbˆ 2
1,67
2

Pe baza rezultatelor de mai sus se constată că doar estimatorul b̂0

este semnificativ diferit de zero, cu un prag de semnificaţie α = 0,05 , în
timp ce estimatorii b$1 şi b$2 sunt nesemnificativi ( b$1 poate fi acceptat ca
semnificativ pentru un prag de semnificaţie α = 0,6 ).
Verificarea semnificaţiei raportului de corelaţie:

n − k − 1 R22
Fc = ⋅ ≥ Fα ;k ;(n − k −1)
k 1 − R22

20 0,6548
Fc = ⋅ = 18,967 > F0.05; 2; 20 = 3,49
2 1 − 0,6548

Se constată astfel că raportul de corelaţie este semnificativ diferit de

zero, cu un prag de semnificaţie α = 0,05 .
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Programul EViews oferă posibilitatea estimării parametrilor unui

model cu ecuaţii simultane, atât prin M.C.M.M.P. în două faze, cât şi prin
construirea unui sistem de ecuaţii care permite estimarea parametrilor atât
prin M.C.M.M.P. în două faze, cât şi prin M.C.M.M.P. în trei faze.
Astfel, rezultatele afişate de programul EViews în urma aplicării
M.C.M.M.P. în două faze asupra ecuaţiei (1) sunt următoarele:

Dependent Variable: Ct
Method: Two-Stage Least Squares
Sample(adjusted): 1981 2003
Included observations: 23 after adjusting endpoints
Instrument list: Vt-1 Gt
Variable Coefficient Std. Error t-Statistic Prob.
C 658,7968 147,5788 4,4640 0,0002
Vt -0,1822 0,1799 -1,0129 0,3226
R-squared 0,0434 Mean dependent var 510,1087
Adjusted R-squared -0,0022 S.D. dependent var 73,1256
S.E. of regression 73,2044 Sum squared resid 112536,50
F-statistic 1,0261 Durbin-Watson stat 0,3028
Prob(F-statistic) 0,3226

Valorile estimate ale variabilei Ct şi ale variabilei reziduale, uˆ1t sunt

prezentate în cadrul tabelului 2.10.5. (utilizând pachetul de programe
EViews).

Tabelul 2.10.5
Actual Fitted Residual Residual Plot
Ct Ĉ t uˆ1t (graficul reziduurilor)
442,1 511,9806 -69,8806 | * | . |
436,3 506,2778 -69,9778 | * | . |
433,1 497,2589 -64,1589 | * | . |
450,1 487,4930 -37,3930 | .* | . |
442,0 487,6206 -45,6206 | .* | . |
448,1 483,5393 -35,4393 | .* | . |
472,1 482,1364 -10,0364 | . *| . |
513,2 483,0109 30,1891 | . |* . |
 Econometrie. Studii de caz

Actual Fitted Residual Residual Plot

Ct Ĉ t uˆ1t (graficul reziduurilor)
516,6 493,2141 23,3859 | . |* . |
557,7 502,4880 55,2120 | . | *. |
467,4 522,7304 -55,3304 | .* | . |
432,1 534,7191 -102,6191 | *. | . |
435,9 532,8424 -96,9424 | *. | . |
447,3 527,9413 -80,6413 | *. | . |
505,3 518,6309 -13,3309 | . *| . |
545,7 513,1285 32,5715 | . |* . |
525,7 522,0198 3,6802 | . * . |
586,2 528,5607 57,6393 | . | *. |
579,8 530,1459 49,6541 | . | *. |
582,3 527,4858 54,8142 | . | *. |
610,7 520,0156 90,6844 | . | .* |
629,1 513,2013 115,8987 | . | . * |
673,7 506,0591 167,6409 | . | . *|

În cazul ecuaţiei (2), în urma aplicării M.C.M.M.P. în două faze prin

intermediul programului EViews au fost obţinute următoarele rezultate:

Dependent Variable: It
Method: Two-Stage Least Squares
Sample(adjusted): 1981 2003
Included observations: 23 after adjusting endpoints
Instrument list: Vt-1 Gt
Variable Coefficient Std. Error t-Statistic Prob.
C -827,5175 219,9338 -3,7626 0,0012
Vt 0,9928 1,8495 0,5368 0,5973
Vt-1 0,2573 1,6700 0,1540 0,8791
R-squared 0,6548 Mean dependent var 192,2435
Adjusted R-squared 0,6203 S.D. dependent var 136,8614
S.E. of regression 84,3385 Sum squared resid 11,8287
F-statistic 142259,50 Durbin-Watson stat 11,9768
Prob(F-statistic) -133,0296
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Valorile estimate ale variabilei It şi ale variabilei reziduale, uˆ 2t sunt

prezentate în cadrul tabelului 2.10.6. (utilizând pachetul de programe
EViews).

Tabelul 2.10.6
Actual Fitted Residual Residual Plot
It Iˆt uˆ 2t (graficul reziduurilor)
260,8 185,463 75,3368 | . | .* |
302,0 188,952 113,0480 | . | .* |
362,9 227,677 135,2230 | . | .* |
388,9 278,537 110,3630 | . | *. |
387,6 334,833 52,7666 | . | *. |
408,5 336,075 72,4253 | . | *. |
399,4 364,375 35,0247 | . |* . |
350,2 371,559 -21,3594 | . *| . |
284,6 363,443 -78,8433 | .* | . |
178,4 294,366 -115,9660 | *. | . |
147,4 232,772 -85,3721 | . |* . |
114,4 107,038 7,3625 | . | .* |
117,3 31,636 85,6637 | . | .* |
119,6 37,376 82,2243 | . | *. |
111,2 66,892 44,3084 | . *| . |
98,0 122,894 -24,8945 | * | . |
80,9 161,928 -81,0276 | .* | . |
37,6 130,577 -92,9767 | .* | . |
45,8 94,930 -49,1295 | . *| . |
51,2 82,218 -31,0180 | . *| . |
51,4 93,090 -41,6895 | * | . |
67,4 137,806 -70,4062 | *. | . |
56,1 177,163 -121,0630 |* . | . |

Interpretarea statistică a rezultatelor obţinute este identică cu cea

menţionată în cazul aplicării M.C.M.M.P. în două faze prezentată mai sus.
O altă modalitate de estimare a unui model cu ecuaţii simultane cu
ajutorul programului EViews constă în construirea sistemului de ecuaţii
corespunzător modelului în formă structurală şi în estimarea acestuia fie cu
ajutorul M.C.M.M.P. în două faze (vezi SYSTEM01), fie cu ajutorul
M.C.M.M.P. în trei faze (vezi SYSTEM02).
 Econometrie. Studii de caz

System: SYSTEM01
Estimation Method: Two-Stage Least Squares
Sample: 1981 2003
Included observations: 23
Total system (balanced) observations 46
Instruments: Vt −1 Gt C

Coefficient Std. Error t-Statistic Prob.

C(1) 658,7968 147,5788 4,4640 0,0001
C(2) -0,1822 0,1799 -1,0129 0,3170
C(3) -827,5175 184,0225 -4,4968 0,0001
C(4) 0,9928 1,5475 0,6415 0,5247
C(5) 0,2573 1,3973 0,1841 0,8548
Determinant residual covariance 2622725

Equation: C t =C(1)+C(2)* Vt
Observations: 23
R-squared 0,0434 Mean dependent var 510,1087
Adjusted R-squared -0,0022 S.D. dependent var 73,1256
S.E. of regression 73,2044 Sum squared resid 112536,50
Durbin-Watson stat 0,3028

Equation: I t =C(3)+C(4)* Vt +C(5)* Vt −1

Observations: 23
R-squared 0,7583 Mean dependent var 192,2435
Adjusted R-squared 0,7341 S.D. dependent var 136,8614
S.E. of regression 70,5675 Sum squared resid 99595,42
Durbin-Watson stat 0,3495

Matricea varianţelor şi covarianţelor reziduurilor este următoarea:

⎛ 4892,8919 − 4308,6716 ⎞
V = ⎜⎜ ⎟⎟
⎝ − 4308,6716 4330,2358 ⎠

Şi în acest caz interpretarea statistică a rezultatelor obţinute este

identică cu cea menţionată anterior.
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

System: SYSTEM02
Estimation Method: Three-Stage Least Squares
Sample: 1981 2003
Included observations: 23
Total system (balanced) observations 46
Instruments: Vt −1 Gt C

Coefficient Std. Error t-Statistic Prob.

C(1) 658,7968 141,0164 4,6718 0,0000
C(2) -0,1822 0,1719 -1,0601 0,2953
C(3) -990,8377 138,0781 -7,1759 0,0000
C(4) 3,1444 0,5298 5,9350 0,0000
C(5) -1,6978 0,4584 -3,7034 0,0006
Determinant residual covariance 31011202

Equation: C t =C(1)+C(2)* Vt
Observations: 23
R-squared 0,0434 Mean dependent var 510,1087
Adjusted R-squared -0,0022 S.D. dependent var 73,1256
S.E. of regression 73,2044 Sum squared resid 112536,50
Durbin-Watson stat 0,3028

Equation: I t =C(3)+C(4)* Vt +C(5)* Vt −1

Observations: 23
R-squared 0,3361 Mean dependent var 192,2435
Adjusted R-squared 0,2697 S.D. dependent var 136,8614
S.E. of regression 116,9579 Sum squared resid 273582,90
Durbin-Watson stat 0,6637

În cazul aplicării M.C.M.M.P. în trei faze, matricea varianţelor şi

covarianţelor este următoarea:

⎛ 4892,892 − 5214,337 ⎞
V = ⎜⎜ ⎟⎟
⎝ − 5214,337 11894,91⎠

Pe baza informaţiilor furnizate de programul EViews în urma

aplicării M.C.M.M.P. în trei faze sistemului de ecuaţii se constată faptul că:
- în cazul ecuaţiei (1), rezultatele obţinute sunt nesemnificative;
 Econometrie. Studii de caz

- în cazul ecuaţiei (2), ipotezele corespunzătoare M.C.M.M.P. sunt

verificate (autocorelaţia erorilor poate fi neglijată), iar estimatorii
parametrilor sunt semnificativ diferiţi de zero, pentru un prag de
semnificaţie de 5%, modelul fiind şi el semnificativ pentru acelaşi prag de
semnificaţie.
Descrierea economiei României în perioada 1980-2003 se poate face
cu ajutorul multiplicatorilor cu efect direct.
Multiplicatorii cu efect direct sau multiplicatorii structurali sunt
reprezentaţi de parametrii modelului sub formă structurală:
a1 - rata marginală a consumului, care arată că, în perioada 1980-
2003, la o creştere cu un miliard de lei a PIB-ului real, consumul final real al
populaţiei a scăzut cu 0,18 miliarde lei.
b1 - rata marginală a investiţiilor, care exprimă faptul că, în perioada
1980-2003, investiţiile reale au crescut cu 0,99 miliarde lei la o creştere cu
un miliard de lei a PIB-ului real.
b2 - relevă faptul că PIB-ul real realizat în anul anterior a avut un
efect pozitiv asupra creşterii investiţiilor reale, acestea crescând cu
aproximativ 0,26 miliarde lei la o creştere cu un miliard de lei a PIB-ului
real din anul anterior.
Prin coroborarea valorilor estimatorilor şi, în special, a semnului
algebric al acestora cu teoria economică privind sensul dependenţelor şi
interdependenţelor dintre fenomenele economice analizate, se constată că
acestea conţin evidente inadvertenţe economice, care constau în faptul că
sensul dependenţei consumului final real al populaţiei de factorul său de
influenţă, reliefat de semnul algebric al estimatorului parametrului
corespunzător acestuia, este în contradicţie cu teoria economică. Această
inadvertenţă constă în faptul că PIB-ul real exercită o influenţă negativă
asupra consumului final real al populaţiei.
Datorită slabelor performanţe statistice ale acestui model, cât şi
discrepanţelor dintre valorile estimatorilor şi teoria economică, s-a renunţat
la continuarea utilizării sale în scopuri prospective. Acest lucru nu înseamnă
că acest model prezintă deficienţe de specificare ci, mai curând, rezultatele
contradictorii se datorează, atât dificultăţii construirii unor serii lungi de
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

date, cât şi măsurilor inconsecvente de politică economică adoptate în

perioada de tranziţie a României.

2.1.11 Model recursiv

Pe baza datelor din Anuarul Statistic al României s-au construit

seriile cronologice pe ani privind indicele câştigului salarial real
(1990=100), Its, indicele productivităţii muncii reale (1990=100), Itw, şi
indicele preţurilor de consum (1990=100), Itp, în perioada 1990-2002:

Tabelul 2.11.1
p
t Itp I t −1 Itw Its
1 2 3 4 5
1990 100,0 - 100,0 100,0
1991 270,2 100,0 87,5 81,7
1992 838,8 270,2 82,3 71,3
1993 2987,0 838,8 86,8 59,4
1994 7071,9 2987,0 90,6 59,4
1995 9353,4 7071,9 102,4 66,5
1996 12983,4 9353,4 107,7 72,7
1997 33076,9 12983,4 105,1 56,3
1998 52624,2 33076,9 102,5 58,2
1999 76728,0 52624,2 106,0 56,0
2000 111767,1 76728,0 105,5 58,6
2001 150290,7 111767,1 112,4 61,5
2002 184162,1 150290,7 121,2 62,8
Sursa: Date prelucrate pe baza Anuarului Statistic al României 2003, INS, Bucureşti, 2004, p. 135,
322, 105, Anuarului Statistic al României 2000, INS, Bucureşti, 2001, p. 135, 136, Anuarului Statistic
al României 2001, INS, Bucureşti, 2002, p. 132, 312, Raportului Anual 2002 BNR, Bucureşti, 2003, p.
4*-7*, Raportului Anual 2000 BNR, Bucureşti, 2001, p. 5*-9*.

Se cere:
a) Să se construiască modelul econometric cu ajutorul căruia pot fi
descrise dependenţele şi interdependenţele dintre preţuri şi câştigurile
salariale;
 Econometrie. Studii de caz

b) Abordarea modelului construit la punctul a) ca model cu ecuaţii

simultane şi estimarea parametrilor acestuia cu ajutorul metodelor
cunoscute;
c) Abordarea modelului de la punctul a) ca model recursiv şi
estimarea parametrilor acestuia;
d) Să se compare rezultatele obţinute la punctele b) şi c) şi să se
formuleze concluziile care se desprind.

Rezolvare:

a) În teoria economică se întâlneşte un model cu ecuaţii multiple

denumit şi modelul „spiralei preţurilor” care, sub formă structurală, se
prezintă astfel:

⎧⎪I ts = a0 + a1 I t p + a2 I tw + u 1t (1)
M0 ⎨
⎪⎩I t p = b 0 + b1 I ts + u 2t ( 2)

Acest model conţine două variabile endogene (Is,Ip) şi o singură

variabilă exogenă (Iw), în total trei variabile.
Ecuaţia (1) a modelului este nonidentificată deoarece conţine toate
variabilele (0<2-1), în timp ce ecuaţia (2) este corect identificată, deoarece
numărul variabilelor absente (Itw) este egal cu numărul variabilelor
endogene minus unu (1=2-1). Ca atare, modelul este nonidentificabil, adică
nu vor putea fi estimaţi toţi parametrii acestui model.
Modelul de mai sus poate fi transformat într-un model corect
specificat din punct de vedere econometric pornind de la următoarele
premise:
● De regulă, presiunile sociale privind creşterea salariilor nu sunt
simultane cu creşterea preţurilor ci, de regulă, acestea se produc după un
anumit timp;
● Acest lucru permite ca în ecuaţia (1) a modelului, indicele preţului
să figureze cu valoarea sa decalată, I t p−1 ;
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

● În timp, mişcarea unui fenomen economic are o anumită inerţie

care, în domeniul econometriei, se defineşte ca fenomen autoregresiv,
respectiv în ecuaţia care descrie mişcarea fenomenului, în pachetul
variabilelor exogene se introduce o variabilă cu valori decalate. Aplicând
acest principiu, în ecuaţia (2) a modelului se va introduce o nouă variabilă
exogenă I t p−1 .
Pe baza acestor premise, modelul iniţial, M0, se transformă în
modelul cu ecuaţii multiple, M1:

⎧⎪I ts = a0 + a1 I t p−1 + a2 I tw + u 1t (1)

M1 ⎨
⎪⎩I t p = b 0 + b1 I ts + b 2 I t p−1 + u 2t ( 2)

b) Modelul de mai sus, M1, interpretat ca un model cu ecuaţii

simultane, este un model corect identificat deoarece:
- conţine patru variabile, dintre care două sunt endogene (Its,Itp) şi
două sunt exogene ( I t p−1 ,Itw);
- în ecuaţia (1), numărul variabilelor absente ( I t p−1 ) este egal cu
numărul variabilelor endogene minus unu (1=2-1), rezultă că ecuaţia (1) este
corect identificată;
- ecuaţia (2) este, de asemenea, corect identificată, deoarece numărul
variabilelor absente (Itw) este egal cu numărul variabilelor endogene minus
unu (1=2-1).
În această situaţie, modelul este corect identificat, iar parametrii
acestuia pot fi estimaţi, fie cu ajutorul metodei regresiei indirecte aplicată
fiecărei ecuaţii a modelului în forma redusă, fie cu ajutorul M.C.M.M.P.
aplicată în două faze.
Forma redusă a modelului M1 – regresarea variabilelor endogene
numai în funcţie de variabilele exogene – se obţine efectuând următoarele
calcule :
- ecuaţia (1) este deja sub formă redusă, variabila endogenă Its fiind
exprimată numai în funcţie de cele două variabile exogene – I t p−1 , Itw.
 Econometrie. Studii de caz

- ecuaţia (2) va fi adusă la forma redusă prin înlocuirea variabilei

endogene Its cu expresia sa din ecuaţia (1):

Itp=b0+a0b1+(a1b1+b2) I t p−1 +a2b1Itw+b1u1t+u2t

Notând cu :
β 0 = b0 + a0b1
2t

β1 = a1b1 + b2
β 2 = a2b1
z t = b1u1t + u 2t

ecuaţia (2) devine: t

FR: I t p = β 0 + β 1 I t p−1 + β 2 I tw + z t

În final, modelul sub formă redusă se prezintă astfel:

⎧⎪I ts = a0 + a1 I t p−1 + a 2 I tw + u 1t
M2 ⎨
⎪⎩I t p = β 0 + β 1 I t p−1 + β 2 I tw + z t

Estimarea parametrilor acestui model presupune aplicarea

M.C.M.M.P. fiecărei ecuaţii în parte.
Utilizând programul EViews s-au obţinut următoarele rezultate în
cazul primei ecuaţii a modelului sub formă redusă:

s
Dependent Variable: It
Method: Least Squares
Sample(adjusted): 1991 2002
Included observations: 12 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C 0,8388 0,3289 2,5504 0,0312
p
I t −1 -0,000013 0,0001 -0,1629 0,8742
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Itw -0,1951 0,3493 -0,5585 0,5901

R-squared 0,1287 Mean dependent var 0,6370
Adjusted R-squared -0,0650 S.D. dependent var 0,0788
S.E. of regression 0,0814 Akaike info criterion -1,9678
Sum squared resid 0,0596 Schwarz criterion -1,8466
Log likelihood 14,8068 F-statistic 0,6644
Durbin-Watson stat 1,2180 Prob(F-statistic) 0,5381

Astfel, ecuaţia ce descrie evoluţia indicelui câştigului salarial real

este de forma:

Iˆts = 0,8388 − 0,000013 I tp−1 − 0,1951 I tw ; R = 0,3587

(0,3289) (0,0001) (0,3493) d = 1,22
su1 = 0,0814

Analizând rezultatele obţinute se constată că ipotezele

corespunzătoare M.C.M.M.P. sunt verificate (autocorelaţia erorilor poate fi
neglijată ca urmare a indeciziei), dar estimatorii parametrilor modelului, cu
excepţia termenului liber, sunt nesemnificativi, modelul fiind şi el
nesemnificativ.
Revenind la ecuaţia (2) sub formă redusă, estimatorii acesteia au
înregistrat următoarele valori (vezi listingul de mai jos):

p
Dependent Variable: I t
Method: Least Squares
Sample(adjusted): 1991 2002
Included observations: 12 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C -179,4978 296,3394 -0,6057 0,5597
p
I t −1 1,2180 0,0731 16,6713 0,0000
Itw 247,5859 314,7246 0,7867 0,4517
R-squared 0,9892 Mean dependent var 535,1246
Adjusted R-squared 0,9868 S.D. dependent var 637,4540
S.E. of regression 73,3035 Akaike info criterion 11,6394
 Econometrie. Studii de caz

Sum squared resid 48360,68 Schwarz criterion 11,7606

Log likelihood -66,8365 F-statistic 411,4207
Durbin-Watson stat 1,2817 Prob(F-statistic) 0,0000

Iˆtp = −179,4978 + 1,218 I tp−1 + 247,5859 I tw ; R = 0,9946

(296,3394) (0,0731) (314,7246) d = 1,28
s z = 48,4421

Rezultatele obţinute indică faptul că ipotezele corespunzătoare

M.C.M.M.P. sunt verificate (autocorelaţia erorilor poate fi neglijată ca
urmare a indeciziei), iar estimatorii parametrilor modelului, cu excepţia
estimatorului parametrului corespunzător indicelului preţurilor de consum
decalat cu o perioadă, sunt nesemnificativi, modelul fiind semnificativ
pentru un prag de semnificaţie de 5%.
După estimarea parametrilor modelului în formă redusă urmează
identificarea modelului cu ecuaţii simultane, adică a parametrilor modelului
structural pe baza estimatorilor modelului sub formă redusă.
Estimarea acestora se face pornind de la notaţiile efectuate anterior:
βˆ = bˆ + aˆ bˆ ⇒ −179,4978 = bˆ + 0,8388 bˆ
0 0 0 1 0 1

βˆ1 = aˆ1bˆ1 + bˆ2 ⇒ 1,218 = −0,000013 bˆ1 + bˆ2

βˆ = aˆ bˆ ⇒ 247,5859 = −0,1951 bˆ
2 2 1 1

De unde rezultă că:

bˆ = 884,983
0

bˆ1 = −1269,1246
bˆ2 = 1,2013

În final, modelul cu ecuaţii simultane sub formă structurală este de

forma:

⎧⎪ Iˆts = 0,8388 − 0,000013 I tp−1 − 0,1951 I tw

M1 ⎨
⎪⎩ Iˆtp = 884,983 − 1269,1246 I ts + 1,2013I tp−1
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Modelul M1, fiind un model corect identificat, estimatorii acestuia

pot fi obţinuţi şi cu ajutorul M.C.M.M.P. aplicată în două faze:
Faza I. Se estimează parametrii ecuaţiei (1) a modelului cu ajutorul
M.C.M.M.P., obţinându-se aceleaşi rezultate ca şi în cazul anterior:

Iˆts = 0,8388 − 0,000013 I tp−1 − 0,1951 I tw ; R = 0,3587

(0,3289) (0,0001) (0,3493) d = 1,22
su1 = 0,0814

În continuare, se calculează valorile teoretice (ajustate) ale variabilei

enodogene Iˆts . Utilizând programul EViews, s-au obţinut următoarele
rezultate (vezi tabelul .2.11.2., coloana 3):

Tabelul 2.11.2
Actual Fitted Residual Residual Plot
Obs.
I t
s
Iˆts uˆ1t (graficul reziduurilor)
1991 0,817 0,6680 0,1490 | . | . *|
1992 0,713 0,6782 0,0348 | . | * . |
1993 0,594 0,6693 -0,0753 | .* | . |
1994 0,594 0,6616 -0,0676 | .* | . |
1995 0,665 0,6381 0,0269 | . |* . |
1996 0,727 0,6274 0,0996 | . | .* |
1997 0,563 0,6320 -0,0690 | .* | . |
1998 0,582 0,6344 -0,0524 | . * | . |
1999 0,560 0,6250 -0,0650 | .* | . |
2000 0,586 0,6228 -0,0368 | . * | . |
2001 0,615 0,6047 0,0103 | . |* . |
2002 0,628 0,5825 0,0455 | . | * . |

Faza II. În cadrul celei de-a doua ecuaţii a modelului M1 în formă

structurală, valorile empirice ale indicelui câştigului salarial real sunt
înlocuite cu valorile estimate ale acestuia. În vederea estimării parametrilor
acestei ecuaţii a fost utilizat programul EViews, care permite estimarea
 Econometrie. Studii de caz

parametrilor unui model cu ecuaţii simultane cu ajutorul M.C.M.M.P. în

două faze, obţinându-se astfel următoarele rezultate:

p
Dependent Variable: I t
Method: Two-Stage Least Squares
Sample(adjusted): 1991 2002
Included observations: 12 after adjusting endpoints
p w
Instrument list: I t −1 It

Variable Coefficient Std. Error t-Statistic Prob.

C 884,9814 1184,3430 0,7472 0,4740
I ts -1269,1230 1805,2800 -0,7030 0,4998
p
I t −1 1,2013 0,1018 11,8009 0,0000
R-squared 0,9865 Mean dependent var 535,1246
Adjusted R-squared 0,9834 S.D. dependent var 637,4540
S.E. of regression 82,0278 Sum squared resid 60557,03
F-statistic 328,5595 Durbin-Watson stat 1,1716
Prob(F-statistic) 0,0000

Iˆtp = 884,9814 − 1269,123 Iˆts + 1,2013 I tp−1 ; R = 0,9932

(1184,343) (1805,28) (0,1018) d = 1,17
s z3 = 82,0278

Rezultatele obţinute indică faptul că ipotezele corespunzătoare

M.C.M.M.P. sunt verificate (autocorelaţia erorilor poate fi neglijată ca
urmare a indeciziei), iar estimatorii parametrilor modelului, cu excepţia
estimatorului parametrului corespunzător indicelui preţurilor de consum
decalat cu o perioadă, sunt nesemnificativi, modelul fiind semnificativ
pentru un prag de semnificaţie de 5%.
Comparând modelul M1, estimat cu ajutorul metodei regresiei
indirecte, cu modelul estimat pe baza M.C.M.M.P. aplicată în două faze se
observă că rezultatele sunt aproape identice – micile diferenţe datorându-se
erorilor de rotunjire a rezultatelor, cum era, de altfel, şi normal să se
întâmple.
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

O altă modalitate de estimare a unui model cu ecuaţii simultane cu

ajutorul programului EViews constă în construirea sistemului de ecuaţii
corespunzător modelului M1 şi în estimarea acestuia fie cu ajutorul
M.C.M.M.P. în două faze (vezi SYSTEM01), fie cu ajutorul M.C.M.M.P. în
trei faze (vezi SYSTEM02):

System: SYSTEM01
Estimation Method: Two-Stage Least Squares
Sample: 1991 2002
Included observations: 12
Total system (balanced) observations 24
p w
Instruments: I t −1 It C

Coefficient Std. Error t-Statistic Prob.

C(1) 0,8388 0,3289 2,5504 0,0201
C(2) -0,000013 0,0001 -0,1629 0,8724
C(3) -0,1951 0,3493 -0,5585 0,5834
C(4) 884,9814 1184,3430 0,7472 0,4646
C(5) -1269,1230 1805,2800 -0,7030 0,4910
C(6) 1,2013 0,1018 11,8009 0,0000
Determinant residual covariance 12,4448
s p w
Equation: I t =C(1)+C(2)* I t −1 +C(3)* It
Observations: 12
R-squared 0,1287 Mean dependent var 0,6370
Adjusted R-squared -0,0650 S.D. dependent var 0,0788
S.E. of regression 0,0814 Sum squared resid 0,0596
Durbin-Watson stat 1,2180
p s p
Equation: I t =C(4)+C(5)* I t +C(6)* I t −1
Observations: 12
R-squared 0,9865 Mean dependent var 535,1246
Adjusted R-squared 0,9834 S.D. dependent var 637,4540
S.E. of regression 82,0278 Sum squared resid 60557,03
Durbin-Watson stat 1,1716
 Econometrie. Studii de caz

System: SYSTEM02
Estimation Method: Three-Stage Least Squares
Sample: 1991 2002
Included observations: 12
Total system (balanced) observations 24
p
Instruments: I t −1 Itw C

Coefficient Std. Error t-Statistic Prob.

C(1) 0,8388 0.2848 2,9450 0,0087
C(2) -0,000013 0,0001 -0,1881 0,8529
C(3) -0,1951 0,3025 -0,6450 0,5271
C(4) 884,9814 1025,6710 0,8628 0,3996
C(5) -1269,1230 1563,4180 -0,8118 0,4275
C(6) 1,2013 0,0882 13,6266 0,0000
Determinant residual covariance 12,4448
s p
Equation: I t =C(1)+C(2)* I t −1 +C(3)* Itw
Observations: 12
R-squared 0,1287 Mean dependent var 0,6370
Adjusted R-squared -0,0650 S.D. dependent var 0,0788
S.,E. of regression 0,0814 Sum squared resid 0,0596
Durbin-Watson stat 1,2180
p s p
Equation: I t =C(4)+C(5)* I t +C(6)* I t −1
Observations: 12
R-squared 0,9865 Mean dependent var 535,1246
Adjusted R-squared 0,9834 S.D. dependent var 637,4540
S.E. of regression 82,0278 Sum squared resid 60557,03
Durbin-Watson stat 1,1716

c) Pornind de la modelul M1:

⎧⎪I ts = a0 + a1 I t p−1 + a2 I tw + u 1t (1)

M1 ⎨
⎪⎩I t p = b 0 + b1 I ts + b 2 I t p−1 + u 2t ( 2)

se constată că acesta poate fi considerat un model recursiv deoarece

variabilele endogene urmează o anumită ordine. Astfel, indicele câştigului
salarial real, variabilă endogenă în prima ecuaţie, figurează ca variabilă
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

exogenă în ecuaţia (2). În schimb, indicele preţurilor de consum nu

figurează decât ca variabilă endogenă în ecuaţia (2).
Matriceal, forma structurală a modelului M1 este următoarea:

⎛1 0 ⎞ ⎛ I ts ⎞ ⎛ − a 0 − a1 − a 2 ⎞⎛ I tp−1 ⎞ ⎛ u1t ⎞
⎜⎜ ⎟⎟ ⎜ p ⎟ + ⎜⎜ ⎟⎜ ⎟=⎜ ⎟
−
⎝ 1 b 1 ⎠ ⎜⎝ I t ⎟⎠ ⎝ − b0 − b2 0 ⎟⎠⎜⎝ I tw ⎟⎠ ⎜⎝ u 2t ⎟⎠
B • Y + C • X = U

respectiv matricea B, B = ( ), este o matrice triunghiulară specifică

1 0
−b1 1

modelelor recursive.
Estimatorii parametrilor modelului M1, considerat ca fiind un model
recursiv, pot fi calculaţi cu ajutorul M.C.M.M.P. aplicată fiecărei ecuaţii a
modelului structural.
Ecuaţia (1) a fost deja estimată la punctul b), ea fiind următoarea:

Iˆts = 0,8388 − 0,000013 I tp−1 − 0,1951 I tw ; R = 0,3587

(0,3289) (0,0001) (0,3493) d = 1,22
su1 = 0,0814

În urma aplicării M.C.M.M.P. asupra celei de-a doua ecuaţii a

modelului M1 au rezultat următoarele valori:

p
Dependent Variable: I t
Method: Least Squares
Sample(adjusted): 1991 2002
Included observations: 12 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C 431,6229 156,8297 2,7522 0,0224
s
I t -577,8482 236,8351 -2,4399 0,0374
p
I t −1 1,2354 0,0372 33,1807 0,0000
R-squared 0,9930 Mean dependent var 535,1246
Adjusted R-squared 0,9915 S.D. dependent var 637,4540
S.E. of regression 58,7926 Akaike info criterion 11,1982
Sum squared resid 31109,12 Schwarz criterion 11,3195
 Econometrie. Studii de caz

Log likelihood -64,1894 F-statistic 642,0695

Durbin-Watson stat 1,1729 Prob(F-statistic) 0,0000

Iˆtp = 431,6229 − 577,8482 I ts + 1,2354 I tp−1 ; R = 0,9965

(156,8297 ) (236,8351) (0,0372) DW = 1,17
s z2 = 58,7926

Rezultatele obţinute indică faptul că ipotezele corespunzătoare

M.C.M.M.P. sunt verificate (autocorelaţia erorilor poate fi neglijată ca
urmare a indeciziei), iar estimatorii parametrilor modelului sunt semnificativ
diferiţi de zero pentru un prag de semnificaţie de 5%, modelul fiind şi el
semnificativ pentru acelaşi prag de semnificaţie.

d) Abordarea econometrică a modelului M1 ca model cu ecuaţii

simultane, M1S, a condus la obţinerea următoarelor rezultate:

⎧ Iˆts = 0,8388 − 0,000013 I tp−1 − 0,1951 I tw ; R = 0,3587

⎪
⎪ (0,3289) (0,0001) (0,3493) d = 1,22
⎪ s u1 = 0,0814
⎪
M1S ⎨ p
⎪ Iˆt = 884,9814 − 1269,123 I t + 1,2013 I t −1 ; R = 0,9932
s p

⎪ (1184,343) (1805,28) (0,1018) d = 1,17

⎪
⎪⎩ s z2 = 82,0278

iar tratarea acestuia ca model recursiv, M1R, a determinat obţinerea

următoarelor valori:

⎧ Iˆts = 0,8388 − 0,000013 I tp−1 − 0,1951 I tw ; R = 0,3587

⎪
⎪ (0,3289) (0,0001) (0,3493) d = 1,22
⎪ s u1 = 0,0814
⎪
M1R ⎨ p
⎪ Iˆt = 431,6229 − 577,8482 I t + 1,2354 I t −1 ; R = 0,9965
s p

⎪ (156,8297 ) (236,8351) (0,0372) d = 1,17

⎪
⎪⎩ s z3 = 58,7926
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Deoarece dubla interpretare a modelului M1, ca model cu ecuaţii

simultane (M1S), şi ca model recursiv (M1R), a condus la rezultate diferite, se
pune problema validării variantei corecte.
Discuţia econometrică a celor două modele arată că estimatorii
obţinuţi pe baza modelului recursiv, în special în cazul ecuaţiei (2) a
modelului, sunt semnificativi, în timp ce estimatorii obţinuţi pe baza
modelului cu ecuaţii simultane sunt nesemnificativi, cu excepţia
estimatorului parametrului corespunzător indicelui preţurilor de consum
decalat cu o perioadă în cazul celei de-a doua ecuaţii a modelului. În cazul
ambelor modele, rezultatele obţinute pentru prima ecuaţie sunt
nesemnificative.
Prin coroborarea valorilor estimatorilor şi, în special, a semnului
algebric al acestora cu teoria economică privind sensul dependenţelor şi
interdependenţelor dintre fenomenele economice analizate, se constată că
ambele ecuaţii, atât ale modelului cu ecuaţii simultane, cât şi ale modelului
recursiv, conţin evidente inadvertenţe economice, în sensul că dinamica
câştigului salarial real a fost influenţată negativ de creşterea productivităţii
muncii şi de indicele preţurilor decalat cu o perioadă în decursul perioadei
analizate, 1990-2002 (vezi prima ecuaţie a ambelor modele), iar dinamica
preţurilor a fost influenţată negativ de către dinamica câştigului salarial real
(vezi cea de-a doua ecuaţie a ambelor modele).
Datorită slabelor performanţe statistice ale celor două modele, cât şi
discrepanţelor dintre valorile estimatorilor şi teoria economică, s-a renunţat
la continuarea utilizării lor în scopuri prospective. Acest lucru nu înseamnă
că respectivele modele prezintă deficienţe de specificare ci, mai curând,
rezultatele contradictorii se datorează dimensiunii reduse a seriilor de timp
utilizate şi evoluţiei oscilante a economiei româneşti în perioada de tranziţie
către economia de piaţă.
În concluzie, se recomandă ca un model cu ecuaţii multiple să fie
corect specificat ca model cu ecuaţii simultane sau ca model recursiv
deoarece abordarea greşită a tipului de model conduce la rezultate diferite,
care afectează calitatea calculelor econometrice.
 Econometrie. Studii de caz

2.2 Probleme propuse spre rezolvare

2.2.1. Indicatorii sintetici ai economiei României (exprimaţi în mld.

lei, preţuri curente) în perioada 1980 – 2002 se prezintă în tabelul de mai
jos:

Tabelul 2.2.1
Unitatea Anul
Indicatori de
1980 1981 1982 1983 1984 1985 1986 1987
măsură
Produs Intern mld. lei 616,9 623,7 727,4 768,7 816,1 817,4 838,6 845,6
Brut1) p.c.
Consumul final mld. lei 315,9 335,1 391,8 387,6 413,6 408,4 416,7 441,9
al populaţiei 1) p.c.
Consumul final al mld. lei 72,5 76,6 76,6 76,0 80,2 83,5 80,5 75,0
administraţiei p.c.
publice1)
Formarea brută de mld. lei 212,8 209,3 216,4 230,7 244,7 246,3 249,0 245,5
capital fix1) p.c.
Variaţia stocurilor1) mld. lei 32,9 17,1 28,9 30,9 34,1 23,6 39,4 23,5
p.c.
Export net1) mld. lei -34,8 -22,7 4,0 32,4 29,3 33,2 35,5 52,8
p.c.
Imobilizări
mld. lei
corporale 1880 2036 2211 2397 2614 2798 2992 3182
p.c.
(mijloace fixe)
Investiţii mld. lei 210,5 209,3 216,4 230,7 244,7 246,3 249,0 245,5
p.c.
Populaţia ocupată mii pers 10350 10391 10433 10475 10500 10586 10670 10719
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

Tabelul 2.2.1
(continuare)
Unitatea Anul
Indicatori de
1988 1989 1990 1991 1992 1993 1994
măsură
Produs Intern Brut1) mld. lei 857,0 800,0 857,9 2203,9 6029,2 20035,7 49773,2
p.c.
Consumul final al mld. lei 454,7 463,4 557,7 1323,7 3750,8 12670,3 31442,0
populaţiei 1) p.c.
Consumul final al
mld. lei
administraţiei 77,6 100,5 121,8 348,8 891,7 2565,5 7010,4
p.c.
publice1)
Formarea brută de mld. lei 240,2 238,9 169,8 317,0 1156,9 3583,7 10095,7
capital fix1) p.c.
1)
Variaţia stocurilor mld. lei 3,1 -24,6 89,7 301,1 736,7 2212,2 2252,6
p.c.
1)
Export net mld. lei 80,2 21,8 -81,1 -86,7 -506,9 -996,0 -1027,5
p.c.
Imobilizări
mld. lei
corporale 3359 3526 3498 4505 23217 26583 33811
p.c.
(mijloace fixe)
mld. lei
Investiţii 240,2 236,4 168,4 314,0 888,6 2821,8 8004,6
p.c.
Populaţia ocupată mii pers 10805 10946 10840 10786 10458 10062 10011

Tabelul 2.2.1
(continuare)
Unitatea Anul
Indicatori de
1995 1996 1997 1998 1999 2000 2001 2002
măsură
Produs Intern mld. lei
72135,5108919,6252925,7373798,2545730,2803773,11167687,01512616,8
Brut1) p.c.
Consumul
mld. lei
final 48545,1 75288,8 186238,2310922,7453308,0634590,4 917185,7 1151355,9
p.c.
al populaţiei 1)
Consumul
final al mld. lei
10117,3 14650,6 32381,6 26545,9 31053,5 57942,5 77551,4 91751,0
administraţiei p.c.
publice1)
Variaţia mld. lei
20851,1 3161,4 -1368,7 -1586,4 -8889,9 4543,9 22294,8 33432,4
stocurilor1) p.c.
 Econometrie. Studii de caz

Unitatea Anul
Indicatori de
1995 1996 1997 1998 1999 2000 2001 2002
măsură
mld. lei
Export net1) -4036,9 -9179,7 17865,5 -30003,9 -26371,8 -45250,9 -90498,5 -86305,4
p.c.
Imobilizări
mld. lei
corporale 169866 188934 242714 429038 701941 1449782 2171506 2855564
p.c.
(mijloace fixe)
mld. lei
Investiţii
p.c. 12995,5 20945,3 44134,7 60515,2 83948,1 124987,2 204195,2 271734,7
Populaţia
mii pers 9493 9379 9023 8813 8420 8629 8563 8329
ocupată
Notă: Începând din anul 1999, conturile naţionale s-au realizat numai conform metodologiei SEC 1995.
Sursa: Anuarul Statistic al României 1995, CNS, Bucureşti, 1996, p. 145, 370-371, 386, 398, Anuarul Statistic al
României 1996, INS, Bucureşti, 1997, p. 141, 364-365, 384, 394, Anuarul Statistic al României 2001, INS,
Bucureşti, 2002, p. 94, 278, 297, 303, Anuarul Statistic al României 2003, INS, Bucureşti, 2004, p. 105, 284, 307,
312.

Pe baza datelor prezentate în tabelul de mai sus să se facă analiza

econometrică a economiei României utilizând:
- modele uni şi multifactoriale, statice şi dinamice;
- modele cu ecuaţii multiple.
Specificarea modelelor şi construirea seriilor statistice necesare
identificării şi rezolvării acestora se vor fundamenta pe cunoştiinţele însuşite
la disciplinele de teorie economică şi de statistică macroeconomică.

2.2.2. În România, în perioada ianuarie 1991-decembrie 2004, s-au

înregistrat următoarele valori expimate în preţuri comparabile (1990=1)
privind:
- indicii preţurilor bunurilor şi serviciilor de consum (IPC);
- indicii cursului mediu valutar (ICV);
- indicii câştigurilor salariale medii nominale nete (IVMN).

1990=1 Tabelul 2.2.2

1991 1992 1993
Luna
IPC ICV IVMN IPC ICV IVMN IPC ICV IVMN
0 1 2 3 4 5 6 7 8 9
1 1,581 1,785 1,160 5,312 9,909 3,809 14,830 23,899 8,132
2 1,692 1,756 1,143 5,974 10,046 3,725 16,050 25,953 8,542
3 1,804 1,828 1,181 6,573 10,066 4,478 17,520 29,794 10,880
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

1991 1992 1993

Luna
IPC ICV IVMN IPC ICV IVMN IPC ICV IVMN
0 1 2 3 4 5 6 7 8 9
4 2,282 3,035 1,785 6,880 10,085 4,592 19,270 30,692 11,224
5 2,398 3,056 2,169 7,713 11,368 5,187 25,135 31,593 14,948
6 2,445 3,111 2,237 8,041 13,285 5,690 26,511 35,003 17,257
7 2,677 3,149 2,374 8,296 17,763 5,855 30,007 39,070 19,639
8 2,976 3,101 2,367 8,576 19,077 5,802 33,255 41,108 21,978
9 3,194 3,085 2,636 9,445 20,546 6,829 36,891 44,230 21,755
10 3,526 3,060 2,823 10,350 21,861 7,054 42,913 50,056 23,354
11 3,910 7,417 3,095 11,750 21,861 8,338 48,994 54,289 27,247
12 4,445 9,448 3,337 13,300 22,006 9,555 52,599 57,997 29,681

1990=1 Tabelul 2.2.2

(continuare)
1994 1995 1996
Luna
IPC ICV IVMN IPC ICV IVMN IPC ICV IVMN
0 10 11 12 13 14 15 16 17 18
1 55,176 70,522 29,817 86,783 90,290 50,054 109,996 132,142 75,150
2 58,431 75,928 31,159 88,034 91,451 50,896 112,072 141,012 72,900
3 63,281 81,408 32,983 88,85 93,166 53,545 114,006 146,040 76,812
4 67,084 84,937 36,964 90,279 94,812 58,298 116,223 147,999 88,330
5 70,424 84,252 37,043 91,249 97,163 58,495 122,429 148,979 85,972
6 72,234 84,753 38,411 92,449 99,432 60,070 123,701 151,906 86,159
7 73,375 85,700 41,786 94,831 101,387 64,011 133,004 155,731 97,773
8 74.680 85.807 45.074 95.750 104.012 67.469 138.046 159.833 100.495
9 77.620 87,803 44,958 97,273 106,762 67,236 141,361 162,745 99,989
10 81,033 89,118 47,007 100,735 110,127 71,064 146,154 167,552 109,734
11 83,337 89,301 49,134 104,844 121,773 73,877 154,577 176,827 111,416
12 85,073 90,183 58,152 108,681 130,046 82,893 170,520 189,827 127,033

1990=1 Tabelul 2.2.2

(continuare)
1997 1998 1999
Luna
IPC ICV IVMN IPC ICV IVMN IPC ICV IVMN
0 19 20 21 22 23 24 25 26 27
1 193,864 252,334 116,254 449,601 421,627 259,058 620,794 577,204 363,486
2 230,253 350,569 133,657 481,926 418,449 257,358 638,633 623,843 379,103
3 300,968 367,865 148,514 500,018 417,239 279,527 679,252 714,464 413,405
4 321,738 358,338 173,365 513,652 426,009 306,238 712,217 752,039 433,413
5 335,447 360,483 166,270 525,356 430,976 292,687 750,064 774,672 427,784
 Econometrie. Studii de caz

1997 1998 1999

Luna
IPC ICV IVMN IPC ICV IVMN IPC ICV IVMN
0 19 20 21 22 23 24 25 26 27
6 343,155 364,631 170,175 531,958 435,658 304,810 788,272 801,057 443,326
7 345,525 364,225 182,111 539,075 442,267 321,778 801,289 777,377 469,792
8 357,683 378,505 190,580 542,505 446,426 328,905 811,052 809,405 475,742
9 369,517 382,755 208,038 557,167 460,097 333,905 836,906 831,698 477,428
10 393,458 391,566 233,507 578,775 476,904 342,977 871,740 849,293 485,349
11 410,255 396,960 240,434 589,836 503,757 349,007 906,513 886,970 513,059
12 428,722 404,692 275,483 602,654 535,262 398,436 932,969 914,916 582,917

1990=1 Tabelul 2.2.2

(continuare)
2000 2001 2002
Luna
IPC ICV IVMN IPC ICV IVMN IPC ICV IVMN
0 28 29 30 31 32 33 34 35 36
1 973,180 933,025 505,564 1361,223 1334,169 802,000 1750,275 1629,487 1075,450
2 994,265 950,773 512,025 1391,811 1363,259 760,461 1770,458 1638,704 1014,752
3 1012,085 976,467 558,579 1420,167 1387,855 825,788 1776,787 1665,770 1073,940
4 1060,506 1004,499 625,620 1457,843 1417,300 886,098 1813,048 1682,847 1161,644
5 1079,819 1036,767 594,500 1483,18 1448,571 853,925 1846,572 1702,644 1111,726
6 1110,420 1069,171 616,182 1506,810 1471,912 873,314 1868,808 1697,626 1114,941
7 1157,908 1098,190 636,197 1526,502 1492,847 914,844 1878,215 1676,614 1148,032
8 1179,180 1139,888 650,369 1560,634 1515,455 918,339 1893,609 1682,450 1141,889
9 1212,300 1199,883 665,778 1590,959 1537,158 915,319 1905,24 1683,584 1129,165
10 1245,794 1238,327 690,451 1629,818 1565,104 940,371 1936,54 1689,995 1162,113
11 1281,153 1276,197 731,545 1674,321 1591,179 970,785 1985,972 1705,374 1182,823
12 1312,781 1301,668 852,832 1710,423 1604,255 1071,964 2015,562 1710,920 1325,629

1990=1 Tabelul.2.2.2
(continuare)
2003 2004
Luna
IPC ICV IVMN IPC ICV IVMN
0 37 38 39 40 41 42
1 2041,563 1700,458 1385,694 2325,921 1655,918 1690,407
2 2058,090 1722,623 1303,994 2340,629 1630,529 1604,444
3 2080,261 1684,520 1358,434 2352,277 1659,664 1715,724
4 2102,433 1713,406 1451,457 2365,909 1724,626 1748,552
5 2112,712 1652,349 1385,270 2372,672 1716,207 1699,212
6 2130,651 1658,180 1378,410 2386,768 1706,640 1707,375
7 2156,248 1661,240 1424,663 2417,116 1697,768 1723,255
Modele econometrice cu o singură ecuaţie şi cu ecuaţii multiple

2003 2004
Luna
IPC ICV IVMN IPC ICV IVMN
0 37 38 39 40 41 42
8 2161,892 1695,938 1408,314 2430,250 1708,851 1707,375
9 2208,250 1718,317 1429,894 2453,240 1709,268 1723,255
10 2241,910 1685,674 1451,994 2483,340 1671,657 1778,328
11 2274,159 1734,052 1475,648 2499,397 1559,598 1829,276
12 2300,562 1678,322 1657,313 2513,608 1469,741 2013,794
Sursa: Anuarul Statistic al României 2003, INS, Bucureşti, 2004, p. 322-323, Buletin statistic lunar
nr. 1-12, INS, Bucureşti, 1991-2004

Pe baza informaţiilor de mai sus, să se explice creşterea indicelui

preţurilor bunurilor de consum pe seama creşterii indicelui cursului valutar
şi a creşterii indicelui veniturilor, utilizând:
- modele unifactoriale liniare şi neliniare;
- modele multifactoriale liniare şi neliniare;
- modele statice şi modele dinamice.
 1. Estimatorul unui parametru al modelului de regresie este:

a) o valoare reală și necunoscută;

b) o valoare reală și cunoscută, calculată;
c) o variabilă deterministă;
d) o variabilă aleatoare;

2. Într-un model econometric componenta deterministă este:

a) variabila reziduală;
b) combinația liniară dintre variabilele independete și eroare;
c) regresia sau media condinționată;

3. Raportul de determinație arată:

a) gradul de intensitate a legăturii dintre două variabile;
b) egalitatea mediilor a două populații;
c) procentul variației variabilei dependente explicate de variația variabilei independente;

4. Un coeficient de regresie într-un model de regresie exprimă:

a) variația relativă a variabilei dependente daca o variabilă independentă variază cu o unitate;

b) variația absolută a variabilei dependente dacă o variabilă independentă căreia îi este atașat
variază cu o unitate și celelalte variabile rămân constante;
c) variația absolută a variabilei dependente dacă variabilele independente variază cu o
unitate;

5. Estimațiile sunt:
a) variabile aleatoare;
b) mărimi fixe calculate la nivel de eșantion;
c) valori necunoscute la nivelul populației;

6. Variabila reziduală în modelul econometric cuprinde efecte datorate:

a) parametrii modelului;
b) neincluderii în model a unor variabile independente importante;
c) existența erorilor în măsurarea datelor;

7. Într-un model de regresie multiplă, coeficientul de corelație bivariat poate indica:

a) intensitatea legăturii dintre variabila dependentă și o variabilă independentă fără a lua în

considerare influența celorlalte variabile;

1
 b) intensitatea legăturii dintre variabila dependentă și o variabilă independentă în condițiile în
care celelalte variabile independente sunt considerate aleatoare;
c) intensitatea legăturii dintre variabila dependentă și o variabilă independentă în condițiile în
care celelalte variabilele independente sunt controlate;

8. În studiul legăturii dintre PIB și venitul per locuitor la nivelul României , s-au obținut
următoarele rezultate:

Tabel 1 ANOVA

ANOVAa
Model Sum of df Mean Square F Sig.
Squares
327595610,4 1 327595610,4 ,546 ,464b
Regression
88 88
2402008964 40 600502241,0
1 Residual
0,260 06
2434768525 41
Total
0,748
a. Dependent Variable: pib
b. Predictors: (Constant), venitul
Raportul de corelație multiplă este egal cu
a) 0,116;
b) 0,013;-raportul de determinatie
c) 0,546;

9. În studiul legăturii dintre PIB și venitul per locuitor la nivelul României , s-au obținut
următoarele rezultate:

Tabel 2 Coeficienți de regresie

Sig = 0,468 0,11599

Riscul = 0,05

2
 Coefficientsa
Model Unstandardized Standardized t Sig.
Coefficients Coefficients
B Std. Error Beta
(Constant) -1398,001 23519,320 -,059 ,953
1
venitul 10,760 14,568 ,116 ,739 ,464
a. Dependent Variable: pib
Care enunțuri sunt adevărate?
a) Variabila independentă este Venitul;
b) Termenul constant este semnificativ statistic;
c) Între variabila independentă și variabila dependentă s-a stabilit o legătură de intensitate
scăzută;
d) Variabila independentă este semnificativă statistic;
e) Ecuația estimată a modelului este: Y= 1398,001 -10,760*PIB

10. În studiul legăturii a mai multor variabile la nivelul României , s-au obținut
următoarele rezultate:

Tabel 3 Coeficienți de regresie

Coefficientsa
Model Unstandardized Standardized t Sig.
Coefficients Coefficients
B Std. Error Beta
(Constant) 11,492 2,123 5,413 ,000
rata_mort -,302 ,107 -,397 -2,820 ,008
1 r_divort -,797 ,438 -,224 -1,818 ,077
r_nuptial ,662 ,230 ,516 2,880 ,007
venitul -,001 ,001 -,196 -1,189 ,242
a. Dependent Variable: rata_nat

Care este cea mai importantă variabilă de influență?

a) rata natalității;
3
b) rata nupțialității;
c) termenul constant;
d) rata mortalității;
Coefficientsa
Model Unstandardized Standardized t Sig.
Coefficients Coefficients
B Std. Error Beta
(Constant) 11,492 2,123 5,413 ,000
rata_mort -,302 ,107 -,397 -2,820 ,008
1 r_divort -,797 ,438 -,224 -1,818 ,077
r_nuptial ,662 ,230 ,516 2,880 ,007
venitul -,001 ,001 -,196 -1,189 ,242
a. Dependent Variable: rata_nat

11. Pe baza tabelului anterior, care este ecuația estimată corect?

a) Y= 11,492- 0,302*X1+ 0,797*X2+0,662*X3-0,001*X4
b) Y= 11,492- 0,302*X1- 0,797*X2+0,662*X3-0,001*X4
c) Y= 11,492- 0,302*X1+ 0,797*X2+0,662*X3-0,01*X4
12. Pentru regresia multiplă realizată anterior, variabilele semnificative pentru model, pentru un
risc de 10% sunt:
a) toate;
b) venitul, rata_nupțialității, rata_divorțurilor;
c) termenul constant, rata_mortalității, rata_nupțialității, venitul;
d) rata_mortalității, rata_nupțialității, rata_divorțurilor;

4
 13. În studiul legăturii a mai multor variabile la nivelul României , s-au obținut
următoarele rezultate:

Correlations
rata_nat r_divort r_nuptial rata_mort
Pearson Correlation 1 -,084 ,551** -,556**
rata_nat Sig. (2-tailed) ,598 ,000 ,000
N 42 42 42 42
Pearson Correlation -,084 1 ,167 -,152
r_divort Sig. (2-tailed) ,598 ,290 ,336
N 42 42 42 42
Pearson Correlation ,551** ,167 1 -,516**
r_nuptial Sig. (2-tailed) ,000 ,290 ,000
N 42 42 42 42
Pearson Correlation -,556** -,152 -,516** 1
rata_mort Sig. (2-tailed) ,000 ,336 ,000
N 42 42 42 42
**. Correlation is significant at the 0.01 level (2-tailed).

Care afirmații sunt adevărate:

a) între rata_natalității și rata_ mortalității există o legătură inversă și moderată;
b) între rata_mortalității și rata_nupțialității nu există o legătură semnificativă;
c) legătura dintre rata_natalității și rata_ mortalității este semnificativă statistic;
d) între rata_divorțurilor și rata_mortalității avem o legătură slabă, direct și nesemnificativă.

14. În studiul legăturii a mai multor variabile la nivelul României , s-au obținut
următoarele rezultate:

ANOVAa
Model Sum of df Mean F Sig.
Squares Square
Regression 25,944 k-1=4 6,486 8,073 ,000b
1 Residual 29,727 37 ,803
Total 55,671 41

5
a. Dependent Variable: rata_nat
b. Predictors: (Constant), venitul, r_divort, rata_mort, r_nuptial

Conform datelor din tabel putem spune că:

a) volumul eșantionului este de 42 de unități statistice;
b) numărul de parametrii din model este de 4;
c) modelul construit este nesemnificativ statistic;
d) procentul de variație explicate este mai mare comparative cu cel de variație
reziduală;

6
Indicatori de corelație
Regresia Liniară Simplă
1. Coeficient de corelație Pearson (r) – tabelul Correlations

Correlations

Pret Val_vanzari
Pret Pearson Correlation 1 -.968**
Sig. (2-tailed) .007
N 5 5
Val_vanzari Pearson Correlation -.968** 1
Sig. (2-tailed) .007
N 5 5
**. Correlation is significant at the 0.01 level (2-tailed).

- de pe linia Pearson Correlation se citește valoarea estimată a coeficientului de corelație

ce măsoară legătura dintre Valoarea Vânzarilor și Preț (-0,968)
 Interpretare: Conform valorii estimate a coeficientului de corelație între cele
două variabile există o legătură puternică (valoarea apropiată de 1) și inversă
(valoarea negativă)
 Testarea coeficientului de corelație folosind Sig: Comparăm valoarea sig-ului cu
riscul de 5%→(sig = 0,007)< = 0,05), ipoteza nulă este ipoteza de
nesemnificație, prin compararea celor două valori, se respinge ipoteza nulă, prin
urmare coeficientul de corelație este semnificativ statistic, iar între cele două
variabile sunt corelate, între ele există o legătură liniară semnificativă.

2. Raportul de corelație (R) – tabelul Model Summary

- valoarea estimată a raportul de corelație se citește din coloana R (0,205)

 Interpretare:Valoarea estimată a raportului de corelație indică faptul că între
cele două variabile există o legătură slabă (valoarea se apropie de 0)
3. Raportul de determinație - tabelul Model Summary
- valoarea estimată a raportului de determinație se citește din coloana R Square (0,042)
  Interpretare: Valoarea estimată a raportului de determinație indică faptul că 4,2% din
variația variabilei dependente este explicată prin intermediul variabilei independente sau
prin intermediul modelului de regresie
- tabelul ANOVA îl folosim ca să calculăm valoarea Raporului de Determinație

ESS

TSS

- valoarea se calculează astfel: , putem să transformă în procente și

obținem 62%
 Interpretare: Valoarea estimată a raportului de determinație indică faptul că 62% din
variația variabilei dependente este explicată prin intermediul variabilei independente sau
prin intermediul modelului de regresie
- putem obține și valoarea Raportului de Corelație astfel: √ √
 Interpretare: Valoarea estimată a Raportului de Corelație indică faptul că între variabila
independentă și cea dependentă există o legătură medie spre puternică.
Regresia Liniară Multiplă
4. Coeficienții de Corelație Bivariați ( ) – tabelul Correlations
- valoarea estimată a coeficienților de corelație bivariați se citesc de pe linia Pearson
Correlation, la intersecția variabilelor de interes

Correlations
 rata_nat r_divort r_nuptial rata_mort
**
Pearson Correlation 1 -,084 ,551 -,556**
rata_nat Sig. (2-tailed) ,598 ,000 ,000
N 42 42 42 42
Pearson Correlation -,084 1 ,167 -,152
r_divort Sig. (2-tailed) ,598 ,290 ,336
N 42 42 42 42
Pearson Correlation ,551** ,167 1 -,516**
r_nuptial Sig. (2-tailed) ,000 ,290 ,000
N 42 42 42 42
Pearson Correlation -,556** -,152 -,516** 1
rata_mort Sig. (2-tailed) ,000 ,336 ,000
N 42 42 42 42
**. Correlation is significant at the 0.01 level (2-tailed).
 Interpretare: , între cele două variabile avem o legătură slabă
(aproape de zero) și inversă (valoarea negativă)
 Interpretare: , între cele două variabile avem o legătură de
intensitate medie (aproape de -0,5) și inversă (valoarea negativă)
5. Coeficienții de Corelație Parțiali ( ) – tabelul Correlations

- valoarea estimată a coeficientului de corelație parțială se citește de pe linia Correlation, la

intersecția variabilelor de interes
 Interpretare: , între variabilele PIB și Rata_mortalității avem o
legătură slabă (valoare apropiată de 0) și inversă (valoare negativă), în condițiile în care
variabila Accident_muncă rămâne constantă
6. Raportul de determinație multiplu - Model Summary
-idem cu Regresia Liniară Simplă
7. Raportul de Corelație (R) – Model Summary
 -idem cu Regresia Liniară Simplă
8. Raportul de Determinație Ajustat ̅ ) – Model Summary

- raportul de determinație ajustat se poate citi din Model Summary, din coloana Adjusted
TSS R Square, sau se poate calcula pe baza tabelului ANOVA astfel:

ANOVAa
k-1
Model Sum of Squares df Mean Square F Sig.
RSS
Regression 625,070 2 312,535 19,243 ,000b

1 Residual
n-k
568,438 35 16,241
TSS Total 1193,508 37

a. Dependent Variable: Producțiadegrâulaha

n-1
b. Predictors: (Constant), Suprafațacultivată, Resursedemuncamiipersoane

 Interpretare: Valoarea estimată a raportului de determinație ajustat indică faptul că 55,2%

din variația variabilei dependente este explicată prin intermediul variației simultane a
variabilelor independente sau prin intermediul modelului de regresie
 Exercițiul 1: Pentru tarile membre UE s-au colectat date cu privire la Rata totala de
fertilitate si PIB-ul la raportat la media UE.

Se cere:
1. Care este volumul eşantionului?8
2. Să se precizeze ecuaţia estimată a modelului de regresie
3. Să se interpreteze estimaţiile punctuale ale parametrilor de regresie
4. Să se determine şi să se interpreteze intervalele de încredere obţinute pentru parametrii
modelului de regresie
5. Să se estimeze şi să se interpreteze valorile raportului de corelaţie şi ale raportului de
determinaţie
6. Să se estimeze punctual şi să se interpreteze valoarea coeficientului de corelaţie
7. Să se verifice semnificaţia coeficientului de corelaţie Pearson
8. Să se testeze semnificaţia parametrului de regresie 0, considerând un risc de 5%
9. Să se prezinte demersul testării semnificaţiei parametrului 1 şi să se interpreteze
rezultatul, pentru un risc de 5%
10. Să se testeze semnificaţia raportului de determinație, considerând un risc de 5%
11. Să se testeze dacă modelul de regresie este semnificativ sau corect specificat (să se
testeze semnificaţia influenţei variabilei independente asupra variabilei dependente)
12. Sa se estimeze rata fertilitatii la nivelul unei tari pentru care PIB-ul este de 2.9%
13. Sa se precizeze cat ar trebui sa fie nivelul PIB-ului pentru a obține o rata a fertilitatii de
2,1.
14. Sa se estimeze cu cat creste rata fertilitatii daca are loc o crestere a PIB-ului cu 0.5.
Table 1 Datele de la nivelul esantionului

Tara PIB Rata totala de fertilitate

Austria 2.4 1.5
Belgium 2.9 1.7
Bulgaria 0.3 1.6
Croatia 0.3 1.4
Cyprus 0.1 1.3
Czechia 1.3 1.7
Denmark 1.8 1.8
Estonia 0.2 1.6
Finland 1.4 1.5
France 14.7 1.9
Germany (until 1990 former territory of the FRG) 21.2 1.6
Greece 1.1 1.4
Hungary 0.8 1.5
Ireland 2.1 1.8
Italy 11.2 1.3
Latvia 0.2 1.7
Lithuania 0.3 1.6
Luxembourg 0.4 1.4
Malta 0.1 1.3
Netherlands 4.9 1.6
Poland 3.1 1.5
Portugal 1.2 1.4
Romania 1.3 1.7
Slovakia 0.6 1.5
Slovenia 0.3 1.6
Spain 7.7 1.3
Sweden 2.9 1.8
United Kingdom 15.2 1.7

Figura 1 Legatura dintre Rata totala de fertilitate si PIB

Table 2 Coeficienti de regresie

Table 3 Coeficienti de corelatie

Table 4 Coeficienti de corelatie

Table 5 ANOVA

Table 6 Model Summary

Exercițiul 2: Pentru tarile membre UEs-au înregistrat date cu privire la variabilele prezentate in
tabel de mai jos pentru anul 2018.

Se cere:

1. Care este volumul eşantionului?

N =28 țări
2. Să se precizeze ecuaţia estimată a modelului de regresie multiplă.

3. Să se interpreteze estimaţiile punctuale ale parametrilor de regresie

- = nivelul mediu al ratei de fertilitate este de 3,775 (de copii) atunci când vârsta
medie,speranța medie de viață și PIB sunt egale cu 0.
- = la o creștere cu un 1 a vârstei medii de viață, rata de fertilitate va scădea cu 0,067
copii, în condițiile în care speranța medie de viață și PIB-ul rămân constante
- = la o creștere cu un 1 a speranței medii de viață, rata de fertilitate va scădea cu
0,003 copii, în condițiile în care vârsta medie și PIB-ul rămân constante
- = la o creștere cu o unitate a PIB-ului, rata de fertilitate va crește cu 0,008 copii, în
condițiile în care vârsta medie și speranța medie de viață sunt constante.

4. Să se determine şi să se interpreteze intervalele de încredere obţinute pentru parametrii

modelului de regresie.
IC:
5. Să se testeze semnificaţia parametrului de regresie 0, considerând un risc de 5%
6. Să se prezinte demersul testării semnificaţiei parametrului j şi să se interpreteze
rezultatul, pentru un risc de 5% (2)
7. Să se identifice variabilele semnificative pentru variabila dependentă, cu o încredere de
95%
- aici ne vom folosi de coloana Sig din tabelul Coefficients. Vom compara valorile cu
riscul de 5% și observăm că doar parametrul ce însoțește Vârsta medie de viață este
semnificativ statistic(Sig = 0,000 < ᾳ = 0,05). Parametrii pentru celelalte două variabile
independente nu sunt semnificativi statistic, prin urmare variabilele însoțite de acești
parametrii nu vor exercita o influență asupra variabilei dependente Rata totală de
fertilitate.
 8. Să se estimeze punctual şi să se interpreteze valoarea coeficientilor de corelaţie bivariată
(rata de fertilitate si PIB)
- = 0,205→între rata totală de fertilitate și PIB s-a stabilit o legătură slabă și directă.
9. Sa se estimeze punctual si sa se interpreteze valoarea coeficientilor de corelatie partiala.
10. Să se estimeze și să se interpreteze valoarea raportului de determinație multiplă.
11. Să se estimeze și să se interpreteze valoarea raportului de determinație multiplă ajustat.
12. Să se testeze semnificaţia coeficientului de corelație bivariat dintre Rata totala de
fertilitate si Varsta medie a femeii la prima nastere considerând un risc de 5%
13. Să se testeze semnificaţia raportului de determinație considerând un risc de 5%
14. Să se testeze dacă modelul de regresie este semnificativ sau corect specificat (să se
testeze semnificaţia influenţei variabilelor independente asupra variabilei dependente)
15. Să se testeze influența marginală a variabilei Speranta medie de viata a femeii asupra
variabilei dependente.
16. Să se ierarhizeze variabilele independente, în funcție de importanța lor.
17. Sa se estimeze variatia partiala a Ratei totale a fertilitatii, daca Varsta medie a scadea cu
2 ani.

Table 7 Datele de la nivelul esantionului

Rata
totala de Varsta medie a femeii Speranta medie de
Tara PIB fertilitate la prima nastere viata a femeii
Austria 2.4 1.5 32.7 56.8
Belgium 2.9 1.7 30.6 64.1
Bulgaria 0.3 1.6 27.6 66.2
Croatia 0.3 1.4 32.3 58.0
Cyprus 0.1 1.3 33.4 65.8
Czechia 1.3 1.7 30.0 62.4
Denmark 1.8 1.8 31.1 59.7
Estonia 0.2 1.6 30.4 57.2
Finland 1.4 1.5 32.9 56.4
France 14.7 1.9 30.6 64.9
Germany (until 1990 former
territory of the FRG) 21.2 1.6 31.0 66.7
Greece 1.1 1.4 33.4 65.1
Hungary 0.8 1.5 31.8 60.8
Ireland 2.1 1.8 32.1 69.3
Italy 11.2 1.3 33.9 66.4
Latvia 0.2 1.7 29.7 52.2
Lithuania 0.3 1.6 29.8 59.8
Luxembourg 0.4 1.4 33.9 58.1
Malta 0.1 1.3 32.5 73.6
Netherlands 4.9 1.6 31.4 57.5
Poland 3.1 1.5 31.5 63.5
Portugal 1.2 1.4 33.2 57.0
Romania 1.3 1.7 27.9 58.3
Slovakia 0.6 1.5 30.8 55.6
Slovenia 0.3 1.6 30.3 54.6
Spain 7.7 1.3 34.1 69.9
Sweden 2.9 1.8 31.1 71.9
United Kingdom 15.2 1.7 30.5 62.0
 Figura 2 Legatura dintre Rata totala de fertilitate si Varsta medie a femeii la prima nastere

Table 8 Coeficienti de regresie

Ecuația estimată a modelului:

 K-1 =3→k=4
Table 9 ANOVA

n-k =24→n=28

Table 10 Model Summary

Table 11 Coeficienti de corelatie bivariata

Table 12 Coeficienti de corelatie partiala

Table 13 Coeficienti de corelatie partiala

Table 14 Model Summary

Table 15 ANOVA

Table 16 Coeficienti de regresie

Recapitulare

Subiectul 1: În studiul legăturii dintre Cheltuielile cu publicitatea (mii dolari) și Vânzări (mii
unități) s-au obținut următoarele rezultate.

ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 62.514 1 62.514 114.548 .000a
Residual 12.006 22 .546
Total 74.520 23
a. Predictors: (Constant), Advertising spending
b. Dependent Variable: Detrended sales

Se cere:
a) Interpretați estimația punctuală a parametrului β1.
b) Analizați legătura dintre variabile (intensitate și sens de variație). Explicați pe ce bază ați
realizat interpretarea.
c) Ce înseamnă dacă modelul este semnificativ statistic?
d) Calculați și interpretați estimația raportului de corelație pentru modelul construit.

Subiectul 2: În studiul legăturii dintre Rata mortalității infantile (promile (‰)), Numărul de
copii înscriși la creșă (mii copii) și Numărul de spitale pe județe (spitale) s-au obținut
următoarele rezultate.

ANOVAa
Model Sum of Squares df Mean Square F Sig.

Regression 24,068 2 12,034 2,205 ,124b

1 Residual 212,833 39 5,457

Total 236,901 41

a. Dependent Variable: Rata_mort_infa

b. Predictors: (Constant), Copii_crese, Spitale_judete

1
 Coefficients
Model Unstandardized Coefficients Standardized t Sig.
Coefficients

B Std. Error Beta

(Constant) 7,665 ,513 14,941 ,000

1 Spitale_judete -,044 ,051 -,244 -,868 ,391

Copii_crese -1,050 ,001 -,084 -,300 ,766

a. Dependent Variable: Rata_mort_infa

Se cere:
a) Ierarhizați variabilele independente în funcție de importanța influenței exercitate asupra
variabilei dependente
b) Ce înseamnă dacă parametrul asociat primei variabile independente este semnificativ
statistic pentru modelul construit?
c) Analizați modelul de regresie din punct de vedere al semnificației și al puterii de explicare

Distribuția Student

2
Distribuția Fisher
3
4
ECONOMETRIE

CURS
 Cuprins
Capitolul 1 ............................................................................................................. 7
Introducere în modelarea econometrică ................................................................ 7
1.1 Ce este econometria? ................................................................................... 7
1.2 Ce poate şi ce nu poate realiza econometria ................................................ 8
1.3 Repere istorice ............................................................................................. 9
1.4 Concepte .................................................................................................... 10
1.5 Demers metodologic .................................................................................. 15
Capitolul 2. .......................................................................................................... 16
Modelul unifactorial ............................................................................................ 16
2.1 RelaŃiile de cauzalitate în economie .......................................................... 16
2.2 Modelul liniar simplu................................................................................. 17
2.2.1 Prezentarea problemei. Exemple din economie .................................. 17
2.2.2 Model şi ipoteze .................................................................................. 17
2.3 Estimarea parametrilor modelului ............................................................. 19
2.4 NoŃiuni privind datele şi soluŃiile .............................................................. 21
2.5 Metoda celor mai mici pătrate ................................................................... 21
2.5.1 Interpretarea parametrilor estimaŃi ...................................................... 22
2.5.2 Analiza de regresie şi modalitatea de estimare a parametrilor............ 23
2.6 Alte metode de estimare ............................................................................ 25
Capitolul 3 ........................................................................................................... 28
Modelul multifactorial......................................................................................... 28
3.1 Cazul liniar multifactorial .......................................................................... 28
3.2 Etapele demersului:.................................................................................... 29
3.2.1 Specificarea ......................................................................................... 30
3.2.2 Estimarea parametrilor ........................................................................ 31
3.2.3 Interpretarea estimaŃiilor obŃinute pentru parametri ........................... 33
3.3 Aplicarea modelului econometric multifactorial ....................................... 34
3.3.1 Datele numerice ................................................................................... 34
3.4 Modele neliniare ........................................................................................ 35
3.4.1 Modele neliniare în raport cu variabilele dar liniare în raport cu
parametrii ...................................................................................................... 35
3.4.2 Modele neliniare, neabordabile prin MCMMP ................................... 36
3.5 Variabile calitative în economie ................................................................ 38
3.5.1 Variabilele dichotomice ...................................................................... 39
Capitolul 4 ........................................................................................................... 44
Verificarea semnificaŃiei statistice a rezultatelor estimării. Testul t, testul F ..... 44
4.1 Necesitatea etapei verificării ................................................................. 44
4.2 Verificarea semnificaŃiei statistice a fiecărui parametru estimat; testul t
............................................................................... 46
4.2.1 Principalele noŃiuni specifice .............................................................. 46
4.2.2 Testul t ................................................................................................. 48

3
 4.2.3 Etapele verificării ................................................................................ 49
4.3 Verificarea semnificaŃiei rolului ansamblului factorilor asupra variabilei
efect .................................................................................................................. 51
4.3.1 Testul F ................................................................................................ 51
4.3.2 Etapele aplicării testului F ................................................................... 52
4.3.3 Coeficientul de determinaŃie ............................................................... 53
Capitolul 5 ........................................................................................................... 54
Verificarea confirmării ipotezelor ....................................................................... 54
5.1 Ipoteze privind modelul şi metoda de estimare ......................................... 54
5.2 Date suficiente, neafectate de erori sistematice ......................................... 55
5.2.1 ConsideraŃii asupra necesităŃii abordării problemei datelor................ 55
5.2.2 Verificarea şi aprecierea datelor numerice .......................................... 55
5.3 IndependenŃa variabilelor factoriale din ecuaŃia de regresie ..................... 56
5.3.1 Semnale care atrag atenŃia multicoliniarităŃii:..................................... 57
5.3.2 SoluŃii .................................................................................................. 58
5.4 Ipoteza privind liniaritatea modelului şi corecta sa specificare................. 58
5.4.1 Verificarea prezumŃiei liniarităŃii ........................................................ 59
5.5 Verificarea confirmării ipotezelor privind comportamentul variabilei
reziduale ........................................................................................................... 60
5.5.1 Verificarea împrăştierii valorilor variabilei reziduale
(homoscedasticitatea / heteroscedasticitatea ................................................ 60
5.5.2 Testul GQ (Goldfeld, Quandt) ............................................................ 61
5.5.3 PrezumŃia neautocorelării valorilor reziduale ..................................... 62
5.5.4 Variabila reziduală urmează o repartiŃie normală de medie zero........ 63
Capitolul 6 ........................................................................................................... 66
Aplicarea modelului de regresie în analiza şi prognoza economică ................... 66
6.1 Coordonatele analizei economice şi analizei statistice .............................. 66
6.2 Prognoza economică bazată pe modelul de regresie ................................. 67
6.3 Modele econometrice utilizate în domeniul cererii de bunuri şi servicii .. 68
6.4 ProducŃia, factorii determinanŃi şi funcŃiile de producŃie .......................... 70
6.4.1 Ipoteze şi caracteristici în elaborarea şi utilizarea funcŃiilor de
producŃie în studiile economice.................................................................... 71
6.4.2 Indicatori utili analizei economice bazate pe funcŃii de producŃie...... 72
6.5 RelaŃii financiar - bancare şi reprezentarea lor prin ecuaŃii ....................... 75
6.5.1 Masa monetară şi factorii care determină cererea de bani .................. 76
6.5.2 Rata dobânzii şi investiŃiile ................................................................. 76
6.5.3 Impozitele şi transferurile.................................................................... 77
6.5.4 PreŃurile şi costurile ............................................................................. 77
Capitolul 7 ........................................................................................................... 79
EvoluŃia proceselor economice în decursul timpului .......................................... 79
7.1 Problema tendinŃei generale....................................................................... 79
7.2 NoŃiuni specifice analizei seriilor cronologice .......................................... 79
7.3 Modelul liniar unifactorial şi calculul tendinŃei generale .......................... 80

4
 7.4 Clasificare a seriilor cronologice în raport cu existenŃa sau inexistenŃa
tendinŃei generale ............................................................................................. 83
7.5 DependeŃe în economie manifestate în mod sincron sau cu decalaje în timp
.......................................................................................................................... 84
7.5.1 Seria integrată, serii cointegrate privind procese economice evolutive
...................................................................................................................... 84
7.6 Modele dinamice destinate includerii efectelor decalate în timp .............. 86
7.6.1 Stabilirea unităŃii de timp .................................................................... 87
7.6.2 Estimarea parametrilor ........................................................................ 88
7.7 Autodeterminarea proceselor economice în timp; modelele stochastice de
tip ARMA ........................................................................................................ 90
7.7.1 Considerente economice şi statistice pe care se bazează modelul
ARMA .......................................................................................................... 90
7.7.2 ObŃinerea prognozelor ......................................................................... 92
7.8 FluctuaŃii sistematice în economie – măsurare, analiză, prognoză ........... 92
7.8.1 Depistarea grafică a variaŃiilor sezoniere ............................................ 93
7.8.2 Ajustarea prin medii mobile ................................................................ 94
7.8.3 Indicii de sezonalitate .......................................................................... 95
7.8.4 CoeficienŃii sezonieri ........................................................................... 95
7.9 Elemente de analiză spectrală pentru studierea fluctuaŃiilor sistematice 100
Capitolul 8 ......................................................................................................... 103
Modelul econometric cu ecuaŃii simultane ....................................................... 103
8.1 Formele de prezentare ale modelului cu ecuaŃii simultane; modele clasice
........................................................................................................................ 104
8.2 Stabilirea variabilelor, funcŃiilor şi identităŃilor ...................................... 110
8.3 Identificare, estimare şi verificare în cazul modelelor cu ecuaŃii simultane
........................................................................................................................ 112
8.3.1 Verificarea modelului din perspectiva identificării fiecărei ecuaŃii .. 112
8.3.2 Estimarea parametrilor ...................................................................... 114
8.3.3 Etapa de verificare ............................................................................. 118
8.4 Analiză, simulare şi prognoză.................................................................. 120
8.5 Modele macroeconometrice..................................................................... 124
Bibliografie ........................................................................................................ 126
Anexe................................................................................................................. 127
DistribuŃia normală redusă (standard) ........................................................... 127
DistribuŃia t Student în funcŃie de probabilitatea P şi de numărul gradelor de
libertate........................................................................................................... 128
Valori critice pentru repartiŃia F .................................................................... 129
DistribuŃia χ2 …………………………….………………………………. 129

5
6
 Capitolul 1
Introducere în modelarea econometrică

Modelele econometrice analizează calitatea şi cantitatea

proceselor economice şi evoluŃia lor.
Econometria prin caracterul său general creează modele
abstracte ale fenomenelor economice.
Econometria este disciplina care s-a conturat ca o sinteză între
analiza matematică, statistica matematică şi economie.

1.1 Ce este econometria?

Termenul econometrie a fost introdus în anul 1926 de către
economistul şi statisticianul norvegian R. Frisch prin analogie cu
termenul „biometrie" utilizat de Galton şi Pearson. Aşa cum
"biometrie" desemna cercetările biologice cu ajutorul statisticii şi
matematicii, econometria avea să însemne studiul economiei cu
ajutorul acestor ştiinŃe fundamentale.
Econometria este o disciplină care s-a conturat ca o sinteză între
economie, matematică şi statistică.
Din economie provin teoriile economice, din matematică
modelele teoretice care exprimă teoriile economice, iar din statistică
datele empirice şi metodele de prelucrare a acestora.
Pe baza datelor din economie, econometria construieşte modele
(expresii cantitative) pentru realităŃile economice studiate care au un
corespondent în teoriile economice.
Prin procedeele de inferenŃă statistică, econometria estimează
parametrii modelelor şi realizează predicŃii asupra realităŃii studiate.
Obiect: Aria de studiu a econometriei este realitatea economică
privită ca un ansamblu de relaŃii şi intercondiŃionări. Econometria
studiază legăturile dintre fenomenele economice, dintre diferitele
componente ale economiei în ansamblul său.

Metodă: Econometria studiază realităŃile economice sub aspect

cantitativ, utilizând metoda statisticii. Econometria contribuie la
7
cunoaşterea realităŃii economice prin modul său specific de a
surprinde cantitativ relaŃiile din viaŃa economică reală cu ajutorul unui
instrument specific: modelul econometric.

Scop: Scopul principal al econometriei este identificarea,

estimarea şi testarea modelelor prin care se surprind relaŃiile dintre
fenomenele economice reale.

1.2 Ce poate şi ce nu poate realiza econometria

Metodele de prelucrare a datelor urmăresc îndeosebi măsurarea,

cuantificarea unor relaŃii dintre procesele economice, având în vedere
mai ales relaŃiile de tip cauză-efect.
Rolul econometriei rezultă din soluŃionarea unor obiective
precum:
• EvidenŃierea, pe baze mai obiective, a relaŃiilor de cauzalitate
din economie;
• Exprimarea numerică a efectului datorat creşterii cu o unitate a
factorului;
• Stabilirea proporŃiei în care unul sau mai mulŃi factori determină
evoluŃia unei variabile-efect, precum şi ordonarea factorilor după
importanŃă;
• Previziunea unui fenomen economic în raport cu factorii
determinanŃi sau Ńinând cont de comportamentul fenomenului în
perioadele anterioare;
• Aprecierea prin expresii numerice a implicaŃiilor pe care o
acŃiune de politică economică o are asupra mai multor sectoare
economice;
• Stabilirea intensităŃii şi direcŃiei fluctuaŃiilor din economie;
• Aprecierea elementelor semnificative din economie de
elementele nesemnificative (datorate hazardului).

Aspecte pe care econometria nu le poate rezolva sau încă nu le

poate rezolva satisfăcător sunt următoarele:
• Încorsetarea într-un model generalizator, de mare amploare, a
tuturor relaŃiilor existente în economie;

8
• Introducerea în calcule a variabilelor calitative cu o suficient de
mare acurateŃe, astfel încât rolul acestora sau amploarea modificării
lor să poată fi măsurate cu suficient de mare precizie;
• Departajarea suficient de precisă a rolului fiecărui factor asupra
unui proces economic, în situaŃiile în care factorii evoluează foarte
asemănător (prezintă un grad înalt de coliniaritate);
• Prognoza suficient de precisă în situaŃii conjuncturale diferite
sau în situaŃii în care interacŃiunea factorilor reprezintă ea însăşi un
factor;
• Econometria nu îşi propune stabilirea de valori numerice privind
indicatorii economici (agregate de tip PIB, Venit naŃional, etc.),
unele stări de lucruri din economie (concentrarea, corelaŃia, proporŃia
unor realizări) şi nici obŃinerea de soluŃii optime (stocul optim, ruta
optimă în transporturi) sau soluŃii care nu aparŃin domeniului
relaŃiilor de cauzalitate, manifestate la un moment dat sau în decursul
timpului.

1.3 Repere istorice

Econometria este o disciplină ştiinŃifică relativ nouă, dezvoltată
începând cu mijlocul secolului trecut. Totuşi, primele încercări de a
cuantifica şi exprima cantitativ relaŃiile dintre fenomenele reale sunt
mult mai vechi şi datează din secolul al XVII-lea.
Şcoala Aritmeticii politice engleze: Un studiu asupra genezei
econometriei ne-ar conduce la începuturile secolului al XVII-lea când
englezul W. Petty pune bazele "aritmeticii politice" prin care se
foloseau sistematic fapte şi cifre în elaborarea unor studii legate de
populaŃie, finanŃe, comerŃ exterior sau impozitare.
Laboratoarele biometrice engleze: La sfârşitul secolului al
XIX-lea şi începutul secolului al XX-lea, în Anglia se desfăşura o
activitate ştiinŃifică remarcabilă de cercetare a legilor naturii şi a
geneticii umane. Printre figurile ilustre ale acestei şcoli se numără F.
Gallun, K. Pearson, R.A. Fisher, F.Y. Edgeworth, ale căror lucrări
fundamentale au contribuit la dezvoltarea metodelor de analiză a
legăturilor dintre variabile.
Societatea de econometrie: La 29 decembrie 1930, la Cleveland
(S.U.A.) a fost întemeiată "Societatea de Econometrie", instituŃie care
a creat şi promovat termenul de "econometrie".
9
Dintre membrii societăŃii, menŃionăm cele mai importante figuri:
Irving Fisher, R. A. Fisher (matematician şi biolog, care a dezvoltat
analiza dispersională), Jan Timbergen (fizician olandez), T.
Haavelmo, R. Frisch (primul preşedinte al societăŃii) ş.a.
Mari gânditori ai secolului XX: Econometria se dezvoltă prin
contribuŃia unor cercetători importanŃi, din diferite direcŃii ale
cercetării:
producŃie: Cobb C.W. şi Douglas P.H.;
cererea de consum: K. Schultz, P.A. Samuelson;
teoriile economice şi construirea modelelor: J. Timbergen, T.
Haavelmo, R. Frisch, L.R. Klein, [Link];
studiul riscului şi incertitudinii în economie, modele macroeconomice:
J.M. Keynes.

1.4 Concepte
În cercetarea econometrică se utilizează o serie de concepte,
noŃiuni şi termeni specifici: model, variabile, parametri, estimator,
estimaŃii, ca şi termeni statistici.
Modelul econometric: Modelul este o schemă simplificată a
realităŃii care are rolul de a explica realitatea studiată în dimensiunile
ei fundamentale, esenŃiale. Modelul econometric este o prezentare
formalizată a problemei sau a realităŃii economice studiate. De regulă,
modelul econometric este o ecuaŃie sau un sistem de ecuaŃii construit
pe baza variabilelor statistice.

Exemple
RelaŃie dintre vânzări şi preŃ:
Vânzări = a + b PreŃ + u
EvoluŃia producŃiei în raport cu factorii determinanŃi:
ProducŃie = a ⋅ Capital ⋅ Munca

Variabile: În cercetarea econometrică se utilizează variabile

statistice între care există relaŃii de interdependenŃă.
Variabilă = însuşire, element caracteristic care poate înregistra
diverse niveluri exprimate, de regulă, numeric.

10
 Exemple: preŃul produsului, rata dobânzii, cantitatea produsă,
valoarea tranzacŃiilor la bursă. Variabile de tip calitativ (nenumerice):
culoarea, religia, anotimpul.
Variabila aleatoare prezintă drept element caracteristic faptul
că poate înregistra orice valoare într-un ansamblu de valori specificat
corespunzător unei repartiŃii de probabilitate.
Exemple: cursul de schimb, vânzările pe o piaŃă liberă, abaterea
(eroarea) dintre nivelul preconizat şi cel realizat.

Tipuri de variabile:
− variabilă endogenă, numită şi variabilă dependentă, rezultativă
sau efect, rezultat. Este variabila pentru care modelul, în urma
estimării, poate genera valori. Variabila endogenă este
poziŃionată în stânga semnului egalităŃii în ecuaŃia în care ea
reprezintă obiectivul, dar poate să apară şi în postura de factor în
alte ecuaŃii. Se notează de regulă cu y.
− variabila exogenă, numită şi variabilă independentă, factorială,
factor de influenŃă sau regresor, care determină un anumit efect
asupra variabilei rezultat. Este variabila aflată în postura de
cauză a evoluŃiei variabilei endogene, având valori preluate din
statistici. Locul variabilei exogene este în dreapta semnului
egalităŃii şi este, de regulă, notată cu x.

Alături de aceste două categorii de variabile, în

econometrie se utilizează o categorie specială: variabilele reziduale
sau eroare.
De regulă, aceste variabile apar în model ca sumă a tuturor
influenŃelor necunoscute sau care nu apar explicit în model. În
cercetarea econometrică, variabila eroare este o variabilă aleatoare
care respectă anumite proprietăŃi numite şi ipoteze clasice.

Variabila reziduală se obŃine în urma calculului abaterilor dintre

valorile empirice ale variabilei endogene (y) şi valorile generate de
model ale aceleiaşi variabile ( ŷ ). Locul variabilei rest este, de regulă,
în partea finală a ecuaŃiei şi este notată cu u, dar se mai foloseşte şi v
sau e. Este denumită perturbaŃie sau eroare.

11
 Medie = nivel central obŃinut în urma unui calcul privind un
ansamblu de valori ale variabilei analizate. Se utilizează media

∑x f
aritmetică:
i i
x= i

∑f i
i

unde xi reprezintă valorile variabilei, iar fi frecvenŃa de apariŃie.

Media variabilei aleatoare (speranŃa matematică, aşteptarea)
rezultă ca o sumă a valorilor variabilei aleatoare ponderate cu
probabilităŃile asociate posibilelor valori:
M (x ) = ∑ xi Pi
cu ∑ P =1
i
i i

Dispersie = indicator sintetic destinat măsurării împrăştierii

valorilor variabilei de la medie. Dispersia este notată σ 2 , dar şi
2
“var” sau s (numită şi varianŃă).
∑ ( x − x)
i
2
fi
σ2 = i

∑f i
i

Dispersia variabilei aleatoare x:

σ 2 ( x ) = M [x − M (x )]2

Abaterea medie pătratică:

σ = σ2
CovarianŃa (cov) variabilelor x1, x2 reprezintă un indicator de
măsurare a variabilităŃii conjugate privind două variabile aflate într-o
relaŃie de dependenŃă:

Cov(x1 , x2 ) = M [(x1 − M (x1 ))( x2 − M (x2 ))]

Coeficientul de corelaŃie (r) reprezintă un indicator de măsurare
pe o scară numerică cuprinsă între – 1 şi + 1 a legăturii (dependenŃei,
analogiei) dintre două variabile. În varianta Pearson, coeficientul de

∑ (x − x )(y − y )
corelaŃie este definit astfel:
rxy =
nσ xσ y
12
 Eşantion = subansamblu de elemente (unităŃi, cazuri) extrase
(la întâmplare) dintr-un ansamblu (populaŃie). Deseori o secvenŃă de
valori ale unei variabile urmărite (înregistrate) în decursul timpului
este asimilată cu eşantionul. Se notează cu n numărul de unităŃi din
eşantion.

Estimare = calcul sau suită de calcule (algoritm) destinate

obŃinerii unei mărimi numerice (coeficient, parametru) pe baza datelor
unui eşantion. Se notează estimaŃiile cu aˆ , bˆ, αˆ , rˆ.
Estimarea parametrilor unei funcŃii se situează în centrul atenŃiei
econometricienilor.
Test = verificare a unei prezumŃii (ipoteza nulă H0, a negării
existenŃei unei calităŃi a estimaŃiei), în condiŃiile existenŃei unei
repartiŃii proprii estimaŃiei analizate. În urma testării, ipoteza nulă
poate fi acceptată sau poate fi infirmată (respinsă) în favoarea ipotezei
alternative H1. frecvent utilizate în econometrie sunt testele: t –
Student, F – Snedecor, χ 2
(hi-pătrat).

Parametru: Parametrii modelului econometric, numiŃi şi

coeficienŃi de regresie, sunt mărimi reale şi necunoscute care apar în
model în diferite expresii alături de variabile.
Parametrii fac obiectul procesului de estimare şi testare
statistică. Parametrul este o mărime considerată constantă, rezultată în
urma unui calcul bazat pe datele presupuse de variabilele ecuaŃiei /
ecuaŃiilor modelului. De regulă, se au în vedere estimaŃii ale
parametrilor, motiv pentru care se ataşează literei un accent
circumflex.
Locul parametrului în model este alături de variabila factorială la
care se referă (excepŃie face parametrul liber). Se notează cu a, b, a0,
a1, α, β. Este denumit şi coeficient sau estimaŃie.

Estimatori: Estimatorii sunt variabile aleatoare, convenabil

construite în procesul de estimare, cu distribuŃii de probabilitate
cunoscute şi cu proprietăŃi specifice în baza cărora se realizează
procesul de estimare a parametrilor modelului econometric.

13
 Notăm parametrul cu simbolul θ şi un estimator al acestuia cu θˆ
În procesul de estimare, cele mai importante proprietăŃi ale
estimatorilor sunt:
• nedeplasarea - un estimator este nedeplasat dacă media sau
speranŃa matematică a acestuia este egală cu parametrul.
Un estimator nedeplasat verifică relaŃia: M( θˆ ) = θ . Dacă relaŃia nu
este respectată, atunci estimatorul este deplasat.

• convergenŃa - un estimator este convergent dacă pentru un

eşantion cu volum suficient de mare şirul estimatorilor converge

( )
către parametru. Pentru un estimator convergent are loc relaŃia:
lim P θˆn − θ < ε = 0, ∀ε ∈ (0,1).
n →∞

• eficienŃa – estimatorul θˆ este eficient dacă are dispersia sau

varianŃa cea mai mică dintre toŃi estimatorii posibili pentru parametrul
θ.

AutocorelaŃie, autoregresie = noŃiuni care se referă la

dependenŃa dintre termenii poziŃionaŃi la o anumită distanŃă de timp.
Aşadar, este presupusă dependenŃa modificărilor variabilei în raport
cu propriile modificări realizate într-un trecut mai mult sau mai puŃin
apropiat.

AutocorelaŃia implică determinarea intensităŃii corelaŃiei dintre

termenul înregistrat în perioada t şi termenul din perioada t – 1
(coeficientul r1), respectiv din perioada t – 2 (coeficientul r2), etc.

Autoregresia presupune analiza gradului de dependenŃă dintre

seria de date yt şi aceeaşi serie decalată cu 1:
yt = a + byt-1+ ut, unde t = 2, 3, ...,n
Pot fi considerate variabile explicative seriile decalate, în
succesiune cu 1,2,...,k perioade de timp:
yt = a + b1yt-1+...+ bkyt-k + ut

14
 1.5 Demers metodologic

Modelarea econometrică se poate rezuma sintetic la parcurgerea

următoarelor etape:
• formularea problemei în termeni economici, pornind de la o
teorie sau o problemă economică;
• identificarea variabilelor care instrumentează problema;
• identificarea tipului şi formei legăturii dintre variabile, după o
analiză atentă a fenomenului real şi a teoriei economice;
• propunerea unuia sau a mai multor modele care explică realitatea
studiată prin relaŃii de dependenŃă între variabile;
• estimarea parametrilor modelului sau modelelor propuse, pe
baza metodelor statistice cunoscute;
• testarea modelului sau modelelor şi alegerea celui mai bun
model;
• aplicarea în practică sau realizarea de predicŃii pe seama
modelului.

NotaŃii
• y- variabila dependentă;
• xi - variabilele independente, i = 1, 2, ..., k, unde k este numărul
de factori;
• u - variabila reziduală sau eroare;
• y = f(xi) + u - modelul econometric;
• ai, bi - parametrii modelului, i = 1, 2, ..., k;
• n - volumul eşantionului.

15
 Capitolul 2.
Modelul unifactorial

2.1 RelaŃiile de cauzalitate în economie

SituaŃiile în care un proces economic depinde de un singur factor
nu sunt prea frecvente în economie.
Se va aborda dependenŃa începând cu un singur factor, de la
unifactorial la multifactorial, de la particular la general, de la relaŃia
liniară la alte tipuri de dependenŃe.

Exemple de relaŃii din economie care implică un efect şi un

factor important într-o dependenŃă liniară:
• Cererea de alimente strict necesare depinde de numărul
populaŃiei;
• ProducŃia depinde de numărul de ore utilizate efectiv pentru
realizarea ei;
• Rata dobânzii la băncile comerciale este influenŃată de rata
dobânzii de referinŃă;
• Exportul unui produs depinde de nivelul preŃului; etc.

În majoritatea cazurilor:
• DependenŃa nu este totală, (o anumită variabilă depinde sau este
influenŃată îndeosebi de...), aspect care implică recunoaşterea
existenŃei şi a altor cauze de o mai mică importanŃă sau prea puŃin
cunoscute;
• Deseori este specificată existenŃa unor condiŃii care se menŃin
aceleaşi, ceea ce poate fi valabil în condiŃii de laborator, dar numai
temporar poate fi constatat în viaŃa reală pe un segment de cazuri.
• DependenŃa unui proces în raport cu factorul determinant se
poate manifesta diferit în decursul timpului, în raport cu gradul de
stabilitate al celorlalŃi factori importanŃi.
• La aceasta se adaugă influenŃa elementului perturbator provocat
de cauze minore, puŃin cunoscute, mai mult sau mai puŃin
accidentale.

16
 2.2 Modelul liniar simplu
Modelul liniar simplu presupune că între cele două variabile
există o dependenŃă după modelul unei ecuaŃii de gradul întâi sau că
între variabile există o relaŃie de proporŃionalitate.

2.2.1 Prezentarea problemei. Exemple din economie

Modelul liniar simplu este cel mai simplu model econometric
sau cea mai simplă schemă explicativă a dependenŃei dintre două
variabile.
În economie există situaŃii în care un rezultat sau un fenomen
poate fi explicat într-o proporŃie ridicată doar de influenŃa unui singur
factor. Acest factor apare în modelul econometric drept variabilă
independentă, iar restul influenŃelor este preluat de variabila reziduală.

Exemple din economie de modele liniare simple

1) FuncŃia de consum - cererea sau consumul populaŃiei pentru o
anumită categorie de mărfuri este o funcŃie de venit
Ci = a + b Vi+ ui,
unde parametrul b arată de câte ori creşte consumul unui anumit
produs (Ci) la o creştere cu o unitate a venitului şi este de regulă
pozitiv.

2) Legea cererii - cererea populaŃiei pentru o anumită categorie de

mărfuri este în funcŃie de preŃul acestor produse
Ci = a + b Pi+ ui,
unde parametrul b este de regulă negativ şi arată cu cât scade cererea
la o creştere a preŃului cu o unitate.

2.2.2 Model şi ipoteze

Modelul prin care se exprimă dependenŃa în raport cu un singur
factor trebuie să conŃină:
• Variabila efect, notată cu yi;

17
• Variabila cauzală considerată determinantă pentru procesul
analizat, notată cu xi;
• Variabila care poate perturba relaŃia dintre principalele variabile,
expresie a acŃiunii cauzelor minore, numită abatere sau eroare şi
notată cu ui.

Modelul de regresie liniară simplă exprimă legătura liniară

dintre variabile, de forma:
yi = a + b xi + ui
RelaŃia de mai sus se numeşte ecuaŃie de regresie şi reprezintă
funcŃia liniară
yx = a + bx plus eroarea u.
Parametrii (constantele, coeficienŃii) notaŃi a, b urmează să fie
determinaŃi corespunzător datelor numerice ce privesc ansamblul (N)
de cazuri sau urmează să fie estimaŃi dacă datele se referă la un
eşantion (n) de cazuri.

a reprezintă ordonata la origine, care arată valoarea lui y când x = 0;

b reprezintă panta dreptei, numit şi coeficient de regresie.

Parametrul de regresie b arată gradul de dependenŃă dintre

variabile, respectiv cu cât creşte sau scade y la o creştere a variabilei x
cu o unitate.

Variabilele din ecuaŃie sunt:

• y - variabila dependentă, aleatoare;
• x- variabila independentă, nonaleatoare;
• u - variabila aleatoare eroare sau reziduu.

Ipotezele modelului de regresie vizează variabila reziduală şi variabila

independentă. Cele mai importante ipoteze sunt:
• ( )
normalitatea erorilor : ui ≈ N 0, σ 2 , adică variabila reziduală
urmează o lege de repartiŃie normală de medie zero şi varianŃă σ 2 ;
• homoscedasticitate:
var( ui )=σ 2 ,
adică dispersia (varianŃa) erorii este constantă.
• necorelarea erorilor: cov(ui, uj) = 0, adică erorile nu se
influenŃează reciproc;

18
• lipsa corelaŃiei dintre variabila independentă şi variabila eroare:
cov( xi, ui ) = 0.

2.3 Estimarea parametrilor modelului

În practică, determinarea parametrilor la nivelul populaŃiei totale
nu este posibil de realizat, fapt care impune estimarea parametrilor.
Folosind date înregistrate asupra unui eşantion de n perechi de
observaŃii asupra variabilelor x şi y, se calculează estimaŃiile â şi b̂
ale parametrilor a şi b .
Pentru diverse eşantioane de volum n se obŃin diverse estimaŃii
pentru parametrii modelului de regresie liniară.
MulŃimea acestora descrie aşa-numiŃii estimatori ai parametrilor
a, b.
Estimatorii sunt variabile aleatoare a căror distribuŃie se poate
descrie în anumite ipoteze impuse modelului.

Exemplu
Se caută să se verifice în ce măsură numărul populaŃiei x
determină vânzările unui produs de uz curent y. Datele culese din 16
localităŃi sunt următoarele:
x-populaŃia
(zeci de mii
loc.) 2 3 3 5 6 6 6 7 8 8 9 10 10 11 12 13
y-vânzări (mii
kg) 10 12 14 28 30 32 28 35 40 45 45 52 55 54 58 60

Reprezentarea într-un sistem de axe a punctelor de coordonate xi,

yi descrie un nor de puncte a cărui formă urmează mai curând o
dreaptă decât o linie curbă.
Acest fapt ne îndreptăŃeşte să acceptăm drept model a relaŃiei de
dependenŃă funcŃia
yˆ = a + bx

19
 Diagrama împrăştierii

80

60
V ânzări

40 y-vânzări (mii kg)

20

0
0 5 10 15
PopulaŃia

De la fiecare punct ( xi, yi ) până la dreaptă se constată existenŃa

unor distanŃe mai mari sau mai mici, reprezentând abateri generate de
acei factori consideraŃi nesemnificativi, accidentali, având un rol
perturbator.
Se notează distanŃa de a fiecare punct ( xi, yi ) până la punctul
corespunzător de pe dreaptă (xi , yˆ i ) cu ui. Atunci mărimea abaterii
este diferenŃa: ui = yi − yˆ i
În continuare se caută obŃinerea de soluŃii pentru parametrii a şi
b, deschizând perspectiva analizei statistice, analizei economice,
prognozei vânzărilor.
Pentru realizarea acestor obiective se urmăreşte obŃinerea unor
estimări (pentru că se dispune doar de secvenŃe / eşantioane de date)
care să conducă la:
• ObŃinerea unui grad de determinare (a efectului de către cauză)
cât mai mare;
• Abaterile dintre valorile empirice ale variabilei efect y şi valorile
aceleiaşi variabile obŃinute pe baza modelului şi poziŃionate pe
dreaptă ( , valori ajustate,ŷ teoretice), să fie cât mai mici;
• EstimaŃiile obŃinute pentru parametri să fie cât mai precise, să
tindă spre adevăratele valori ale parametrilor pe măsură ce
eşantionul creşte.

20
 Metode de estimare care îndeplinesc condiŃiile enumerate sunt:
• Metoda celor mai mici pătrate (MCMMP);
• Metoda verosimilităŃii maxime (MVM);
• Metoda bayesiană.

Metoda celor mai mici pătrate implică cele mai mici costuri
pentru aplicarea ei.

2.4 NoŃiuni privind datele şi soluŃiile

Se numesc valori / niveluri empirice ale variabilelor y sau x
acele mărimi numerice obŃinute din statistici. Se notează cu xi, yi, iar
pe grafic apar sub formă de puncte de coordonate (xi, yi).
Se numesc valori / niveluri ajustate sau teoretice, acele valori
care urmează să fie generate de model, notate .Ele ŷse
i obŃin după
estimarea parametrilor.
Se numesc valori adevărate ale parametrilor acele soluŃii la care
s-ar ajunge dacă s-ar cunoaşte toate valorile pe care le iau x, y. Aceste
valori se notează cu a şi b, iar numărul total de cazuri cu N.
Se numesc valori estimate ale parametrilor acele soluŃii care
rezultă în urma utilizării datelor pe care variabilele xi, yi le-au
înregistrat într-un eşantion. Aceste soluŃii se notează cu aˆ , bˆ , iar
numărul de cazuri incluse în eşantion cu n.
În marea majoritate a cazurilor se lucrează cu eşantioane, astfel
încât se obŃin, frecvent, estimaŃii.
Doar în sfera teoriei ne referim la valori adevărate ale
parametrilor.

2.5 Metoda celor mai mici pătrate

Metoda celor mai mici pătrate consideră abaterea următoare
drept element cheie: ui = yi − ~ yi
Ridicarea la pătrat şi însumarea pătratelor abaterilor conduce la
calculul sumei: n n
S = ∑ ui = ∑ ( yi − ~
yi )
2 2

i =1 i =1

21
 CondiŃia este ca estimaŃiile să fie astfel alese încât această sumă
să fie minimă.
Întrucât ~
y = aˆn + bˆx se rescrie expresia astfel:
S = ∑ yi − aˆ + bˆxi[ (
2
)]
i =1
Punctul de extrem se obŃine prin egalarea cu zero a derivatelor
parŃiale în raport cu necunoscutele â şi b̂ .

Rezultă sistemul:
( )
 ∂S aˆ , bˆ

n
(
= 2∑ yi − aˆ − bˆxi ⋅ (−1) = 0 )
 ∂aˆ
( )
i =1

 ∂S aˆ , b = 2 ( )
ˆ n

∑ yi − aˆ − bˆxi ⋅ (− xi ) = 0
 ∂b ˆ i =1

Ceea ce devine:
  n  n
 naˆ + b ∑ xi  = ∑ yi
ˆ
  i =1  i =1
 n
aˆ  ∑ xi  + bˆ ∑ xi2  = ∑ xi yi
n n

  i =1   i =1  i =1
Se notează:
1 n 1 n
x = ∑ xi , y = ∑ yi
n i =1 n i =1
Se obŃine soluŃia:
aˆ = y − bˆx

bˆ =
∑ ( y − y )(x − x )
i i

∑ (x − x )
2
i

2.5.1 Interpretarea parametrilor estimaŃi

b̂ indică cu câte unităŃi naturale (în care este exprimat y) se
modifică variabila – efect (creşte pentru b̂ > 0, scade pentru b̂ < 0)
dacă factorul x creşte cu 1 (adică cu o unitate naturală în care este
exprimat x). b̂ indică panta dreptei de regresie (slope).
â nu are interpretare economică ci doar semnificaŃia sa de ordonată
la origine (intercept).

22
Exemplu

x y y-M(y) x-M(x) (y-M(y))(x-M(x)) (x-M(x))2

2 10 -27.375 -5.4375 148.8515625 29.566406
3 12 -25.375 -4.4375 112.6015625 19.691406
3 14 -23.375 -4.4375 103.7265625 19.691406
5 28 -9.375 -2.4375 22.8515625 5.9414063
6 30 -7.375 -1.4375 10.6015625 2.0664063
6 32 -5.375 -1.4375 7.7265625 2.0664063
6 28 -9.375 -1.4375 13.4765625 2.0664063
7 35 -2.375 -0.4375 1.0390625 0.1914063
8 40 2.625 0.5625 1.4765625 0.3164063
8 45 7.625 0.5625 4.2890625 0.3164063
9 45 7.625 1.5625 11.9140625 2.4414063
10 52 14.625 2.5625 37.4765625 6.5664063
10 55 17.625 2.5625 45.1640625 6.5664063
11 54 16.625 3.5625 59.2265625 12.691406
12 58 20.625 4.5625 94.1015625 20.816406
13 60 22.625 5.5625 125.8515625 30.941406
7.438 37.375 800.375 161.9375
b= 4.942493 a= 0.6152065

2.5.2 Analiza de regresie şi modalitatea de estimare a

parametrilor
În procesele economice se observă că pentru un nivel oarecare al
factorului se constată o diversitate de valori privind efectul declanşat.
Acest aspect poate fi constatat fie pentru mai multe cazuri în
care factorul, deşi constant ca nivel, generează efecte diferite, fie în
situaŃiile în care se analizează mai multe eşantioane, iar un nivel
identic al factorului de la un eşantion la altul generează efecte diferite.

RelaŃia dintre cauză şi efect nu este de tip determinist.

Pe lângă factorul cu rol determinant există şi un element aleator
care perturbă relaŃia dintre cauză şi efect.

23
 RelaŃia de dependenŃă este dată de funcŃia stochastică (stochastic
= aleator, întâmplător):
y = a + bx + u
În situaŃia în care datele se referă la întreaga populaŃie se obŃine
o funcŃie de regresie a populaŃiei (FRP):
y = a + bx + u
unde coeficienŃii a, b reprezintă valorile adevărate ale parametrilor.
În practică rareori se apelează la toate cazurile care formează
populaŃia, întrucât această variantă de lucru implică eforturi deosebite.
Este de preferat utilizarea datelor unui eşantion:
• În optica transversală: 35 firme sau 60 familii sau 80 clienŃi
bancari;
• În optica temporală: 20 trimestre în care s-au realizat importuri;
18 ani în care s-a înregistrat evoluŃia producŃiei; 16 luni în care
se cunoaşte rata dobânzii; etc.
Pe baza datelor unui eşantion se pot obŃine doar estimări ale
parametrilor care apar în funcŃia stochastică a eşantionului (FSE):
yˆ i = aˆ + bˆxi
ObŃinerea valorilor estimate pentru constantele funcŃiei
stochastice deschide perspective cum ar fi:
• Cuantificarea rolului variabilei factoriale (x) asupra variabilei
efect, exprimată de nivelul b̂ ;
• ObŃinerea de valori ajustate ale nivelurilor variabilei efect
adică valori yi datorate exclusiv influenŃei factorului determinant;
• Calculul abaterilor ui = yi − yˆ i este util, analiza acestei serii de
valori reziduale conduce la aprecieri privind calitatea modelului;
• Determinarea unor previziuni privind evoluŃia variabilei efect
în condiŃiile în care nivelul viitor al factorului este previzibil şi nu se
întrevăd schimbări majore în relaŃia dintre x şi y.

Astfel de perspective sunt de interes pentru analiza şi prognoza

în economie.
Ele justifică importanŃa atribuită estimării în econometrie, dar şi
interesului acordat verificării modului în care au fost obŃinute
estimările, calităŃile acestora şi, în general, aprecierea performanŃelor
modelului.

24
 2.6 Alte metode de estimare

Între metodele de estimare, MCMMP se particularizează prin:

frecvenŃa utilizării, existenŃa unui număr relativ mare de variante,
atracŃia pe care o exercită asupra economiştilor. Există şi alte metode,
ca de exemplu: metoda verosimilităŃii maxime, metoda bayesiană,
metoda punctelor perechi.

Metoda verosimilităŃii maxime

Metoda verosimilităŃii maxime este recunoscută ca un procedeu

de estimare dintre cele mai performante. MVM urmăreşte obŃinerea
unor astfel de estimaŃii pentru parametri încât probabilitatea
reproducerii valorilor (datelor) eşantionului, folosind estimaŃiile, să fie
maximă.
Se urmăreşte obŃinerea acelor soluŃii (pentru parametri) pentru
care funcŃia de verosimilitate corespunzătoare, rezultată din repetate
sondaje, atinge valoarea sa maximă. FuncŃia de verosimilitate se referă
la probabilitatea simultană de realizare a valorilor yi privite ca funcŃie
de unul sau mai mulŃi parametri. În cazul modelului unifactorial,
probabilitatea simultană reprezentată de densitatea de repartiŃie a
valorilor y1, y2, ..., yn date fiind constantele a, b, σ 2, este reprezentată
de:

( ) = ∏ f (y )
n
f y1 , y 2 ,..., y n / a , b, σ 2
i
i =1
întrucât independenŃa evenimentelor implică produsul probabilităŃilor.
Dacă se are în vedere repartiŃia normală a valorilor yij în cazul fiecărui
xi, (se lucrează pe mai multe eşantioane) de medie M(y/x) = a + bx şi
de dispersie independentă de x, atunci densitatea de repartiŃie a
valorilor yi este reprezentată de funcŃia de verosimilitate:
∑ [ yi −(a+bx )]2
( ) ( )
n 1
L = f y1 , y2 ,..., yn / a, b, σ 2 = ∏ f ( yi ) = σ 2 ⋅ 2π
− n
2 e− 2σ 2
i =1

În continuare, se urmăreşte estimarea valorilor a, b, σ 2 care

conduce la maximizarea probabilităŃii de reproducere a datelor
eşantionului (y1, y2, ..., yn).

25
 Aceasta presupune maximizarea funcŃiei de verosimilitate. Se
pune deci problema găsirii unui extrem al unei funcŃii, ceea ce se
rezolvă prin egalarea cu zero a derivatelor parŃiale în raport cu fiecare
dintre cele trei necunoscute. În acest scop, se preferă reprezentarea în
formă logaritmată:
n
(
ln L = − ln 2π ⋅ σ 2 −
2
) 1
2σ 2
∑ [ y − (a + bx )]2

EcuaŃiile la care se ajunge prin egalarea cu zero a derivatelor

parŃiale sunt următoarele:
∂ ln L
= 0 ⇒ − 2 ∑ ( y − a − bx )(− 1) = 0 ⇒ na + b∑ x = ∑ y
1
∂a σ
∂ ln L
= 0 ⇒ − 2 ∑ ( y − a − bx )(− x ) = 0 ⇒ a ∑ x + b∑ x 2 = ∑ xy
1
∂b σ
∂ ln L
= 0 ⇒ −
n
+
1
∑ [ y − (a + bx )]2
= 0 ⇒ σ 2
=
1
∑ u 2

∂σ 2 2σ 2 2σ 4 n

Pentru a şi b ecuaŃiile sunt identice cu cele rezultate în cazul

MCMMP. Se mai adaugă relaŃia de estimare a necunoscutei σ 2.

Metoda bayesiană de estimare

Metoda bazată pe analiza bayesiană are în vedere atât datele

eşantionului (privind yi, xi) cât şi informaŃiile apriori cunoscute privind
parametrii (din teoria economică sau cercetări anterioare). La acestea
se adaugă, învederea estimării, şi o funcŃie a pierderii (costului,
riscului) datorată abaterilor valorilor estimate de la cele adevărate.
EstimaŃiile punctiforme rezultă prin introducerea în calcule a
ambelor categorii de informaŃii:
• informaŃii apriorice care conduc la probabilităŃi apriorice,
P(b/I0);
• informaŃii bazate pesondaj, cărora le este specifică o funcŃie de
verosimilitate P(y/b).
Ambele tipuri de informaŃii conduc la obŃinerea aşa-numitelor
probabilităŃi revizuite P(b/y,I0).
Regula lui Bayes face posibilă obŃinerea funcŃiei densităŃii de
repartiŃie revizuită:

26
 P( y / b ) ⋅ P (b )
P(b / y, I 0 ) =
P( y ) .

( )
Introducerea în calcul a funcŃiei pierderi L = L bˆ, b este
motivată de considerentul că abaterea estimaŃiei de la valoarea
adevărată provoacă o pierdere (un cost, un risc) proporŃională cu
mărimea abaterii (în valoare absolută).

Metoda punctelor pereche

În vederea estimării parametrilor funcŃiei liniare sunt strict

necesare două perechi de valori yixi (existând 2 parametri) alese în
zone distincte şi, pe cât posibil, neafectate de abateri accidentale
semnificative.
În cazul în care funcŃia este neliniară, se alege un număr de
perechi de valori egal cu numărul necunoscutelor (parametrilor).
Pentru o cât mai bună aproximare a constantelor modelului se
recomandă extrageri de perechi de valori din zone caracteristice
relaŃiei dintre variabile. Astfel, pentru cazul liniar se recomandă
perechile de la începutul, respectiv sfârşitul seriei de date; pentru
polinomul de gradul II:
y = a + bx + cx2 + u
se aleg perechi de valori yixi aflate la începutul seriei, la mijlocul
acesteia şi în zona finală. Sistemul de ecuaŃii la care se ajunge permite
obŃinerea soluŃiilor.

27
 Capitolul 3
Modelul multifactorial

O apropiere a modelului econometric de diversitatea şi

complexitatea proceselor economice presupune analiza relaŃiei dintre
variabila efect şi un ansamblu de factori determinanŃi, precum şi
includerea unor relaŃii de tip neliniar.

3.1 Cazul liniar multifactorial

În practică sunt puŃine fenomene economice care depind în mod
semnificativ de un singur factor.
SituaŃia mult mai frecventă este aceea în care nivelul
fenomenului economic este rezultanta mai multor factori importanŃi la
care se adaugă şi rolul unor factori mai puŃin cunoscuŃi, presupuşi a fi
nesemnificativi.
Este necesară includerea în mod explicit a factorilor cu influenŃă
determinantă, astfel încât să se reducă perturbaŃia.

Exemple
• ProducŃia industrială este influenŃată de cantitatea şi calitatea
fondurilor fixe, ca şi de numărul salariaŃilor;
• ProducŃia vegetală din agricultură depinde de cantitatea de
îngrăşăminte, umiditatea solului, utilajele folosite, calitatea lucrărilor;
• Volumul investiŃiilor depinde de cuantumul economiilor, rata
dobânzii, investiŃiile începute;
• Cererea de mărfuri este funcŃie de ofertă, venituri, publicitate,
preŃuri.

Atât în teoria economică, cât şi în practică se găsesc astfel de

factori determinanŃi, inclusiv direcŃia în care fiecare dintre ei
influenŃează variabila-efect.

28
 Ceea ce nu se cunoaşte este măsura în care fiecare factor
influenŃează variabila-efect. În realizarea unei astfel de măsurători
intervine econometria.
RelaŃia este de tip multidimensional, în care apar k factori:
yi = f (x1i , x2i ,..., xki )
~
FuncŃia de regresie este de forma:
M ( yi / x1i , x2i ,..., xki ) = f (x1i , x2i ,..., xki )
unde M ( yi / x1i , x2i ,..., xki ) reprezintă media distribuŃiei variabilei-
efect condiŃionată de modificările de nivel constatate în ce priveşte
factorii importanŃi luaŃi în calcul.

În cazul în care relaŃia dintre variabila-efect şi fiecare dintre

cauze este de tip liniar se obŃine:
M ( yi / x1i , x2i ,..., xki ) = a0 + a1 x1i + a2 x2i + ... + ak xki
Forma stochastică a modelului de regresie include şi variabila
reziduală u prin intermediul căreia sunt evidenŃiate influenŃele
accidentale, minore ca importanŃă, întâmplătoare (aleatoare,
stochastice) ca mod de comportare, dar care pot genera o abatere
oarecare asupra variabilei-efect:
yi = a0 + a1 x1i + a2 x2i + ... + ak xki + ui
De remarcat faptul că atunci când se face referire la un caz
aparte şi nu la medie, elementul perturbator u este luat în calcul, iar
introducerea lui conferă modelului atributul de stochastic, apropiindu-l
de modalitatea reală de desfăşurare a proceselor economice.
În cele ce urmează se abordează un caz multifactorial în care
variabila-efect depinde de 2 factori, printr-o relaŃie de tip liniar.

3.2 Etapele demersului:

• Elaborarea modelului;
• Estimarea parametrilor;
• Verificarea semnificaŃiei rezultatelor estimării;
• Utilizarea modelului în vederea analizei şi prognozei.

29
 3.2.1 Specificarea
Se presupune că studiul se referă la analiza cererii de servicii de
către populaŃie în raport cu cauzele care determină o astfel de cerere.
Din sursele teoretice şi practice rezultă doi factori: veniturile
disponibile ale populaŃiei şi oferta de servicii existentă pe piaŃă.

Datele de care dispunem se referă la valori trimestriale privind:

• Ponderea cheltuielilor destinate serviciilor în bugetul familiei –
reprezintă variabila-efect notată cu y;
• Venitul mediu ce revine pe membru de familie (în mii lei) –
reprezintă primul factor, notat cu v;
• InvestiŃiile în domeniul serviciilor destinate populaŃiei (în
milioane lei) – reprezintă al doilea factor, notat cu z.

Datele pentru n = 15 trimestre succesive:

y% 10 11 12 14 15 16 16 17 16 18 18 18 19 19 21
v (mii lei) 1.5 1.5 2 2 2 2.2 2.5 2.4 2.4 3 3 3 3.2 3.3 3.5
z (mil. lei) 0.8 1 1.5 2 1.8 1.8 2 2.4 2.1 2.1 2.6 2.4 2.5 2.2 2.8

Se acceptă varianta liniară.

Specificarea modelului conduce la următoarea reprezentare:
yi = aˆ0 + aˆ1vi + aˆ 2 zi + ui
unde aˆ 0 , aˆ1 , aˆ 2 reprezintă estimaŃii ale parametrilor întrucât se
utilizează date pentru un eşantion.

MenŃiuni:
1. Stabilirea factorilor şi a funcŃiei reprezintă o bază de pornire, în
sensul că opŃiunile făcute în faza specificării urmează să fie verificate
în etapele următoare (în etapa verificării şi a utilizării modelului).
2. Important în această etapă:
• Asigurarea unui număr suficient de mare de cazuri n ≥ 15 ,
superior numărului de parametri din model;
• Stabilirea factorilor cu rol realmente determinant şi
independenŃi între ei;
• Eroarea de specificare ar putea consta fie în alegerea unui număr
prea mic de cazuri, fie alegerea unui număr prea mare de factori, fie
alegerea greşită a funcŃiei.

30
 3.2.2 Estimarea parametrilor
• Se caută soluŃii pentru necunoscute, adică obŃinerea de
estimatori de calitate aˆ0 , aˆ1 , aˆ.2
• Se utilizează metoda celor mai mici pătrate, adică suma
pătratelor abaterilor să fie minimă:
n n

∑ u = ∑ [ y − (aˆ + aˆ1vi + aˆ 2 zi )]
2 2
i i 0
i =1 i =1

• Se egalează cu 0 derivatele parŃiale în raport cu fiecare

necunoscută.
• Se obŃine punctul de minim al expresiei.
∂ ∑ ui2
i
=0
∂aˆ0
2∑ ( yi − aˆ0 − aˆ1vi − aˆ 2 zi ) ⋅ (− 1) = 0
i

∂ ∑ ui2
i
=0
∂aˆ1
2∑ ( yi − aˆ0 − aˆ1vi − aˆ 2 zi ) ⋅ (− vi ) = 0
i
∂ ∑ ui2
i
=0
∂aˆ 2
2∑ ( yi − aˆ0 − aˆ1vi − aˆ 2 zi ) ⋅ (− zi ) = 0
i

Rezultă sistemul de ecuaŃii normale:

naˆ0 + aˆ1 ∑ vi + aˆ 2 ∑ zi = ∑ yi
i i i

aˆ0 ∑ vi + aˆ1 ∑ v + aˆ 2 ∑ vi zi = ∑ vi yi
2
i
i i i i

aˆ0 ∑ zi + aˆ1 ∑ vi zi + aˆ 2 ∑ zi2 = ∑ zi yi

i i i i

31
Sistemul se poate scrie în formă matriceală astfel:

 n
 ∑ v ∑ z   aˆ   ∑ y 
0

∑v ∑ v ∑ vz  ⋅  aˆ  =  ∑ yv 
2
1
 z
∑ ∑ vz ∑ z   aˆ   ∑ yz 
2
2

Se notează:
• matricea coeficienŃilor cu X
• matricea necunoscutelor cu A
• matricea termenilor liberi cu Y
Sistemul se scrie astfel:
XA = Y
SoluŃia se obŃine: A = X – 1 Y

Exemplu

y v z v2 z2 vz yv yz
10 1.5 0.8 2.25 0.64 1.2 15 8
11 1.5 1 2.25 1 1.5 16.5 11
12 2 1.5 4 2.25 3 24 18
14 2 2 4 4 4 28 28
15 2 1.8 4 3.24 3.6 30 27
16 2.2 1.8 4.84 3.24 3.96 35.2 28.8
16 2.5 2 6.25 4 5 40 32
17 2.4 2.4 5.76 5.76 5.76 40.8 40.8
16 2.4 2.1 5.76 4.41 5.04 38.4 33.6
18 3 2.1 9 4.41 6.3 54 37.8
18 3 2.6 9 6.76 7.8 54 46.8
18 3 2.4 9 5.76 7.2 54 43.2
19 3.2 2.5 10.24 6.25 8 60.8 47.5
19 3.3 2.2 10.89 4.84 7.26 62.7 41.8
21 3.5 2.8 12.25 7.84 9.8 73.5 58.8
240 37.5 30 99.49 64.4 79.42 626.9 503.1

32
Matricele
 15 37,5 30 
 
X =  37,5 99,49 79,42 
 30 79,42 64,4 
 
 240   4,104588 
   
Y =  626,9  A =  2,842506 
 503,1   2,394573 
   

3.2.3 Interpretarea estimaŃiilor obŃinute pentru

parametri
• Interpretarea lui â1:
La o creştere a venitului cu o unitate (o mie de lei), cererea pentru
servicii (y) creşte, în medie, cu 2,842506%, în condiŃiile în care oferta
(z) rămâne constantă.
• Interpretarea lui â2 :
La o creştere a ofertei (redată prin investiŃii) cu o unitate (1 milion
lei), cererea pentru servicii creşte, în medie, cu 2,394573%, în
condiŃiile în care veniturile rămân aceleaşi.

Interpretarea se referă şi la semnul parametrului. Dacă semnul

este plus, relaŃia dintre y şi x este de acelaşi sens (creşte x, creşte şi y;
scade x, scade şi y).
Dacă semnul este minus, relaŃia este de sens invers (creşte x,
scade y).
Parametrul â0 nu are o interpretare economică, dar se poate
considera ca fiind nivelul variabilei-efect când factorii determinanŃi
sunt nuli.
În general, în modelul multifactorial, interpretarea parametrului
estimat â j indică cu cât se modifică (creşte sau scade, în funcŃie de
semnul parametrului) în medie variabila-efect (y) la o creştere cu o
unitate a factorului xj în condiŃiile în care ceilalŃi factori determinanŃi
introduşi în model sunt consideraŃi constanŃi.

33
 3.3 Aplicarea modelului econometric
multifactorial
Alegerea variabilelor independente din model (a variabilelor
factoriale) reprezintă o primă problemă care se cere rezolvată. Sursele
de informaŃii care pot sugera cele mai importante cauze care
determină variabila dependentă sunt:
• Manualele de economie, fie că se referă la teoria economică în
general, fie la macroeconomie sau microeconomie, la sectoare ale
economiei sau domenii de activitate, includ informaŃii referitoare la
factorii determinanŃi;
• Reviste sau publicaŃii ştiinŃifice în care pot apărea cercetări
similare, dar şi unele care au doar tangenŃă cu tema propusă. Exemple:
Studii şi cercetări de calcul economic şi cibernetică economică,
Revista Română de Statistică, PiaŃa de capital, Economistul, Revista
financiară, etc;
• Periodice în care sunt publicate trimestrial sau lunar date şi
analize conjuncturale, precum buletinele Comisiei NaŃionale de
Statistică sau ale BNR.

3.3.1 Datele numerice

O altă problemă o reprezintă datele numerice şi accesul la un
număr suficient de date de calitate.
Sursele cele mai importante de date pot fi:
• buletinele statistice (producŃia, comerŃul exterior, preŃurile);
• anuarele statistice (date privind indicatorii macroeconomici,
situaŃia pe judeŃe, indicatorii resurselor, comerŃul internaŃional);
• buletinele Băncii NaŃionale a României (serii de date privind
inflaŃia, dobânzile, creditul, exportul, importul);
• buletinele diverselor instituŃii, privind calitatea vieŃii (statistica
bugetelor de familie)
• evidenŃele agenŃilor economici (bilanŃul);
• anchetele pe teren prin care pot fi obŃinute şi date cu privire la
factorii latenŃi, de natură psihologică, etc.

În etapa culegerii datelor, pot să apară următoarele aspecte:

34
a) posibilitatea de a utiliza serii cronologice de date (valori anuale,
trimestriale, lunare) sau de a utiliza serii transversale (un eşantion de
localităŃi, familii, întreprinderi). Pentru a opta între cele două
alternative se are în vedere existenŃa de date în aceeaşi alternativă
pentru toate variabilele. Se optează pentru serii cronologice dacă
scopul este obŃinerea de prognoze în timp, respectiv optica
transversală pentru analizarea rolului fiecărui factor.
b) datele la care avem acees nu se referă exact la variabilele
preconizate spre a forma modelul, dar există posibilitatea de a le
înlocui cu variabile foarte apropiate ca şi conŃinut. Exemplu: venitul
permanent disponibil se poate înlocui cu venitul brut, cererea cu
vânzările, oferta cu producŃia.
c) datele sunt mult prea puŃine, nu se pot forma serii de cel puŃin 15-
20 termeni. Se recomandă înlocuirea datelor anuale cu cele
trimestriale sau lunare sau suplimentarea numărului de cazuri din
eşantion pentru seriile transversale.
d) datele sunt susceptibile de erori, ceea ce implică verificarea lor atât
din perspectiva cantitativă (absenŃa de valori în unele cazuri, absenŃa
unităŃii de măsură, greşeli de calcul), cât şi calitativă (valori aberante
total atipice, indicatori obŃinuŃi în condiŃii diferite în ce priveşte
metoda sau aria de cuprindere) Se recomandă efectuarea de corecŃii
(completări, corectarea calculelor, eliminarea valorilor aberante).
O atenŃie deosebită trebuie acordată valorilor exprimate în
preŃuri curente. În frecvente cazuri este necesară deflaŃionarea datelor
(împărŃirea valorilor exprimate în preŃuri curente la indicele de preŃuri,
în vederea exprimării valorilor în preŃurile anului de bază la care se
referă indicele).

3.4 Modele neliniare

Pentru descrierea unui număr mare de procese economice sunt
necesare modele neliniare.

3.4.1 Modele neliniare în raport cu variabilele dar

liniare în raport cu parametrii
Parametrii sunt la puterea 1. Aceste modele pot fi convertite în
modele liniare prin transformări corespunzătoare.
35
 Exemple:
ProducŃia vegetală = a + bX + cX2 + u,
unde X este umiditatea solului.
Pentru X2 = Z, modelul devine:
ProducŃia vegetală = a + bX + cZ + u

PreŃul produsului = a + b(1/Q) + u,

unde Q = cantitatea existentă pe piaŃă.
Pentru 1/Q = Z, modelul devine:
PreŃul produsului = a + bZ + u

ProducŃia industrială Q = AMaKbeu,

unde Q = producŃia, M = munca,
K = capitalul, e = 2,71... .
Se logaritmează şi se notează: lnQ = y,
lnM = x, lnK = z, lne =1, lnA = c.
Modelul devine: y = c + ax + bz + u

Pentru fiecare exemplu de model neliniar s-a ajuns la o formă

liniară de reprezentare, abordabilă în ceea ce priveşte estimarea
parametrilor prin metoda celor mai mici pătrate.

3.4.2 Modele neliniare, neabordabile prin MCMMP

Variantele neliniare neabordabile prin metoda celor mai mici
pătrate sunt fie modele neliniare în raport cu parametrii (cel puŃin un
parametru e la o putere diferită de 1), fie în raport cu parametrii, dar şi
cu variabilele, fie reprezentări în care variabila reziduală este inclusă
în model într-o formă care împiedică liniarizarea.

Exemple
FuncŃia de cost de forma:
y = a + bX +u
unde b este la puterea 1/2, model neliniar în parametrul b.
FuncŃiile de consum de forma:
y = aX + a 2 Z + u
36
model neliniar în parametrul a.
sau:
y = a + bx c + u
sau:
1
y= ax + b
+u
1+ e
FuncŃia de producŃie:
y = ax b z c + u
unde variabila reziduală u este inclusă în variantă aditivă, ceea ce face
dificilă liniarizarea.

În astfel de situaŃii nu se recomandă utilizarea MCMMP, din

următoarele motive:
• pentru reprezentările în care cel puŃin un parametru apare la o
putere diferită de 1, nu este sigur că estimaŃiile sunt compatibile cu un
minim global în ce priveşte suma pătratelor reziduurilor;
• pentru reprezentările în care modalitatea de includere a variabilei
reziduale nu permite liniarizarea, nu pot fi argumentate prezumŃiile
conform cărora variabila reziduală este normal distribuită, având
media egală cu zero şi dispersia finită şi relativ constantă pe segmente
de valori.
Pentru obŃinerea de estimaŃii privind parametrii se apelează la
algoritmi care aplică metode numerice în vederea obŃinerii de soluŃii
în cazurile de neliniaritate.
Etapele algoritmului
1. IniŃializarea parametrilor;
2. Determinarea sumei pătratelor valorilor reziduale obŃinute;
3. Modificarea valorilor ultimelor estimaŃii, astfel încât suma să se
diminueze;
4. Se compară ultima sumă cu cea anterior obŃinută şi se reia
procesul de la pasul 3 până când mărimea sumei converge spre o
valoare stabilă.

37
 3.5 Variabile calitative în economie

În economie, alături de procese cantitative, care pot fi măsurate,

există şi variabile a căror intensitate este exprimată prin atribute:
serviciu satisfăcător / nesatisfăcător; apreciere excelentă, foarte bună,
bună, mulŃumitoare, negativă; risc maxim, moderat, minim.
Variabilele care se referă la însuşiri, calităŃi, categorii, a căror
intensitate este exprimată prin atribute, grade de comparaŃie, aprecieri
sunt variabile calitative.
Rolul factorilor de natură calitativă este important pentru analiza
şi prognoza proceselor economice.

Exemple

• ProducŃia depinde de dotarea cu utilaje şi de numărul de

angajaŃi, dar şi de managementul procesului de producŃie;
• Economiile populaŃiei sub formă de depozite la o anumită bancă
depind de rata dobânzii, dar şi de încrederea deponenŃilor în banca
respectivă;
• Vânzările de bunuri durabile depind de preŃ, dar şi de calitate sau
de temerile cumpărătorilor cu privire la accentuarea inflaŃiei;
• Exportul unui produs pe o piaŃă depinde de preŃul ofertei, cursul
de schimb, dar şi de renumele mărcii şi încrederea existentă pe acea
piaŃă privind calitatea produsului;
• SituaŃia de a fi acceptat sau nu în urma unui interviu depinde de
prestaŃie, vârstă, putere de convingere;
• Starea de spirit a populaŃiei depinde de frecvenŃa conflictelor
sociale, venituri, gradul de stabilitate şi competenŃa guvernanŃilor, etc.
În termenii econometriei, introducerea factorilor de natură
calitativă, în situaŃiile în care rolul lor este presupus semnificativ,
conduce la creşterea gradului de determinare şi la un plus de calitate a
estimaŃiilor obŃinte pentru parametri.
Problema cuantificării (exprimării prin numere) variabilelor
calitative reprezintă o etapă de a cărei rezolvare depinde calitatea
analizei economice bazată pe modelul econometric.

38
 3.5.1 Variabilele dichotomice
O variabilă dichotomică (“dummy”, simbolizată prin D) admite
doar două alternative: da/nu; promovat/nepromovat;
masculin/feminin; înainte de momentul t / după momentul t.
Exprimarea cantitativă se face astfel: se atribuie nivelul 1 unei
alternative şi nivelul 0 celeilalte.

Exemplu
Cheltuielile familiilor destinate turismului sunt analizate în
raport cu situaŃia de a avea automobil (D = 1) sau de a nu avea
automobil (D = 0).
C = a + b D(1,0)
Cheltuieli
(sute lei) 20 40 50 10 10 50
D 0 1 1 0 0 1
Factorii introduşi în model sunt exclusiv de natură dichotomică
În exemplul anterior:
y 20 40 50 10 10 50
x 0 1 1 0 0 1
Se obŃine
aˆ = 13,3333
bˆ = 33,3333
Media cheltuielilor (y) pentru servicii în turism a celor care nu
deŃin autoturism (x=0) este de (20+10+10):3=13,3333,
iar media pentru x = 1 este (40+50+50):3=46,6666
aˆ = y x =0 = 13,3333
aˆ + bˆ = y = 46,6666
x =1

Factorii introduşi în model reprezintă o variabilă cantitativă şi o

variabilă calitativă
Exemplu:
• Consumul de cafea C
• Vârsta consumatorului v
• Sexul D(1,0), unde D = 1 (F) şi D = 0 (M)

39
 C = a0 + a1v + a2 D(1,0) + u
Datele

C 2 0 4 2 8 8 12 3 6 4 1 6 6 1 2

v 20 18 30 21 40 50 60 42 35 51 19 62 44 25 40

D 1 0 1 0 1 1 1 0 1 0 1 1 0 0 1

Dacă într-o primă variantă se face abstracŃie de variabila D,

adică se consideră relaŃia de forma:
C = a0 + a1v + u
Se obŃine:
aˆ0 = −2,12503
aˆ1 = 0,173924

În varianta a doua, considerând ecuaŃia de forma:

C = a0 + a1v + a2 D(1,0 ) + u
Se obŃin valorile:
aˆ0 = −2,726331823
aˆ1 = 0,16098503
aˆ 2 = 1,802923988
Gradul de determinare prin prisma influenŃei celor doi factori a
crescut. De asemenea, estimaŃiile sunt mai apropiate de calităŃile
estimatorilor, comparativ cu prima variantă.

PosibilităŃi de măsurare a variabilei dichotomice

a) Introducerea în calcule a unei alternative (dintre cele două) sub
formă de fecvenŃă sau pondere;
b) Modelul Logit.

a) Pentru a exprima intensitatea prezenŃei unei variabile alternative se

poate recurge la însumarea apariŃiilor uneia dintre alternative (de
exemplu, numărul persoanelor feminine) sau la ponderea frecvenŃei

40
înregistrate pentru o alternativă (ponderea rebuturilor, ponderea
posesorilor de automobile).

b) Modelul Logit este destinat exprimării într-o formă operaŃională

(rezultate numerice obŃinute din calcule bazate pe un model
matematic) a acelor situaŃii în care creşterea unui factor numeric are
drept efect schimbarea unei atitudini de tip dichotomic.

Exemple
Pe măsură ce, în mod experimental, se procedează la creşterea
preŃului unui produs, o parte tot mai mare dintre amatori îşi schimbă
intenŃia de a cumpăra în contrara acesteia (a nu cumpăra).
O creştere treptată a impozitelor într-un interval dat poate avea
drept efect renunŃarea unor plătitori de impozite de a mai plăti prin
lichidarea activităŃii impozabile fie în mod real, fie în mod declarativ.
RelaŃia de dependenŃă este de tipul y=f(x), unde y poate prezenta
două alternative (nu sau da), iar pe măsură ce x înaintează pe scara
valorilor xi ne apropiem de un punct de cotitură de la care alternativa
iniŃială se modifică radical.
Modelul de descriere a unui astfel de proces se bazează pe
funcŃia logistică.
Ponderea răspunsurilor ca urmare a modificării valorilor xi poate
fi reprezentată de egalitatea:

Pi = M ( y = 1 / xi ) =
1
1 + e −(a +bxi )
Se notează:
a+bxi = zi
L = Pi / (1 – Pi)
atunci L = e z, iar lnL = z = a + bxi
În aplicaŃii, Pi = ni / Ni, unde
ni = nr. de răspunsuri da în eşantion
Ni = mărimea eşantionului.

Exemplu
Pentru 4 eşantioane de clienŃi bancari care intenŃionau să solicite
un credit au fost propuse contracte de creditare cu dobândă diferită de

41
la un eşantion la altul. SituaŃia acceptării împrumutului în raport cu
rata dobânzii se prezintă astfel:

Nr. persoane în Rata dobânzii Nr. celor care

eşantion au acceptat
20 2-6 19
30 6-10 24
20 10-14 14
25 14-18 5

Se organizează datele şi se fac calculele:

xi Ni ni Pi 1- Pi L lnL

4 20 19 0.95 0.05 19 2.944439

8 30 24 0.8 0.2 4 1.386294

12 20 14 0.7 0.3 2.3333 0.847298

16 25 5 0.2 0.8 0.25 -1.38629

Se obŃin valorile: a = 4,330733

b = −0,33828
FuncŃia logistică are forma:

1
y=
1 + e −(4,330733−0,33828 x )
O altă posibilitate utilizată în vederea exprimării numerice a unei
variabile calitative presupune înlocuirea acesteia printr-un
reprezentant numeric, numită variabilă reprezentant (proxy-variable),
intens corelată cu variabila calitativă sau fiind un rezultat (un
42
subprodus, o implicaŃie) a acesteia, dar care are avantajul exprimării
numerice.

Exemple
Variabila calitativă îndemânare (în profesie) este reprezentată de
vechime în acea activitate;
Variabila motivare la locul de muncă este reprezentată de evoluŃia
câştigurilor;
Variabila instruire este reprezentată de numărul anilor de studii
şcolare.

Introducerea variabilei reprezentant comparativ cu

neintroducerea ei (şi implicit absenŃa totală a variabilei calitative din
model deşi rolul ei este important) conduce la creşterea gradului de
determinare.

O altă modalitate de măsurare a variabilelor caliative este prin

atribuirea de numere formând un şir corespunzător creşterii intensităŃii
calităŃii unui proces exprimat prin atribute sau categorii de calitate.

Exemple
Şirul ordonat 1, 2, 3, ... corespunde categoriei de încadrare care
poate fi hotel de 1 stea, 2 stele, etc.;
Atribuirea de note alternativelor existente într-o scalogramă:
1,2,3,4,5, reprezentând acord cu o afirmaŃie: de loc, slab, mediu,
puternic, foarte puternic.

43
 Capitolul 4
Verificarea semnificaŃiei statistice a
rezultatelor estimării. Testul t, testul F

4.1 Necesitatea etapei verificării

• Datele utilizate provin dintr-un eşantion care nu întotdeauna este
reprezentativ;
• Rolul cauzelor accidentale ca şi cel al întâmplătoarelor analogii
în ceea ce priveşte evoluŃiile factorilor incluşi în model poate conduce
la estimaŃii ale parametrilor care fie contrazic aspecte evidente şi
anticipate din economie, fie exprimă deformat rolul factorilor;
• Lipsa de experienŃă şi subiectivismul celui care elaborează
modelul econometric, slăbiciuni care se manifestă fie la alegerea
factorilor (deseori influenŃată de dificultăŃile în obŃinerea de date), fie
la alegerea funcŃiei (predilecŃia pentru funcŃia liniară nu este
întotdeauna suficient argumentată).

Se recomandă:
• Verificări prin confruntarea cu realitatea economică cunoscută
din teorie sau din practică;
• Verificarea în sens statistic a semnificaŃiei rezultatelor estimării;
• Verificarea modalităŃii în care o serie de ipoteze (prezumŃii,
aşteptări) se regăsesc în semnalele pe care le transmit rezultatele
aplicării modelului.

Verificări ale rezultatelor modelării prin compararea

acestora cu realitatea economică
Semnul parametrului poate confirma sau infirma cele cunoscute
din teoria şi practica economică.
Exemple:
• În relaŃia preŃ-vânzări, semnul parametrului corespunzător
preŃului ar trebui să fie minus.
• Într-o funcŃie de producŃie, semnul ataşat factorilor care
determină producŃia ar trebui să fie plus.
44
 Generarea de valori ŷ pe baza modelului estimat şi compararea
lor cu datele empirice (rezultate din observarea pe teren a variabilei y).
Generarea de valori implică înlocuirea în model a simbolurilor
â j cu estimaŃiile obŃinute pentru parametri şi atribuirea de valori
factorilor.
Este de aşteptat ca valorile ajustate ( ŷ ) să fie asemănătoare cu
cele empirice (y), abaterile să fie relativ mici, având o evoluŃie (în
succesiunea obŃinerii) întâmplătoare, atât ca semn cât şi ca mărime.
Dacă, dimpotrivă, abaterile sunt relativ mari sau prezintă o
succesiune sistematică (fie în creştere, fie într-o alternanŃă a semnului
neîntâmplătoare, fie predomină acelaşi semn), atunci trebuie revăzute
fie calculele, fie datele, fie specificarea.

În exemplul unifactorial, dependenŃa vânzărilor de numărul populaŃiei,

se obŃin următoarele rezultate:

x 2 3 3 5 6 6 6 7

y 10 12 14 28 30 32 28 35

y ajustat 10.50019 15.44269 15.44269 25.32767 30.27016 30.27016 30.27016 35.21266

u=y -yajustat -0.50019 -3.44269 -1.44269 2.672329 -0.27016 1.729836 -2.27016 -0.21266

7 8 8 9 10 10 11 12 13

35 40 45 45 52 55 54 58 60

35.2126575 40.15515 40.15515 45.09764 50.04014 50.04014 54.98263 59.92512 64.86762

-0.2126575 -0.15515 4.84485 -0.09764 1.959864 4.959864 -0.98263 -1.92512 -4.86762

45
Exemplul multifactorial:

v 1.5 1.5 2 2 2 2.2 2.5

z 0.8 1 1.5 2 1.8 1.8 2

y 10 11 12 14 15 16 16

y ajustat 10.28401 10.76292 13.38146 14.57875 14.09983 14.66833 16

u -0.28401 0.23708 -1.38146 -0.57875 0.900169 1.331667 0

2.4 2.4 3 3 3 3.2 3.3 3.5

2.4 2.1 2.1 2.6 2.4 2.5 2.2 2.8

17 16 18 18 18 19 19 21

16.67358 15.95521 17.66071 18.858 18.37908 19.18704 18.75292 20.75816

0.326422 0.044794 0.339291 -0.858 -0.37908 -0.18704 0.247082 0.241837

4.2 Verificarea semnificaŃiei statistice a fiecărui

parametru estimat; testul t
Obiectivul verificării constă în aprecierea în sens statistic a
mărimii estimaŃiei obŃinute astfel încât să se poată afirma, în mod
obiectiv, că respectiva estimaŃie relevă ceva semnificativ, care nu se
datorează întâmplării (erorii de sondaj) şi, ca urmare, factorul al cărui
rol este cuantificat este realmente determinant pentru procesul
analizat.

4.2.1Principalele noŃiuni specifice

SemnificaŃie = importanŃă, relevanŃă, deosebire marcantă a
rezultatului estimării (cu privire la rolul unui factor) în raport cu ceea
ce ar rezulta ca urmare a întâmplării. similar poate fi apreciată
abaterea dintre două mărimi de aceeaşi natură (două medii de selecŃie,
un nivel estimat şi un nivel adevărat, etc.) în sensul aprecierii dacă
abaterea este semnificativă, datorită unei cauze relevante, sau este
nesemnificativă, datorită întâmplării.

46
 Test statistic = procedeu ale cărui etape conduc la o concluzie
cu privire la o ipoteză preformulată (ipoteza nulă, care neagă
semnificaŃia) care poate fi confirmată sau respinsă în baza unei
repartiŃii (normale, t, F, χ etc.) şi a unei probabilităŃi de a greşi ( α )
2

în ceea ce priveşte concluzia.

Nivel (prag) de semnificaŃie = probabilitate, de regulă,

prestabilită cu privire la riscul de a greşi în concluzia finală. Astfel,
acceptăm că în 5% din cazuri (dacă α = 0,05) concluzia prin care se
afirmă că ipoteza nulă este falsă, poate fi greşită (ceea ce înseamnă că
ipoteza nulă este corectă). Întrucât apelăm la datele unui eşantion este
necesar să stabilim o limită superioară α (prag de semnificaŃie) până
la care acceptăm inerenta incertitudine, rămânând un nivel de
încredere rezonabil de mare ( 1 - α ).

Interval de încredere = distanŃă dintre 2 valori (notate z1 şi z2,

funcŃii ale valorilor observate, care pot să difere de la un eşantion la
altul) în cadrul căreia se plasează cu o probabilitate rezonabil de mare
parametrul care formează obiectul estimării. Dacă un astfel de interval
îl denumim bilateral, întrucât se extinde de o parte şi de alta a unui
nivel-pilot, intervalul unilateral se referă la distanŃa dintre nivelul-pilot
şi una dintre limitele extreme (z1 sau z2).

RepartiŃie statistică = mulŃimea perechilor ordonate de valori xi

şi pi, reprezentând, fiecare pereche, nivelul variabilei aleatoare (xi ) şi
probabilitatea (pi), pozitivă sau nulă de realizare a respectivului nivel,
Σ pi = 1.

Grade de libertate = coordonate independente în sensul de

valori liber alese pe care le poate înregistra o variabilă dacă este
restricŃionată de condiŃii ce pot fi prestabilite.
De exemplu, dependenŃa unei variabile y de evoluŃia a k factori
(independenŃi între ei) conduce la pierderea unui număr de posibilităŃi
de a evolua liber (egal cu numărul factorilor), astfel că rămân (n – k)
grade de libertate (unde n = numărul de cazuri din eşantionul de date).

Ipoteza statistică = presupunere cu privire la repartiŃia urmată

de o variabilă sau cu privire la parametri şi semnificaŃia acestora.

47
 Astfel de presupuneri urmează să fie verificate aşa încât să
rezulte fie acceptarea ipotezei nule (H0), de tip negativist, fie
acceptarea ipotezei alternative (H1) a confirmării supoziŃiei iniŃiale.

Nivel calculat / nivel tabelat = dacă nivelul calculat rezultă în

urma aplicării, de către cel interesat, a unei formule care, de regulă,
generează valori comparabile cu cele specifice unei anumite repartiŃii,
nivelul tabelat rezultă în urma preluării dintr-un tabel, corespunzător
repartiŃiei, nivel poziŃionat la intersecŃia pragului de semnificaŃie
acceptat şi gradele de libertate.

4.2.2 Testul t

Întregul demers presupus de testul t se bazează pe prezumŃia

conform căreia abaterile estimaŃiei â de la media sa M (aˆ ) care s-ar
obŃine în cazul repetării estimării pentru mai multe eşantioane de
volum identic, urmează o repartiŃie normală.

Abaterea de la medie împărŃită la abaterea medie pătratică

 aˆ − M (aˆ ) 
 σ 
 
urmează, pentru eşantioane de volum mic (n < 30), repartiŃia Student.
Se caută o asemenea transformare a estimaŃiei obŃinute încât să
devină comparabilă cu nivelul t – tabelat pentru (n–k) grade de
libertate şi un risc α (alfa) apriori ales.
De regulă nu dispunem de mai multe eşantioane ci avem date
pentru un singur eşantion. În acest caz considerăm abaterea estimaŃiei
în raport cu zero:
 â − 0 
 σ 
RelaŃia de calcul, folosind notaŃiile: â j pentru estimaŃia supusă
verificării şi σ â j pentru abaterea medie pătratică a estimaŃiei, este
următoarea:
aˆ j
t(calculat ) =
σ aˆ j

48
 Rezultatul se compară cu nivelul tabelat pentru un risc acceptat,
de exemplu, α = 0.05 şi un număr de grade de libertate egal cu
numărul de cazuri (n), minus numărul de parametri din model (k).

4.2.3 Etapele verificării

1. Stabilirea ipotezei nule (H0): estimaŃia rezultată nu diferă

semnificativ de zero.
2. Eşantionul fiind mic, n < 30, se are în vedere repartiŃia Student.
3. Se determină t – calculat, conform relaŃiei.
4. Se preia din tabel t – tabelat
5. Se compară:
• dacă t–calculat < t–tabelat se confirmă (H0)
• dacă t–calculat > t–tabelat se infirmă (H0).

Verificarea modelului unifactorial

În cazul modelului unifactorial y = a + bx + u

abaterea medie pătratică rezultă astfel:

σ u2
σ bˆ = = 0,228485
∑ (x − x )
2

1 x
2 
σ aˆ = σ u2  +  = 1,8579
n ∑ x − x
 ( )2



t- calculat pentru parametrul b̂ este 4,9425 / 0,228485 = 21,63.

t- tabelat, pentru 15 – 2 = 13 grade de libertate şi α = 0,05
este 2,16.
Se infirmă ipoteza nulă şi se acceptă alternativa conform căreia
b̂ diferă semnificativ de zero, fiind un factor determinant.

49
Verificarea modelului multifactorial

Dispersia σ u
2
se înlocuieşte cu estimatorul ei s2(u), care se obŃine
astfel:
(u ) = ∑
2
2
u
s
n−k
Pentru a calcula dispersiile parametrilor care apar în modelul
multifactorial se înmulŃesc elementele de pe diagonala matricei
inverse X -1 cu s2(u), considerând factorii în succesiunea apariŃiei lor în
model. Abaterea medie pătratică este dată de estimaŃia ei:
s (aˆ j −1 ) = s 2 (u )d jj
Modelul multifactorial este:
yˆ = 4,1046 + 2,8425v + 2,39457 z
∑u 2
= 6,221939
s 2 (u ) = 6,221939 : (15 − 3) = 0,518495
s(u ) = 0,518495 = 0,72
Elementele de pe diagonala matricei X-1 sunt, în ordine:
d11 = 1,16 d22 = 0,7693 d33 = 1,0036
de unde rezultă:
s(aˆ1 ) = 0,72 ⋅ 0,7693 = 0,6315
s(aˆ 2 ) = 0,72 ⋅ 1,00356 = 0,72128
tcalc (aˆ1 ) = 2,8425 / 0,6315 = 4,5
tcalc (aˆ 2 ) = 2,39457 / 0,72128 = 3,3198
Se preia din tabelul repartiŃiei Student valoarea lui t.
Numărul gradelor de libertate este:
n⋅ g ⋅ l = n – k = 15 – 3 = 12
Riscul acceptat α = 0,05
t 0,05; 12 = 2,179
Se compară t-calculat cu t-tabelat.
În cazul ambelor estimaŃii
t-calculat > t-tabelat.

50
 Se infirmă ipoteza nulă, a nesemnificaŃiei şi se acceptă
alternativa conform căreia cei doi factori sunt determinanŃi în studiul
efectuat.

ObservaŃii
• Semnul fiecărui parametru nu influenŃează rezultatul comparaŃiei
dintre t-calculat şi t-tabelat, întrucât în calculul raportului, estimaŃia
este în valoare absolută, deci raportul este pozitiv;
• În cazul eşantioanelor mari, n > 30, se poate apela la repartiŃia
normală redusă, pentru care apare variabila z care va fi considerată
nivelul t-tabelat (numărul gradelor de libertate nu mai reprezintă o
coordonată);
• Riscul notat cu α poate fi egal cu 0,05. Dacă se doreşte o
precizie mai mare, se poate alege o valoare mai mică pentru α, 0,01
sau 0,001, sau, dacă se acceptă un risc mai mare, se poate opta pentru
α=0,1.

4.3 Verificarea semnificaŃiei rolului ansamblului

factorilor asupra variabilei efect
4.3.1 Testul F

Testul F urmăreşte verificarea semnificaŃiei simultane a tuturor

estimaŃiilor obŃinute pentru parametri.
Rezultatul verificării se referă la aprecierea pe ansamblu a
modelului, considerat ca o reprezentare care descrie un mecanism
relaŃional complet diferit de ceea ce ar putea fi atribuit întâmplării.
Modelul de regresie descrie rolul factorilor determinanŃi prin
parametrii de regresie, iar efectul conjugat al factorilor determinanŃi
rezultă înlocuind parametrii cu estimările obŃinute şi atribuind valori
factorilor.
Se obŃin astfel valori ajustate:
yˆ = aˆ0 + aˆ1 x1 + ... + aˆ k xk

51
 Valorile ajustate ŷ se abat de la medie y în măsura în care
factorii se abat la rândul lor de la medie, acŃionând mai intens sau mai
puŃin intens.
( )
Abaterile yˆ − y se datorează factorilor determinanŃi incluşi în
model.
Suma pătratelor acestor abateri se notează cu SSR:

SSR = ∑ (yˆ − y )
2

Un alt gen de abateri care pot interveni s-ar datora perturbaŃiei,

acŃiunii factorilor reziduali, exprimaŃi prin u.
Suma pătratelor acestor abateri datorate întâmplării se notează
cu SSU şi reprezintă suma pătratelor diferenŃelor dintre valorile
ajustate, generate de model ( ŷ ) şi valorile empirice, reprezentate
de datele numerice (y):
SSU = ∑ u 2 = ∑ ( y − yˆ )
2

Este de aşteptat ca rolul factorilor sistematici (x1, x2,..., xk) să fie

net superior rolului factorilor perturbatori (u), aspect care poate fi
verificat prin raportarea celor două sume.
Se apelează la repartiŃia raportului dispersiilor (repartiŃia
Snedecor), ceea ce implică transformarea sumelor în dispersii şi
acceptarea unei probabilităŃi α legate de riscul de a greşi în ceea ce
priveşte concluzia.

Raportul dispersiilor se notează Fcalc, iar k reprezintă numărul de

parametri:

∑( )
2
yˆi − y /(k − 1)
SSR /(k − 1)
Fcalc = = i
SSU /(n − k ) ∑ (y
i
i − yˆi ) /(n − k )
2

4.3.2 Etapele aplicării testului F

Se stabileşte ipoteza nulă, a nesemnificaŃiei: dispersia de la

numărător nu se abate semnificativ de la dispersia de la numitor;
Se determină F-calculat:

52
SSR = 131,778
SSR/(k-1) = 131,78/2 = 65,88902
SSU = 6,221939
SSU/(n-k) = 6,221939/12 = 0,518495
F – calculat = 65,88902/0,518495 = 127,0775
Se caută în tabel: pentru α = 0,01,
k – 1 = 2 grade de libertate (coloană),
n – k = 12 grade de libertate (linie),
se găseşte valoarea F – tabelat = 6,93
Se compară Fcalc cu Ftab:
• Dacă Fcalc > Ftab, se infirmă ipoteza nulă, ceea ce confirmă
modelul ca fiind valid;
• Dacă Fcalc < Ftab, ipoteza nulă este confirmată.
În cazul nostru, Fcalc = 127,0775, mai mare decât Ftab = 6,93.
Se poate afirma, cu un risc de a greşi de 1% că estimaŃiile sunt ,
în general, semnificativ diferite de zero, iar modelul în ansamblu este
validat.

4.3.3 Coeficientul de determinaŃie

Coeficientul de determinaŃie exprimă ponderea rolului factorilor

determinanŃi din model în raport cu variaŃia totală a variabilei efect.
Se notează suma tuturor abaterilor SST, unde SST = SSR + SSU,
iar
SSR SST − SSU SSU
R2 = = = 1−
SST SST SST
În exemplu, SST = 131,778 + 6,222 = 138
R2 = 131,778 / 138 = 0,9549,
adică 95,49% din variaŃia efectului este determinată de cei doi
factori.
Pentru comparaŃii se recomandă varianta ajustată a coeficientului
de determinaŃie:
Rˆ 2 = 1 − {[SSU / (n − k )] : [SST / (n − 1)]}
În exemplu:
Rˆ 2 = 0,9473

53
 Capitolul 5
Verificarea confirmării ipotezelor

5.1 Ipoteze privind modelul şi metoda de

estimare
1. Datele sunt obŃinute corect (fără erori sistematice de măsurare) şi în
număr suficient de mare (depăşind numărul parametrilor), astfel încât
soluŃiile să prezinte stabilitate;
2. Variabila factorială (x) este nestochastică şi prezintă aceleaşi valori
în eventualitatea repetării sondajului;
3. Factorul (x) prezintă variabilitate în ceea ce priveşte nivelurile
înregistrate în cadrul unui eşantion de date (dispersia sa fiind un
număr pozitiv finit), astfel încât rolul factorului să poată fi pus în
evidenŃă;
4. Modelul de regresie este linar în raport cu parametrii;
5. Modelul de regresie este corect specificat în sensul alegerii funcŃiei
potrivite (liniare sau neliniare) şi includerii factorilor determinanŃi
astfel încât gradul de determinare (R2) să fie suficient de mare;
6. Variabila reziduală este de medie zero şi urmează o repartiŃie
normală, M(u) = 0, u ≈ N (0, σ 2 );
7. Variabila reziduală prezintă o dispersie (împrăştiere) egală pentru
diferitele valori xi, adică este homoscedastică;
8. Variabila reziduală nu este corelată cu variabila factorială (x), astfel
încât covarianŃa dintre ui şi xi este zero;
9. Variabila reziduală nu este autocorelată, Cov(ui, uj / xi, xj) = 0;
10. Factorii incluşi în model (varianta multifactorială) sunt
independenŃi unii în raport cu ceilalŃi, nefiind corelaŃi între ei.

Verificările cu privire la confirmarea ipotezelor pot oferi

explicaŃii cu privire la motivele pentru care verificarea semnificaŃiei
(testul t, testul F) nu a condus la rezultatele aşteptate.
Dacă aprecierea modelului este pozitivă, confirmă din
perspectiva semnificaŃiei şi ipotezelor, se poate trece la etapa utilizării
lui pentru analize, prognoze, simulări.

54
 Obstacolele de care se loveşte cercetarea econometrică pot fi
redate astfel:
• Multicoliniaritatea;
• Autocorelarea (valorilor reziduale);
• Lipsa datelor;
• Timpul şi banii cheltuiŃi;
• Heteroscedasticitatea;
• Unicitatea ecuaŃiei şi neidentificarea;
• Specificarea incompletă sau incorectă.

5.2 Date suficiente, neafectate de erori sistematice

5.2.1 ConsideraŃii asupra necesităŃii abordării
problemei datelor

Modalitatea de obŃinere a datelor nu îndeplineşte condiŃiile unei

observări riguroase (din perspectiva modelării econometrice) similare
celor de laborator. Înregistrările numerice la care avem acces au fost
realizate în diverse scopuri (evidenŃe financiar-contabile, raportări
statistice, anchete sociale) şi în diverse conjuncturi (metodologii
modificate în decursul timpului, întârzieri în consemnarea realizărilor,
durate inegale de activitate economică, situaŃii excepŃionale);
Imposibilitatea obŃinerii de date privind unele dintre variabilele
modelului econometric sau absenŃa unor înregistrări pentru o parte
dintre cazuri sau perioade;
ImportanŃa datelor, atât din perspectiva numărului de cazuri, cât
şi în ce priveşte calitatea măsurătorilor, pentru acurateŃea soluŃiilor.
Este posibil ca existenŃa unor date eronate, fie şi pentru un singur caz,
să modifice estimările, să schimbe rezultatele testelor de semnificaŃie
şi, în final, să pună sub semnul întrebării utilitatea modelului.

5.2.2 Verificarea şi aprecierea datelor numerice

ExistenŃa de date care se referă indubitabil la variabila-efect,
respectiv la fiecare dintre factorii incluşi în model. În cazul în care
datele nu corespund acestui deziderat (nu există sau nu pot fi

55
procurate date suficiente pentru una dintre variabile), se recurge la
variabila cea mai apropiată ca sens şi mod de a evolua (variabila
reprezentant), în vederea evitării apariŃiei unei zone neexplicate.
Controlul cantităŃii, în sensul aprecierii dacă numărul da cazuri
pentru care avem date este suficient de mare, iar pentru fiecarecaz
datele sunt complete (există înregistrarea privind yi, respectiv xi).
Dacă numărul de cazuri este mult mai mic decât n = 15 (nivel
apreciat ca satisfăcător, la limită) urmează să mai adăugăm cazuri sau
să înlocuim datele anuale cu date trimestriale sau lunare.
Dacă pentru unele cazuri (perioade din seria cronologică, unităŃi
din eşantion) datele nu sunt complete sau prezintă suspiciuni,
procedăm la corecŃii, dacă acestea pot fi făcute, sau la excluderea
cazurilor respective, dacă aceasta nu conduce la un volum prea mic (n
< 15) de cazuri.
Verificarea omogenităŃii sub aspectul unităŃii de măsură,
definirii indicatorului şi exprimării în preŃuri constante (pentru
exprimări valorice). O astfel de verificare se referă la fiecare variabilă
în parte, aşa încât pe întreg intervalul sau pentru întreg eşantionul
variabila să fie exprimată unitar, să rezulte în urma aceluiaşi mod de
calcul.

Neglijarea verificării ipotezei privind corectitudinea datelor

poate conduce la următoarele:
• Dacă eşantionul este prea mic, estimările pentru parametri sunt
instabile (un alt eşantion ar putea oferi estimaŃii complet diferite), iar
factorii pot prezenta analogii (evoluŃii paralele foarte asemănătoare),
ceea ce poate afecta de asemenea calitatea estimaŃiilor;
• RenunŃarea la unele variabile din lipsă de date va sărăci analiza
şi ar putea mări gradul de nedeterminare sau distorsiona estimaŃiile;
• Dacă, fie şi pentru o variabilă, datele sunt exprimate într-o formă
neomogenă sau prezintă erori sistematice, aceasta afectează grav
soluŃiile modelului.

5.3 IndependenŃa variabilelor factoriale din

ecuaŃia de regresie
Dacă între variabilele factoriale ale modelului există asemănări
frecvente în ceea ce priveşte evoluŃia în timp sau în ceea ce priveşte

56
modificările de la o unitate de observare la alta (familie, judeŃ, firmă),
se cosideră că ipoteza cu privire la independenŃa variabilelor cauzale
incluse în modelul de regresie este infirmată.

Termenul de multicoliniaritate acoperă atât cazul existenŃei în

model a unui număr de 2 factori coliniari (perfect sau parŃial coliniari)
cât şi la cazul existenŃei de legături intense între 3 sau mai multe
variabile factoriale din ecuaŃia respectivă.
Astfel de legături între variabilele explicative incluse în
reprezentări de forma y = a0 + a1x + a2z + a3k + u, pot fi expresii ale
unei relaŃii de cauzalitate (x determină pe z, sau atât x cât şi z depind
intens de factorul w neinclus în model), pot reprezenta combinaŃii
liniare de forma k = x + 2z, sau pot fi simple analogii în evoluŃia
înregistrată pe segmentul de n valori de care dispunem.

Toate aceste situaŃii produc aceleaşi efecte dacă asemănările sunt

foarte intense:
• estimaŃiile obŃinute pentru parametri pot fi deformate;
• imprecizia acestora creşte;
• rezultatele testului t sunt distorsionate în direcŃia nesemnificaŃiei.

5.3.1 Semnale care atrag atenŃia multicoliniarităŃii:

• În cazul utilizării unui model în care apar 2 factori, de forma:

y = a0 + a1x + a2z + u:
- Coeficientul de corelaŃie calculat pentru factori (rxz) întrece, în
valoare absolută nivelul de 0,85 sau chiar de 0,9;
- Reprezentarea grafică (diagrama împrăştierii), privind exclusiv
factorii, semnalează o suspectă ordonare a punctelor de coordonate xizi
în jurul unei drepte.
• În cazul în care apar mai mulŃi factori:
- Coeficientul de determinaŃie (R2) prezintă valori apropiate de 1 în
condiŃiile în care estimaŃiile pentru parametri (una sau mai multe) nu
trec testul t (nu diferă semnificativ de zero);
- Coeficientul de determinaŃie (forma ajustată) este inferior ca mărime
coeficienŃilor de determinaŃie pentru regresiile auxiliare.

57
• Un semnal este dat şi de determinantul matricei X, în sensul că
nivelul determinantului devine extrem de mic pe măsură ce gradul de
coliniaritate între doi factori creşte (pentru coliniaritatea perfectă,
determinantul este egal cu 0, ceea ce face imposibilă rezolvarea
sistemului). În plus, valorile foarte mici ale determinantului conduc la
valori foarte mari ale elementelor inversei, ceea ce face ca
împrăştierea valorilor estimate să fie foarte mare, iar eficienŃa
estimatorului este afectată.

5.3.2 SoluŃii
• Dacă se pot suplimenta datele, mărind astfel numărul de cazuri
în eşantion sau numărul perioadelor în seriile cronologice, aceasta
acŃionează în direcŃia creşterii mărimii determiantului, mai ales dacă
întâmplătoarele analogii în evoluŃia factorilor se atenuează;
• Dacă în loc de date culese în timp se pot utiliza date în optica
transversală, atunci acestea ne aşteptăm să fie mai puŃin afectate de
corelaŃii între factori;
• Dacă se poate renunŃa la unul dintre factorii care prezintă o
intensă corelaŃie cu un alt factor, atunci eliminarea acestui factor ar fi
o soluŃie. CondiŃia este ca eliminarea factorului să nu afecteze analiza
printr-o pierdere de informaŃie şi nici gradul de determinare în mod
semnificativ;
• Dacă nu urmărim în mod expres interpretarea parametrilor ci ne
interesează doar atenuarea efectelor multicoliniarităŃii, atunci aşa
numita regresie ridge poate fi o soluŃie. Procedeul constă în adăugarea
unui scalar elementelor de pe diagonala inversei şi estimarea în urma
unei astfel de modificări.

5.4 Ipoteza privind liniaritatea modelului şi

corecta sa specificare

Liniaritatea relaŃiei de dependenŃă dintre variabila efect (y) şi

factorul determinant (x), respectiv combinaŃia de modificări simultane
a factorilor (x1, x2, ..., xk), prezintă interes îndeosebi din perspectiva
utilizării metodei celor mai mici pătrate în vederea estimării.

58
 Adesea prin model liniar avem în vedere varianta transformată a
modelului neliniar în raport cu variabilele, utilizând logaritmii sau alte
procedee.

5.4.1 Verificarea prezumŃiei liniarităŃii

Pe cale grafică, în sensul că diagrama împrăştierii este deseori
elocventă, mai ales în cazul unifactorial. În cazul multifactorial (cu
deosebire cazul bifactorial) se poate analiza dacă valorile y, respectiv x
ce revin pe unitate de factor partener z urmează forma liniară:
y  x
= f  ;
z z
În urma constatării nivelului aproximativ constant al raportului
modificărilor paralele de genul:
y2 − y1 y3 − y2 y4 − y3
≈ ≈
x2 − x1 x3 − x2 x4 − x3

Deseori elaborarea modelului în mai multe variante face posibilă

analiza comparativă din perspectiva coeficienŃilor R2, testul t, testul F.
Rezultatele analizei pot confirma sau infirma liniaritatea modelului în
situaŃii în care există cel puŃin 2 variante (una liniară, alta neliniară).

În ceea ce priveşte factorii luaŃi în calcul, aceştia trebuie să

îndeplinească condiŃii precum: influenŃa fiecăruia să fie determinantă
pentru variabila efect, factorii să nu prezinte analogii intense în
evoluŃie (multicoliniaritatea trebuie evitată), să prezinte variabilitate.
Verificarea incorectei specificări din perspectiva factorilor atraşi
în model are în vedere:
• Coeficientul de determinaŃie;
• SemnificaŃia în sensul testului t, dar şi a testului F.

Un model econometric confirmă aşteptările în ceea ce priveşte

funcŃia liniară adoptată dacă gradul de determinare (R2) este
apropiat de 1 (100%), testele de semnificaŃie (t, F) confirmă modelul,
iar abaterile reziduale se comportă precum valorile unei variabile
aleatoare.
59
 5.5 Verificarea confirmării ipotezelor privind
comportamentul variabilei reziduale

Ceea ce se aşteaptă de la valorile reziduale obŃinute în final,

după estimare, sub forma unor abateri (diferenŃe) y − ~ yi = ui constă
în manifestarea lor aleatoare, fără a mai include nimic sistematic.
Modelul poate fi astfel apreciat şi prin prisma modului în care
reproduce datele empirice ale variabilei rezultative (y) astfel încât
abaterile (erorile) yi − yˆ i să se caracterizeze prin:
• Egala împrăştiere a valorilor ui, în prealabil ordonate în raport cu
mărimea factorului şi segmentate în două sau mai multe grupe.
Termenul grecesc homoskedastic (egal împrăştiat), în limba română
homoscedastic, caracterizează în econometrie o egală împrăştiere,
spre deosebire de heteroscedastic, care semnalează inegala
împrăştiere;
• IndependenŃa oricărei valori ui în raport cu valoarea / valorile
precedentă, astfel încât autocorelarea valorilor reziduale să nu poată fi
constatată;
• RepartiŃia normală, de medie zero a valorilor ui , ceea ce ar
însemna că valorile pozitive sau negative ale abaterilor mici sunt
frecvent poziŃionate în jurul mediei (M(u)=0), iar pe măsură ce se abat
tot mai mult de la zero, frecvenŃa lor scade.

5.5.1 Verificarea împrăştierii valorilor variabilei

reziduale (homoscedasticitatea / heteroscedasticitatea
Împrăştierea este apreciată numeric prin dispersie σ 2 = ∑ u 2

u
întrucât M(u) = 0; n
Calculul dispersiei implică un ansamblu de valori, precum şi
media acestora. Pentru a constata egala sau inegala împrăştiere, este
necesar să formăm grupe egale de termeni în cadrul şirului de valori
u1,u2, ..., un;
Formarea grupelor (în număr de 2, rareori 3 sau mai multe) este
precedată de o ordonare a valorilor ui în raport cu valorile în creştere
(sau descreştere) ale factorului. De regulă, de la bun început,
nivelurile xi sunt ordonate fie crescător, fie descrescător;

60
 Problema comportamentului valorilor reziduale se complică
întrucâtva în situaŃiile în care:
• Există mai mulŃi factori;
• Interesează şi verificarea prezumŃiei privind independenŃa
variabilei reziduale în raport cu evoluŃia factorului (a oricărui
factor din model).

5.5.2 Testul GQ (Goldfeld, Quandt)

Etapele testului:
Ordonarea datelor yixi, astfel încât valorile xi să fie ordonate
crescător;
Eliminarea unui număr de valori centrale de cel mult c = n / 3,
dacă seria de date include suficient de multe cazuri (etapa nu este
obligatorie). Rezultă două secŃiuni de date ordonate în raport cu xi şi
situate spre extreme, de (n – c) / 2 cazuri fiecare;
Aplicarea MCMMP fiecărei secŃiuni separat în vederea estimării
parametrilor, obŃinerii de valori ajustate ~
y prima secŃiune,
din
respectiv din cea de a doua secŃiune, iar, în final, obŃinerea de valori
reziduale (ui) în fiecare dintre cele două secŃiuni;
ObŃinerea mărimii Fcalculat , numărătorul fiind pentru secŃiunea de
împrăştiere maximă:
 (n −c ) / 2 2 
 ∑ u j  : (g ⋅ l)
 
= (n −c ) / 2 
 j =1
Fcalculat
 
 ∑ u 2j  : ( g ⋅ l )
 
 j =1 
unde g⋅ l = număr grade de libertate
n−c
g ⋅l = −k
2
Compararea valorii calculate (Fcalculat) cu valoarea tabelată de
coordonate
n−c n−c
α, − k; − k,
2 2
unde k = numărul de parametri.
61
Dacă Fcalc < Ftab, prezumŃia homoscedasticităŃii erorii (ui) este
confirmată;
Dacă Fcalc > Ftab, prezumŃia homoscedasticităŃii erorii (ui) este
infirmată, se acceptă alternativa: eroarea (ui) este heteroscedastică.
Dacă erorile (ui) diferă semnificativ ca împrăştiere pe segmente de
valori ordonate în raport cu mărimea factorului, estimaŃiile rezultate
prin MCMMP pierd din precizie (heteroscedasticitatea afectează
eficienŃa estimatorului), iar prognozele sunt imprecise.

Remedii în vederea diminuării sau eliminării heteroscedasticităŃii

În situaŃiile în care numărul de cazuri este suficient de mare
(n>30) se poate proceda la elaborarea de modele distincte pentru
fiecare dintre segmentele de valori supuse testului.
Transformarea valorilor yixi prin raportarea lor fie la xi, fie la σ u (i ) .
2

5.5.3 PrezumŃia neautocorelării valorilor reziduale

Reprezentarea grafică poate să semnaleze situaŃii de posibilă
dependenŃă sau de independenŃă a abaterilor.
Verificarea existenŃei sau inexistenŃei autocorelării erorilor
(abaterilor sau valorilor reziduale) se poate obŃine prin testul DW
(Durbin-Watson).

RestricŃiile aplicării testului

• n > 15;
• ExistenŃa de valori tabelate;
• ExistenŃa parametrului liber a0;
• RelaŃia liniară dintre ui şi nivelul imediat anterior ui-1.

Etapele testului DW
• Stabilirea ipotezei nule (H0): valorile reziduale nu sunt
autocorelate;
• ObŃinerea nivelului calculat:
n

∑ (u − ui −1 )
2
i
DW = i =2
n

∑u
i =1
2
i

62
 • Aprecierea nivelului calculat în raport cu apropierea sa de
valoarea 2:
− Apropiat de 2 – cazul neautocorelării;
− Apropiat de 0 sau de 4 – cazul autocorelării.

• Autocorelarea reziduurilor afectează eficienŃa estimatorului

MCMMP.

Metode de eliminare/atenuare a autocorelaŃiei

• Înlocuirea valorilor yixi cu diferenŃele de ordinul 1 calculate
pentru fiecare variabilă în parte:
yi = ∆yi = yi +1 − yi
xi = ∆xi = xi +1 − xi
• Utilizarea de valori transformate, rezultate astfel:
yi* = yi − ryi −1
xi* = xi − rxi −1
unde r este coeficientul de autocorelaŃie a erorii:
n

∑u u i i −1
ruiui−1 = i =2
n

∑u i =1
2
i

• Adăugarea de cazuri suplimentare sau respecificarea modelului

în sensul acceptării unei alte funcŃii sau introducerii de noi factori
dacă există motive suplimentare de a recurge la astfel de variante ale
modelului.

5.5.4 Variabila reziduală urmează o repartiŃie

normală de medie zero

Caracteristica variabilei reziduale de a evolua întâmplător se

datorează acŃiunii factorilor minori, accidentali, neincluşi în mod
explicit în modelul econometric.

63
 Abaterile valorilor empirice de la valorile generate de model ar
trebui să fie unele pozitive, altele negative, compensându-se reciproc,
astfel încât media să fie zero.
PredominanŃa valorilor mici, apropiate de zero, şi raritatea
abaterilor mari ar trebui să apropie repartiŃia abaterilor de repartiŃia
unei variabile normal distribuite.

Verificarea
• Se însumează erorile şi se calculează media pentru a constata
dacă media este zero sau foarte apropiată de zero;
• Se aplică testul JB (Jarque şi Bera).
NotaŃii:
• S = coeficientul de asimetrie
media − modul M (u ) − M 0
S= =
abaterea medie patratica σu
• k = coeficientul de boltire
1
n
(
∑ u −u )
4

k=
(σ )
22
u
• Se calculează:
 S 2 (k − 3)2 
JB = n  + 
 6 24 
Nivelul obŃinut pe baza acestei relaŃii urmează asimptotic (pe
măsură ce mărimea eşantionului creşte) distribuŃia χ 2 cu două grade
de libertate.

64
 În cazul în care corespondentul JB în tabelul distribuŃiei
(cel mai apropiat nivel pe rândul 2) se situează pe coloana
α < 0,3 sau, mai bine α < 0,2 (ceea ce implică o probabilitate de
0,7, respectiv 0,8) se afirmă că abaterile ui urmează o repartiŃie
normală.
În situaŃia în care nu se confirmă prezumŃia conform căreia
abaterile ui urmează o repartiŃie normală, de medie egală cu zero,
rezultatele testului t şi ale testului F sunt discutabile. Aceste teste se
bazează pe prezumŃia normalităŃii repartiŃiei erorii în condiŃiile unui
eşantion suficient de mare.
SoluŃia cea mai indicată în astfel de situaŃii este suplimentarea
numărului de cazuri.
O verificare a datelor utilizate ar putea evidenŃia fie valori
atipice, fie erori de calcul sau de observare care, prin eliminare, ar
reduce numărul de abateri mari, apropiindu-se de confirmarea
prezumŃiei.

65
 Capitolul 6
Aplicarea modelului de regresie în analiza şi
prognoza economică

6.1 Coordonatele analizei economice şi analizei

statistice
Rezultatele obŃinute cu privire la parametrii modelului, dar şi în
ceea ce priveşte nivelul unor indicatori obŃinuŃi în urma parcurgerii
etapei verificării sunt utili îndeosebi analizei economice, analizei
statistice, precum şi prognozei.
Analiza economică beneficiază îndeosebi de rezultatele estimării
parametrilor de regresie.
Faptul că o estimaŃie â j (j = 1, 2, ...) semnalează în ce direcŃie şi
în ce măsură se modifică variabila-efect (y) la o creştere cu o unitate a
factorului xj, în condiŃiile în care ceilalŃi factori incluşi în model sunt
consideraŃi constanŃi, reprezintă o informaŃie deosebit de utilă pentru
economistul preocupat de analiza cauzelor care determină un proces.
Ponderea în care factorii determinanŃi introduşi în model explică
modificările variabilei-efect (exprimată de indicatorul R2) constituie o
informaŃie utilă în analiză.
Din perspectiva statisticianului, de un interes aparte se bucură
rezultatele etapei de verificare. Testul F şi măsura în care Fcalc
depăşeşte nivelul tabelat dă informaŃii referitoare la puterea de
influenŃă a factorilor.

O analiză performantă bazată pe rezultatele regresiei

multifactoriale presupune confirmarea unor aşteptări privind:
• SemnificaŃia atât pe ansamblu (în sensul testului F) cât şi
individual, privind fiecare parametru (testul t);
• Mărimea coeficientului de determinaŃie (R2>0,8);
• Gradul de corelare existent între factori să fie mic, astfel încât
corelaŃia, în valoare absolută să nu depăşească 0,85, iar variabilele
factoriale să nu fie dependente.

66
 Analiza comparativă privind factorii sau variantele de model se
bazează pe indicatorii:
• CoeficienŃii beta care permit clasificarea factorilor în raport cu
importanŃa acŃiunii lor asupra variabilei-efect;
• Coeficientul de determinaŃie în varianta ajustată, care poate
constitui un reper în situaŃii în care există mai multe variante de model
pentru a explica aceeaşi variabilă-efect. Se alege varianta cu
R̂ 2 maxim;
• Coeficientul menŃionat prin simbolul AIC (criteriul Akayke) care
oferă posibilitatea de a aprecia fiecare variantă de model prin prisma
preciziei (apropierii valorilor ajustate de cele reale). Se optează pentru
varianta pentru care AIC este minim. Se notează cu k numărul de
factori.
∑u 2
i
2k
AIC = ln i
+
n n

6.2 Prognoza economică bazată pe modelul de

regresie
Prognoza având la bază rezultatele regresiei statistice are în
vedere prezumŃia menŃinerii şi în viitor a influenŃei fiecărui factor aşa
cum este exprimată în estimaŃiile parametrilor de regresie pentru
perioada la care se referă datele.
Se consideră că valorile anticipate privind nivelul viitor al
fiecărui factor determinant (x’ ) nu provin dintr-un proces net diferit
de datele folosite la estimare, iar anticiparea lui este corectă.
Prognoza rezultă în urma introducerii în modelul specificat a
estimaŃiilor pentru parametri, iar pentru factori se iau în calcul valorile
anticipate (planificate, preconizate, rezultate din alte calcule de
prognoză):
y ' = aˆ 0 + aˆ1 x1 '+ aˆ 2 x2 '+... + aˆ k xk '
La fel cum valorile ajustate nu coincideau cu valorile reale
(empirice) y, existând abateri notate (u), se poate presupune că nici
prognozele nu vor coincide cu valorile înregistrate de y în viitor.

67
 Eroarea de prognoză se notează cu e şi este direct proporŃională
cu distanŃa la care se va situa nivelul anticipat (x’) al factorilor în
raport cu nivelul lor mediu din perioada trecută şi invers proporŃională
cu numărul de cazuri din etapa estimării.

6.3 Modele econometrice utilizate în domeniul

cererii de bunuri şi servicii

PrezumŃii care stau la baza abordării econometrice a cererii

• Orice formă statistică sau economică corectă de exprimare a
legăturii dintre cererea de consum a populaŃiei şi factorii care o
determină poate fi redusă la o funcŃie:
C = f(x1, x2, ..., xk) + u
• Factorii care determină consumul pot lua orice valoare reală
pozitivă;
• Consumatorul (cumpărătorul) procedează, în general, într-un
mod raŃional, căutând să-şi maximizeze beneficiul subiectiv, presupus
de achiziŃionarea produsului, investind cât mai puŃin;
• Se poate afirma, îndeosebi pentru cazul cererii globale a
populaŃiei, că funcŃia de consum este omogenă de gradul n, este
derivabilă, cu derivata I pozitivă, iar derivata a II-a negativă,
(admiŃând un maxim).
Factorii care determină consumul sunt de o mare varietate. În
cele mai multe cazuri se consideră cererea (consumul) ca fiind funcŃie
de venit, precum şi funcŃie de preŃ. Alături de aceste cauze trebuie
avute în vedere şi alte variabile factoriale, cum ar fi: tradiŃia, reclama,
înzestrarea, moda, sezonul etc., a căror influenŃă poate să difere în
raport cu produsul/serviciul, categoria de consumatori, starea generală
a economiei.

Produse de strictă necesitate (alimente obişnuite, îmbrăcăminte)

C = cerere; PO = populaŃie
Ct = a0 + a1 PO + a2Ct −1 + ut
Produse de uz curent
Ct = a0 + a1 Pt + a2 Pinlocuitor + a3Vt + ut

68
unde V = venit; P = preŃ
Ct = a0 + a1 PO + a2V + a3Ct −1
Ct = Vt (a1 log Vt + a0 ) , funcŃia lui Konius
log Ct = a0 + a1 log CT + a2 log MF ,
funcŃia Hauthakker, unde:
CT = cheltuieli totale;
MF = oferta de mărfuri.
Ct = a0 + a1 POt + a2 R + a3CRt + ut
unde R =reclama; CR = concurenŃa.
 ∆V ∆V  C 
Ct = a0 − a1  t + t −1 + ...  + a2   + ut
 Vt Vt −1   V t −1
Ct = a0 + a1 POt + a2TM t + ut
unde TM = temperatura.

Produse de uz îndelungat
Ct = a0 + a1Vt + a2 Pt + a3 Z t + ut
unde Z = înzestrarea
Ct = a0 + a1Vt + a2OFt + a3 POt + ut
unde OF = oferta
Pentru autoturisme:
Ct = a0 + a1Vnt + a2 I t(/p0) + a3 RSt + ut
unde Vn = venit net; I(p)t/0 = indice de preŃuri; RS = rata şomajului.

Produse de lux
Ct = a0 + a1Vt + a2OFt + a3 A + ut
unde A = anotimpul (sezonul); OF = oferta.

69
Cererea la nivel macroeconomic (nivel global)
Ct V C
= a0 + a1 t + a2 t −1 + ut
Vt −1 Vt −1 Vt − 2
unde V = venitul
 V 
Ct = a0 + a1  + a2 POt + a3TX t + ut 
 PO 
unde TX = taxe şi impozite

Forma liniară a funcŃiilor, cât şi prezenŃa repetată a unor factori

(venit, preŃ, numărul populaŃiei, cererea din perioada anterioară) arată
că există invarianŃi în acest domeniu.
O anumită diversitate a reprezentărilor este necesară, dată fiind
complexitatea domeniului cererii de mărfuri.
Un factor deosebit de activ în acest domeniu este factorul
psihologic.

6.4 ProducŃia, factorii determinanŃi şi funcŃiile

de producŃie

Primele studii cantitativiste ale evoluŃiei producŃiei în raport cu

factorii determinanŃi au început cu analize ale creşterii producŃiei
agricole în raport cu creşterea volumului de îngrăşăminte şi a cantităŃii
de precipitaŃii.
Tot în agricultură a fost elaborat studiul teoretic al autorilor Knut
şi Wicksel privind evoluŃia producŃiei funcŃie de numărul de
muncitori, suprafaŃa cultivată, capitalul utilizat.
Cobb şi Douglas (1928) au exprimat printr-o formulă
dependenŃa statistică dintre venitul naŃional (variabila efect) şi factorii
muncă şi capital.
Era luat în calcul venitul naŃional al SUA (y) în funcŃie de
cuantumul salariilor (exprimând valoric munca – M) şi valoarea
fondurilor fixe disponibile (exprimând capitalul – K) înregistrate în
economia SUA pentru o perioadă de n ani.
y = AM α K β e u

70
Prin logaritmare se obŃine:
ln y = ln A + α ln M + β ln K + u = a + αX 1 + βX 2 + u
unde: a = ln A, X 1 = ln M , X 2 = ln K
Modelul fiind liniar în raport cu parametrii, este posibilă
estimarea acestora prin MCMMP.
Parametrii α şi β reprezintă elasticităŃile parŃiale şi exprimă cu
cât la sută se modifică producŃia (y) la o modificare cu 1% a unuia
dintre factori, în condiŃiile în care celălalt factor este considerat
constant.
Chenery H.B., Arow R.J. Minchas B.S. Şi Solow R.M.
Generalizează funcŃia de producŃie Cobb Douglas şi elaborează în
1961 funcŃia CES, în care elasticitatea substituirii factorilor este
considerată constantă:
( )
1
−ρ −ρ − ρ
y = A αM + βK unde α + β = 1, ρ > −1.

6.4.1 Ipoteze şi caracteristici în elaborarea şi

utilizarea funcŃiilor de producŃie în studiile economice

• Factorii care determină producŃia sunt nenegativi şi, în mare

parte, substituibili;
• Procesul de producŃie se desfăşoară pe baza unei tehnologii care
reduce la maxim consumul de factori şi resurse;
• FuncŃia de producŃie presupune un randament global
nedescrescător;
• f (M + K ) ≥ f (M ) + f (K ) este omogenă de gradul I, ceea ce
implică o creştere a producŃiei în aceeaşi măsură cu creşterea
factorilor: f (mM , mK ) = mf (M , K );
• FuncŃia este derivabilă, având derivata I pozitivă, ceea ce face
posibilă obŃinerea cuantumului producŃiei suplimentare la o creştere
cu o unitate a unuia dintre factori;
• Derivata a doua este negativă, funcŃia fiind concavă, adică este
conformă legii randamentului descrescător, în sensul că, depăşind un
punct de maxim, producŃia înregistrează creşteri din ce în ce mai mici
la o creştere constantă a factorilor. MenŃinerea creşterii economice, în
condiŃiile unor resurse limitate, presupune creşterea continuă a
eforturilor de cercetare ştiinŃifică, tehnologizare, organizare, calificare.
71
 6.4.2 Indicatori utili analizei economice bazate pe
funcŃii de producŃie

Norma de substituire
Norma de substituire sau rata marginală de substituire a
resurselor este utilă în vederea cunoaşterii raportului în care un factor
poate fi înlocuit de un altul fără ca producŃia să se diminueze.
Se calculează derivatele parŃiale:
f M' (M , K )dM + f K' (M , K )dK = dy
În ipoteza menŃinerii producŃiei la acelaşi nivel, adică dy = 0, rezultă:

y
dK f ' α αK
S= =− =− M =−
M
dM f K
'
β
y βM
Rezultatul arată câteK unităŃi de factor K (milioane lei fonduri
fixe) pot înlocui o unitate de factor M.

Exemplu

Fie funcŃia de producŃie:

y = 2 + 0,5M + 0,2 K
atunci:
dK 0,5
S= =− = −2,5
dM 0,2
unităŃi de capital sunt necesare pentru a substitui un salariat.

Elasticitatea
Elasticitatea exprimă proporŃia în care se modifică producŃia în
cazul în care factorul creşte cu 1%.
∆y ∆x j ∆y y
Ey / x j = : = : ; dar pentru ∆x j → 0
y xj ∆x j x j
dy y
E= :
dx j x j

72
 Elasticitatea este dată de raportul dintre randamentul marginal al
factorului xj şi randamentul mediu.
Pentru funcŃia Cobb-Douglas coeficienŃii de elasticitate sunt:

M
E y / M = αAM α −1 K β =α
y
K
E y / K = βAM α K β −1 =β
y
În cazul funcŃiei CES se obŃine:

α β
Ey/M = ρ
Ey/ K = ρ
M  K
α + β  α  + β
K M 
Randamentul marginal
Randamentul marginal reprezintă indicatorul care oferă
posibilitatea de a cunoaşte până la ce nivel este recomandabil să se
mărească factorul xj astfel încât rezultatul (producŃia) să fie maxim.
Pentru o dependenŃă multifactorială se consideră că toŃi ceilalŃi
factori se menŃin constanŃi ca nivel.

Pentru a determina punctul extremal se egalează cu 0 derivata

parŃială a funcŃiei în raport cu xj :
∂f ( x1 , x2 ,..., xk )
RE (x j ) =
∂x j
Exemplu

FuncŃia care descrie dependenŃa recoltei medii de porumb în

raport cu cantitatea de îngrăşăminte chimice este:
y = 3,539 + 0,2527 x − 0,002827 x 2
Pentru obŃinerea randamentului marginal se egalează cu 0
derivata funcŃiei:

73
 ∂y
= 0,2527 − 2 ⋅ 0,002827 x = 0
∂x
0,2527
⇒x= = 44,694
2 ⋅ 0,002827
Rezultatul obŃinut reprezintă nivelul optim al cantităŃii de
îngrăşăminte chimice care conduce la o producŃie maximă în
condiŃiile în care ceilalŃi factori, neluaŃi în calcul, nu vor prezenta
modificări care să perturbe semnificativ rezultatul (recolta). În cazul în
care astfel de factori erau introduşi explicit în funcŃia de producŃie,
nivelul lor ar fi fost considerat constant.

O situaŃie specială o reprezintă cazul când factorii sunt legaŃi

printr-o relaŃie restrictivă, urmare a limitării disponibilităŃii,
capacităŃile de producŃie, etc.
În astfel de cazuri se apelează la metoda multiplicatorilor lui
Lagrange.

Exemplu
Se consideră performanŃa calitativă ca funcŃie de îmbinarea a
două resurse F şi G astfel: y = 2 logF + 4 logG
În cazul în care preŃurile resurselor sunt: pF = 4 şi pG = 12, iar
bugetul nu poate depăşi 100 u.m., adică 4F + 12G = 100, se formează
funcŃia auxiliară:
y(m) = 2 logF + 4 logG + m(4F + 12G – 100)
Se egalează cu 0 derivatele parŃiale obŃinute în raport cu F, G şi
multiplicatorul m şi se obŃine un sistem de 3 ecuaŃii cu 3 necunoscute.
SoluŃia este F = 8,3; G = 5,5 şi m = - 1,9.

AplicaŃiile concrete ale funcŃiilor de producŃie în studiul

evoluŃiei variabilelor macroeconomice, ca şi în analiza activităŃii
întreprinderilor, au scos în evidenŃă unele aspecte concrete care
prezintă un interes deosebit:
• În ceea ce priveşte datele despre rezultate şi factori, se
recomandă utilizarea unor serii suficient de lungi privind perioade de
stabilitate economică;

74
• În mod frecvent sunt utilizate valori procentuale, indici cu bază
fixă;
• Când se urmăreşte evitarea multicoliniarităŃii se apelează la
transformări de genul:
yt +1 − yt x − xt
yt' = , xt' = t +1 ;
yt xt
• FuncŃiile neliniare fac necesară parcurgerea etapei de liniarizare,
după care se poate aplica MCMMP pentru estimarea parametrilor;
• În ceea ce priveşte domeniile din economie în care rezultatele
obŃinute prin utilizarea funcŃiilor de producŃie au fost remarcabile, se
menŃionează că îndeosebi la nivel de ramură soluŃiile obŃinute au fost
deosebit de utile. Aceasta şi pentru că datele au fost accesibile, iar
rezultatele mai uşor de interpretat. Îndeosebi calculele de eficienŃă în
agricultură au beneficiat de pe urma acestor reprezentări.

6.5 RelaŃii financiar - bancare şi reprezentarea

lor prin ecuaŃii

ExistenŃa şi rolul banilor în economie, precum şi problemele

care Ńin de echilibrul bugetar, dar şi de politicile economice, generează
o serie de relaŃii de influenŃă care pot fi analizate şi prognozate cu
ajutorul reprezentărilor econometrice.
Realizarea de bunuri şi servicii, ca şi tranzacŃiile care au loc au
un corespondent în forma bănească.
Este necesară determinarea cantităŃii de bani în circulaŃie,
stabilirea vitezei de circulaŃie a banilor, rolul şi cauzele inflaŃiei,
influenŃarea fluxurilor de venituri spre buget, stabilirea rolului
cheltuielilor bugetare, a injecŃiei de bani în economie, etc. Banii înşişi
sunt generatori de relaŃii precum cele legate de costul împrumutului,
investirea capitalului, cursul de schimb, etc.
Teoria economică se referă explicit la o serie de relaŃii de
cauzalitate între astfel de variabile, iar politicile economice (politica
monetară, politica fiscală, politica cursului de schimb) se bazează pe
cunoaşterea şi controlul unor astfel de dependenŃe.

75
 6.5.1 Masa monetară şi factorii care determină
cererea de bani

În ceea ce priveşte oferta şi cererea de bani, Mayes consideră că

volumul tranzacŃiilor, precauŃia, scopurile speculative, inflaŃia
reprezintă factorii care trebuie incluşi în model.

Cererea de bani = f(modificarea veniturilor, rata dobânzii din perioada

curentă, precum şi din perioada precedentă)

Cererea de bani a populaŃiei (Maddala):

CBP = 3,9 + 3438 PIB + 0,8 Rata dobânzii + 0,8 InflaŃia + u

Variantă neliniară (Chiarini):

CBP/Indicele de preŃuri = a(Venit α / Rata dobânzii β)

Oferta de bani reprezentată în mod frecvent de masa de bani în sens

restrâns (M1) este redată în corespondenŃă cu creşterea economică şi
rata dobânzii.
Modelul Brunner-Meltzer:
M1 = a + b Creşterea rezervelor băncilor comerciale la banca
centrală + c Numerar în circulaŃie + d Depozite la termen +
+ e Rezerve speciale + u

6.5.2 Rata dobânzii şi investiŃiile

Rata dobânzii şi rolul ei asupra investiŃiilor apare în reprezentări de

forma (Wharton, modelul italian):
Rata dob.(t)= f(Rata scontului(t)/Rata dob. titlurilor de valoaret(t-
1),Rata dob.(t-1))

Modelul FRB St. Louis:

Rata dob. pe termen lung = f(Masa monetară, Rata dob. din perioada
ant., ProducŃia(t-1))

Rata dobânzii reprezintă de asemenea un factor care apare în funcŃiile

ce privesc investiŃiile. Modelul Klein:

76
InvestiŃii = a + b PNB + c Rata dobânzii nominale + d Stocul de
capital +u

6.5.3 Impozitele şi transferurile

Impozitele şi transferurile sunt influenŃate în mod determinant de

venituri (salarii, profit) şi de intensitatea activităŃilor specifice
economiei reale (producŃie, export, import). Klein utilizează relaŃiile:

Impozit populaŃie = a + b(Venituri populaŃie din sector privat +

+Venituri populaŃie din sector public) + u
Impozit pe profit = a + b Vânzări + c Export + d Import +
+eAmortizări + u

Fiscalitatea determină evoluŃia unor variabile economice, ceea

ce face ca variabila impozit să fie regăsită în postura de factor, fie în
mod explicit, fie ca element de formare a venitului disponibil sau, în
general, a realizărilor nete exprimate valoric. De exemplu (Chiarini):
Solicitări băneşti pentru investiŃii = a + b (Profit – Impozite) +
+cTrend + d Impozite indirecte + u

Transferurile bugetare sunt dependente de rata şomajului,

inflaŃie, salariul minimal. De exemplu (Maddala):
Transfer plăŃi = f(PopulaŃie, Rata şomajului, Indicele de preŃuri, PNB
per capita)

6.5.4 PreŃurile şi costurile

Factorii determinanŃi pentru evoluŃia preŃurilor sunt: salariile,
preŃul importului, impozitele indirecte, oferta.
Exemple de funcŃii de preŃuri:

PreŃ = a+ b Salarii + c Indicele preŃurilor de import + d Impozite + u

Modelul FRB St. Louis:

Indice de preŃuri = 2,05 + 0,8 Consum în perioada anterioară +
+1,01 InflaŃie anticipată + u

77
 Costurile sunt considerate ca funcŃie de condiŃiile specifice de
activitate (grad de epuizare a zăcământului, cota de piaŃă a
produsului), dar şi funcŃie de factorii comuni precum: salariul mediu,
evoluŃia preŃurilor la import, puterea sindicatelor în negocierea
salariilor.
În marile modele, alături de ecuaŃiile care formează secŃiunea
economiei reale, în sensul că se referă la consum, producŃie, investiŃii,
export, se întâlnesc şi ecuaŃiile care se referă la secŃiunea preŃuri-
salarii şi cele care se referă la relaŃiile de natură financiar-bancară din
economie.

78
 Capitolul 7
EvoluŃia proceselor economice în decursul
timpului

7.1 Problema tendinŃei generale

Problema evoluŃiei proceselor economice în timp interesează

datorită următoarelor:
• Măsurarea rolului unor factori calitativi care îşi desfăşoară
acŃiunea în decursul timpului (progresul tehnic, acumulările de bunuri,
procesele de învăŃare) poate fi abordată luând în calcul variabila timp
privită ca un şir de numere în progresie aritmetică;
• AcŃiunea unor cauze care nu afectează instantaneu variabila-
efect, ci după un interval de timp (lag) mai mult sau mai puŃin
îndelungat. De aici interesul pentru cunoaşterea distanŃei în timp la
care se manifestă influenŃa factorilor, intervalul dintre evoluŃia unor
variabile-semnal (variabile precursoare) şi modificarea variabilei-
efect, întârzierea la care apar implicaŃiile economice generate de
măsurile guvernamentale;
• EvidenŃierea invarianŃilor (tendinŃa evolutivă, oscilaŃiile
sistematice) în sensul măsurării intensităŃii acestora şi modelării
rolului lor în evoluŃia viitoare a procesului economic.

7.2 NoŃiuni specifice analizei seriilor cronologice

Seria cronologică (de timp, dinamică) reprezintă o secvenŃă de

niveluri ordonate în raport cu succesiunea perioadelor (momentelor
de timp). Nivelurile se notează cu yt, t = 1,2, ..., n.

Analiza seriilor cronologice (engl. TSA – time series analysis)

este o metodă generală de caracterizare a seriei cronologice din
perspectiva componentelor sistematice sau aleatoare în vederea
măsurării intensităŃii şi continuităŃii lor, astfel încât procesul analizat

79
din perspectiva temporală să devină predictibil. Analiza recurge la
metode specifice: medii mobile, indice de sezonalitate, modele
stochastice.

Cronograma este reprezentarea grafică destinată descrierii

evoluŃiei unui fenomen în decursul timpului. Se utilizează un sistem
de axe rectangulare, axa orizontală fiind pentru evoluŃia timpului
(variabila independentă), reprezentat ca o succesiune de
perioade/momente ordonate, iar axa verticală este destinată măsurării
procesului economic reprezentat.

TendinŃa generală (trend) este evoluŃia în timp a fenomenului

analizat, exprimată într-o formă stilizată care reŃine aspectul general,
de creştere, respectiv de descreştere, neafectat de abaterile temporare.

Sezonalitatea este evoluŃia manifestată prin oscilaŃii repetabile

ca sens şi amploare, fie în jurul tendinŃei, fie în jurul unui nivel mediu,
urmare a unor factori care revin periodic la intervale mai mici de 1 an.

Lag este o întârziere exprimată în unităŃi de timp, între

modificarea variabilei cauzale şi manifestarea efectului.

7.3 Modelul liniar unifactorial şi calculul

tendinŃei generale
Reprezentarea evoluŃiei în decursul timpului a unei variabile
economice este seria cronologică, sub forma unui tabel cu date şi cea
grafică (cronograma).

Anul 2007 2008 2009 2010

trim. I II III IV I II III IV I II III IV I

yt 2 3 7 4 4 5 8 8 7 10 10 12 13

t -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6

80
 14

12

10

0
I II III IV I II III IV I II III IV I

Atât datele din tabel cât şi reprezentarea lor grafică evidenŃiază

faptul că, pe măsură ce trece timpul, amploarea fenomenului, în
general, creşte. În alte situaŃii fenomenul descreşte în intensitate în
decursul timpului. Acestea sunt cele două tendinŃe de bază.

Variabila independentă este timpul, notată cu t, şi exprimată în

unităŃi de timp, de perioadă egală, prezentând o succesiune ordonată
pe scara timpului.
Variabila dependentă, yt este variabila economică a cărei
evoluŃie se studiază.
Abaterile, influenŃele perturbatoare asupra tendinŃei se notează
cu ut.
Modelul devine:
yt = a + bt + ut
Timpul creşte cu un spor constant egal cu 1 (o lună, un trimestru,
un an), astfel încât exprimarea sa numerică poate fi reprezentată de
şirul numerelor naturale
t = 1, 2, ..., n, dar şi de şirul
t = ..., -3, -2, -1, 0, 1, 2, 3, ... (n impar) sau
t = ...,-2,5; -1,5; -0,5; 0,5; 1,5; 2,5; ... (n par)
astfel încât Σt = 0.

81
În vederea estimării parametrilor a, b din modelul yt = a + bt + ut, se
aplică metoda celor mai mici pătrate, ceea ce implică
Σu2 = minim. În situaŃia în care Σt = 0, sistemul de ecuaŃii normale
se simplifică şi se obŃine estimarea parametrilor:

aˆ =
∑y bˆ =
∑ y ⋅t
n ∑t 2

Dacă se atribuie timpului valori în afara celor n unităŃi sau

perioade pentru care avem date, se pot obŃine pe baza modelului, în
urma estimării, niveluri extrapolate ale tendinŃei.
Acestea pot fi considerate drept predicŃii pentru procesul
analizat (y) dacă se acceptă continuitatea condiŃiilor care au imprimat
tendinŃa procesului.

Exemplu
• Se exemplifică determinarea şi extrapolarea tendinŃei generale
pe baza datelor anterioare.
• Se au în vedere următoarele:
• aspectul general de tip liniar al evoluŃiei descrise de cronogramă;
• existenŃa unui număr impar de trimestre;
• calculul produselor y ⋅ t, t2 şi obŃinerea sumelor Σy; Σyt; Σt2.

Anul 2007 2008 2009 2010 Sume

trim. I II III IV I II III IV I II III IV I
yt 2 3 7 4 4 5 8 8 7 10 10 12 13 93
t -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 0
t2 36 25 16 9 4 1 0 1 4 9 16 25 36 182
yt -12 -15 -28 -12 -8 -5 0 8 14 30 40 60 78 150
Se obŃin estimaŃiile:
aˆ = 7,1538
bˆ = 0,824
iar tendinŃa:
~
y = 7,1538 + 0,824 ⋅ t

82
Valori extrapolate privind tendinŃa:
~
yt =7 = 12,9212 trim. II 2010
~
yt =8 = 13,7458 trim. III 2010
~
yt =9 = 14,5698 trim. IV 2010
ObservaŃii
• Nivelul mediu exprimat de ordonata la origine este de 7,1538 pe
trimestru;
• Panta exprimată de b = 0,824 indică o creştere (fiind pozitivă)
medie trimestrială de 0,824;
• Extrapolările pot fi considerate valori aşteptate în viitor dacă
prezenŃa altor componente sistematice (sezonalitate, ciclicitate) este
exclusă, iar schimbări majore ale condiŃiilor din trecut nu intervin.

7.4 Clasificare a seriilor cronologice în raport cu

existenŃa sau inexistenŃa tendinŃei generale

• Seria staŃionară – caracterizată prin oscilaŃii, mai mult sau mai

puŃin întâmplătoare, ca mărime şi direcŃie, în jurul unui nivel de
referinŃă, media. O serie staŃionară este rezultatul unui proces
stochastic staŃionar pentru care media şi dispersia sunt constante,
indiferent de momentul de la care începe seria.
• Seria nestaŃionară – care prezintă tendinŃă de creştere sau de
scădere, ceea ce face ca media valorilor yt să difere, funcŃie de
momentul de început al seriei. TendinŃa specifică seriei nestaŃionare
poate fi:
• de tip determinist – fiind invariabilă pe un interval mare de
timp, atât ca direcŃie câtşi ca pantă. O astfel de serie este uşor de
prevăzut, valorile extrapolate satisfac din perspectiva preciziei;
• de tip stochastic - în sensul că pe segmente de timp,
dispuse în succesiune, poate prezenta unele modificări, îndeosebi în
ce priveşte panta.

În modelare se urmăreşte izolarea tendinŃei generale în vederea

analizei fluctuaŃiilor sistematice (sezonalitatea, analiza spectrală) sau

83
în vederea analizei propagării abaterilor de la tendinŃă (modele
stochastice de prognoză).

În raport cu modalitatea recomandată în vederea eliminării

tendinŃei, se deosebesc:
• Seria nestaŃionară de tip T.S.P. (tred stationary process) pentru
care trendul se recomandă să fie eliminat prin scădere
Yt = ( yt − ~
yt ) sau împărŃire Yt = ( yt / ~
yt )
ceea ce ar conduce la seria staŃionară yt ;
• Seria nestaŃionară de tip D.S.P. (difference stationary process)
pentru care trendul se elimină prin calculul diferenŃelor de ordin 1:
sau 2. Yt = ( yt − yt −1 ) = ∆yt

7.5 DependeŃe în economie manifestate în mod

sincron sau cu decalaje în timp

7.5.1 Seria integrată, serii cointegrate privind procese

economice evolutive
Seria integrată este o serie care poate fi redată prin părŃi
componente care pot recompune seria originală prin însumare.
Seria yt care urmează un trend liniar, prin calculul diferenŃelor de
ordinul 1 devine staŃionară. Este considerată serie integrată de ordinul
I (I(1)).
Yt = ∆yt = yt +1 − yt , (t = 1,..., n − 1)
Readucerea şirului termenilor yt la forma originală implică o
însumare a componentelor:
n −1
y1 + Y1 = y2 ; y1 + Y1 + Y2 = y3 ;...; y1 + ∑ Yt = yn
t =1
Este posibil să se constate şi alte ordine de integrare decât 1:
• serie integrată ordinul zero (I(0)) – seria staŃionară;
• serie integrată de ordinul doi (I(2)) – presupune ca şirul valorilor
yt să ajungă la starea de a fi staŃionar după transformări care implică
determinarea diferenŃelor de ordinul doi.

84
 Exemple
Cazul 1
yt : 2; 3; 2; 3; 2; 2; 3; 2; 3 întrucât este staŃionară este considerată
integrată de ordinul zero (I(0)) ;
Cazul 2
yt : 20; 22; 23; 25; 27; 27; 30; 32 întrucât prezintă tendinŃă care poate
fi eliminată prin diferenŃe de ordinul 1, seria este integrată de ordinul
1 (I(1)):
∆yt : 22-20=2; 23-22=1; 2; 2; 0; 3; 2
Cazul 3
yt : 8; 9; 12; 14; 16; 19; 25; 33; 43 întrucât pentru a fi transformată în
serie staŃionară este necesar calculul diferenŃelor de ordinul 2, adică
într-o primă fază:
∆yt : 9-8=1; 12-9=3; 2; 2; 3; 6; 8; 10,
iar în faza a doua:
∆(2)yt : ∆yt+1 - ∆yt = 3-1=2; 2-3=-1; 0; 1; 3; 2; 2
se consideră seria ca fiind integrată de ordinul 2.

Serii cointegrate sunt considerate acele serii cronologice care,

pe lângă faptul că sunt serii integrate de acelaşi ordin, admit o
combinaŃie liniară care este integrată de ordin zero, sau, în orice caz,
este integrată de ordin mai mic decât ordinul de integrare al seriilor
iniŃiale.

Exemplu
Fie seriile:
yt : 1; 2; 3; 4; 5; 6 ∆yt : 1; 1; 1; 1; 1
xt : 8; 10; 12; 14; 16; 18 ∆xt : 2; 2; 2; 2; 2
ambele integrate de ordinul 1.
CombinaŃia liniară:
zt = 2yt + (1 – 2)xt este o serie integrată de ordin zero:
zt : - 6; - 6; - 6; - 6; - 6; - 6 ∆zt = 0
Seriile yt, xt sunt cointegrate de ordin(1,0), notate CI(1,0).

Din perspectiva econometriei, seriile cointegrate conduc la o

analiză de regresie de calitate, în sensul că estimatorii sunt consistenŃi,
iar testele t şi F sunt performante.

85
 Din perspectiva analizei statistice şi economice, seriile
cronologice cointegrate semnalează o stare de echilibru pe termen
lung în ceea ce priveşte stilul de a evolua în timp. Astfel de serii
trădează o relaŃie de influenŃă reciprocă, evoluează în acelaşi ritm.

7.6 Modele dinamice destinate includerii

efectelor decalate în timp

Efectul celor mai multe dintre impulsurile date economiei prin

intermediul factorilor exogeni se resimte după trecerea unui interval
de timp.
Motive care provoacă întârzieri în manifestarea acŃiunii unui
factor pot fi:
• motive de natură psihologică: obiceiurile, inerŃia, teama. De
exemplu, o creştere bruscă a venitului nu determină o modificare
totală a consumului, pe de o parte datorită obişnuinŃelor şi gusturilor
încetăŃenite, iar pe de altă parte temerilor că aceasta nu va dura;
• motive de natură tehnologică: adaptarea liniilor de fabricaŃie,
reconversia forŃei de muncă, fac ca un impuls privind capitalul sau
mâna de lucru să producă un impuls care se va manifesta pregnant
după un timp;
• motive de ordin instituŃional – legate îndeosebi de obligaŃiile
contractuale (care condiŃionează aprovizionarea, livrarea, încasarea
drepturilor, încasarea dobânzii pentru depozite la termen) au, de
regulă, darul de a întârzia schimbarea în raport cu modificarea rapidă a
unor condiŃii.

În raport cu durata de aşteptare a efectului, întârzierile pot fi:

• de durată scurtă, de regulă mai mică de 1 an (intensificarea
reclamei, vânzările; stimulentele materiale şi producŃia; creşterea
depunerilor şi creşterea veniturilor din dobânzi; creşterea inflaŃiei şi
accelerarea circuitului banilor);
• de durată medie, între 1-3 ani (modernizarea tehnologiei şi
producŃia; modificări de legislaŃie şi comportamentul economic;
îmbunătăŃirea calităŃii produsului şi creşterea vânzărilor;
industrializarea şi calitatea mediului);

86
• de lungă durată (investiŃiile în transporturi şi rentabilizarea
transporturilor; dezvoltarea învăŃământului şi creşterea productivităŃii
şi calităŃii activităŃilor).

Pentru a evidenŃia efectul apărut cu întârziere de 1, 2, ...

perioade, se foloseşte termenul lag, iar reprezentările care includ
factori cu efect întârziat sunt considerate modele lag sau modele
dinamice.

Problemele de măsurare care apar în specificarea şi utilizarea

modelului lag în analiza şi prognoza economică sunt:
• stabilirea unităŃii de timp la care se referă fiecare nivel al
variabilelor modelului;
• delimitarea întârzierii apariŃiei efectului în urma modificării
cauzei;
• estimarea parametrilor.

7.6.1 Stabilirea unităŃii de timp

Stabilirea unităŃii de timp căreia îi corespunde un nivel yt

presupune alegerea între posibilităŃi de a obŃine date anuale,
trimestriale, lunare, săptămânale, eventual cincinale sau decenale.
O unitate de timp prea mare face inaccesibilă depistarea de
influenŃe cu întârzieri de durate scurte, iar alegerea unei unităŃi prea
mici poate provoca dificultăŃi pentru obŃinerea datelor sau delimitarea
întârzierilor de durată lungă.
OpŃiunea pentru o anumită unitate de timp trebuie să se bazeze
pe particularităŃile fenomenului, obiectivele demersului econometric şi
pe posibilităŃile existente de a obŃine date privind unitatea de timp
considerată revelatoare.

Delimitarea întârzierii apariŃiei efectului în urma modificării

cauzei

Cronograma privind evoluŃia variabilei cauzale, suprapusă

cronogramei variabilei efect, poate pune în evidenŃă (prin simpla
deplasare a uneia pe axa timpului) o analogie care apare după una sau
mai multe unităŃi de timp.
87
 Un procedeu bazat pe sensibilizarea coeficientului de
determinaŃie (varianta ajustată) prin introducerea unui factor
suplimentar, în sensul de creştere cu încă o perioadă a întârzierii de la
care se simte efectul presupune următoarele etape:
• prestabilirea unui interval rezonabil ca mărime după trecerea
căruia factorul nu mai poate exercita practic nici o influenŃă notabilă
asupra variabilei efect;
• se procedează la estimarea parametrilor, urmată de calculul
coeficientului de determinaŃie R̂ 2 pentru cele k+1 ecuaŃii (se
presupune că după k+1 perioade de timp factorul nu mai are efect):
y (t ) = b + a0 x(t ) + ut
y (t ) = b + a0 x(t ) + a1 x(t −1) + ut
....................................
y (t ) = b + a0 x(t ) + a1 x(t −1) + a2 x(t − 2 ) + ... + ak x(t − k ) + ut
În final se constată pentru care dintre ecuaŃii s-a obŃinut cel mai
mare nivel al coeficientului de determinaŃie (ceea ce corespunde
variantei cu cea mai mică dispersie a valorilor reziduale) şi această
ecuaŃie va fi reŃinută în vederea analizei şi prognozei.

7.6.2 Estimarea parametrilor

În ceea ce priveşte parametrii modelelor cu efect întârziat,

aceştia sunt variabili ca număr în raport cu tipul de model rezultat în
urma specificării.

Tipuri de modele

Modele unifactoriale în care efectul se simte după o întârziere de

o unitate de timp:
yt = a0 + a1 xt −1 + ut
unde y poate fi: productivitate, ofertă, recoltă, iar x poate reprezenta:
utilaje, cerere, umiditatea solului.

Modele autoregresive în care întârzierea este distribuită pe mai

multe unităŃi de timp:

88
 yt = a0 + a1 yt −1 + a2 yt − 2 + ut
unde y reprezintă consumul sau acumulările sau profitul.

Modele mixte în care variabilele cauzale, cu sau fără efect

întârziat pot fi de natură exogenă (x) sau autocorelate (yt-1):

yt = a0 + a1 xt + a2 xt −1 + a3 yt −1 + ut
unde y poate fi cererea sau calitatea, respectiv x poate fi venitul sau
utilarea.

Modele în care variabila factorială (x) îşi transmite efectul în

mod treptat, atât în perioada t cât şi pe parcursul unui număr finit de
perioade de întârziere (lag distribuit sau întârzieri eşalonate):
yt = a0 + a1 xt + a2 xt −1 + a3 xt − 2 + a4 xt −3 + ut
unde y – producŃia, x – investiŃiile;
y – inflaŃia, x – creşterea ofertei de bani;
y – mărimea depozitului, x – dobânda cu capitalizare.

Între variantele modelului cu lag distribuit cel mai frecvent apar

în studiile aplicative următoarele două reprezentări:
a) varianta descreşterii în timp a efectului generat de modificarea
factorului:
( )
yt = a0 + a1 xt + kxt −1 + k xt − 2 + ... + ut
2

unde k este constantă subunitară;

b) varianta creşterii treptate a efectului urmată de o descreştere până la
anulare:
yt = a0 + b1 xt −1 + b2 xt − 2 + ... + bk xt − k + ut
b1 < b2 < ... < b j > b j +1 > ... > b j + k

89
 7.7 Autodeterminarea proceselor economice în
timp; modelele stochastice de tip ARMA

7.7.1 Considerente economice şi statistice pe care se

bazează modelul ARMA

Seria cronologică stochează suficientă informaŃie încât să facă

posibilă prognoza fără să fie strict necesară cunoaşterea evoluŃiei
viitoare a factorilor determinanŃi pentru procesul urmărit în timp.
Modelul stochastic de prognoză presupune eliminarea tendinŃei
generale din seria de date, dar aceasta nu înseamnă că ar trebui să fie
neglijată, ci se urmăreşte obŃinerea unei serii staŃionare, utile
predicŃiei.

Autodeterminarea este înŃeleasă în următoarele sensuri:

1. Autodeterminare ca manifestare a unui anumit grad de dependenŃă
în raport cu propriile realizări anterioare, urmare a unei
particularităŃi a evoluŃiilor din economie de a menŃine un proiect
odată început, dar şi de a repeta un comportament devenit tradiŃie.

Exemple
• În comerŃul exterior, intrarea pe o piaŃă externă are drept urmare
dezvoltarea exportului pe acea piaŃă cel puŃin 2-3 perioade succesive,
după care poate urma o stagnare, urmată de perioade de creştere sau
descreştere.
• Pe piaŃa valutară, o apreciere a monedei se menŃine, de regulă,
mai multe zile în şir, după care poate fi observată o perioadă de
recul.
• În domeniul producŃiei, o reutilare a sectoarelor productive sau o
pierdere de pieŃe de desfacere se reflectă în date, prin valori
succesive care depind una de alta. Valorile şirului staŃionar se succed
înregistrând, pentru un interval oarecare, semnul plus (primul caz),
respectiv minus.
• Pe piaŃa de capital pot fi constatate valori în alternanŃă de semn
mai ales pe o piaŃă volatilă într-un interval dat.

90
 Un astfel de comportament al evoluŃiei în timp, caracterizat prin
legături cu ceea ce s-a realizat în trecut, poate fi reprezentat de un
model autoregresiv (AR) de forma:
yt = a0 + a1 yt −1 + a2 yt − 2 + ... + a p yt − p + ut
2. Autodeterminarea sub formă de acŃiuni compensatorii în vederea
contracarării unor ingerinŃe din afara sistemului.

Exemple
• AbsenŃa temporară a unui produs solicitat pe piaŃă are drept
urmare o vânzare în exces în perioadele următoare.
• Declanşarea unei greve care diminuează producŃia într-o
perioadă declanşează o creştere a producŃiei în perioadele următoare,
în vederea compensării stagnării acesteia şi realizării obligaŃiilor
contractuale.
• O acŃiune speculativă de amploare la bursă poate declanşa o
abatere semnificativă a cotaŃiei dincolo de nivelul fluctuaŃiilor
normale. Ea va fi foarte probabil urmată de o abatere în sens contrar,
un fel de corecŃie, în vederea situării în jurul nivelului de echilibru.

În reprezentările formale specifice modelelor stochastice de

prognoză, astfel de manifestări reparatorii sunt redate de modelul de
medie mobilă (MA) (movie average). Se consideră că nivelul
procesului din perioada t depinde de erorile din trecut (abaterile de la
normal, de la medie) astfel încât devierea accidentală este urmată de o
redresare:
yt = y + b1ut −1 + b2ut − 2 + ... + bq ut − q + ut

Bazat pe aceste elemente, modelul ARMA este definit ca un

agregat ce include impulsurile receptate cu întârzieri de
1, 2, ..., p intervale de timp, ca şi reacŃiile, exprimate în medie, la
abaterile accidentale (ut) de la evoluŃia liniară, manifestate în urmă
cu 1, 2, ..., q intervale de timp. Se noteză ARMA(p,q):
yt = a0 + a1 yt −1 + a2 yt − 2 + ... + a p yt − p + b1ut −1 + b2ut − 2 + ... + bqut − q + ut

În cazul prezenŃei tendinŃei generale în valorile originale (yt),

reprezentarea este dată de modelul mixt ARIMA(p,d,q),

91
 unde d = 1 dacă diferenŃele de ordinul 1 sunt staŃionare sau d = 2
dacă diferenŃele de ordinul 2 au condus la staŃionarea seriei.
Modelul ARIMA(p,d,q), prin transformarea seriei nestaŃionare în
serie staŃionară devine ARMA(p,q), fără a se uita ordinul diferenŃelor
(d) care au transformat seria.

7.7.2 ObŃinerea prognozelor

Previziunile obŃinute în urma utilizării modelului de tip ARMA

prezintă o serie de particularităŃi:
• previziunea este o mărime medie, condiŃionată de niveluri
înregistrate în trecut;
• prognoza se obŃine pas cu pas, în succesiune, întrucât
componenta AR obligă includerea în calcul a previziunii pentru
perioada n + t în vederea obŃinerii prognozei pentru perioada n + t +
1;
• abaterile reziduale (ut) influenŃează prognoza (în modelul MA)
doar cu valorile înregistrate până în perioada n (ultima perioadă
pentru care avem date);
• prognoza finală (yn+t*) integrează toate componentele care au
fost eliminate în etapa de identificare şi estimare (tendinŃa, precum şi
media y ).

7.8 FluctuaŃii sistematice în economie –

măsurare, analiză, prognoză

Cunoaşterea variaŃiilor sezoniere necesită depistarea

componentei sezoniere (prin metode grafice), măsurarea lor (prin
indici şi coeficienŃi de sezonalitate) şi analiza diferitelor cauze care
definesc ritmul producerii lor (de exemplu, periodicitatea lucrărilor
agricole, a concediilor, a sărbătorilor etc).
Ajustarea seriilor cronologice cu variaŃii sezoniere se bazează pe
descompunerea seriei, pe de o parte, în componenta trend ( ft) şi
componenta ciclică C (când este cazul) şi, pe de altă parte, în

92
componenta variaŃie sezonieră ( St ) considerând influenŃa aleatoare
nulă Σut =0), adică:
yt = ft + St (pentru un model aditiv)
yt = ft ⋅ St (pentru un model multiplicativ)

Ajustarea componentei sezoniere presupune eliminarea

influenŃei sezoniere. Ajustarea seriilor sezoniere constă în înlocuirea
termenilor reali ai seriei cu termeni calculaŃi şi are ca rezultat
obŃinerea unei serii cronologice cu variaŃii sezoniere riguros identice
de la o perioadă la alta şi cu influenŃă nulă la nivelul fiecărui an.
Această operaŃie se face, de regulă, prin metoda mediilor mobile.
Prin această metodă se definesc componenta trend şi componenta
ciclică. Pentru "capturarea" componentei sezoniere se calculează
indicii de sezonalitate. Pentru izolarea componentei sezoniere se
calculează coeficienŃii sezonieri (Sj), pe baza cărora se
desezonalizează seria iniŃială. Această operaŃie se face prin raportarea
valorilor aberante ( yi ) la coeficienŃii sezonieri.
Resezonalizarea este operaŃia inversă desezonalizării, aplicată
asupra valorilor calculate prin ajustare. Resezonalizarea se realizează
în funcŃie de modelul de compunere admis, în sens previzional.

7.8.1 Depistarea grafică a variaŃiilor sezoniere

Grafic, seria ajustată se prezintă sub forma unei linii ondulatorii,

cu bucle riguros identice, mai aplatizate faŃă de cronograma iniŃială,
repetabile în jurul liniei de trend.

93
 7.8.2 Ajustarea prin medii mobile

Ajustarea seriilor cronologice cu variaŃii sezoniere prin metoda

mediilor mobile constă în înlocuirea termenilor empirici cu termeni
rezultaŃi în urma calculării mediilor mobile pentru seria dată. Prin
înlocuirea termenilor reali cu termeni calculaŃi va rezulta o curbă mai
rotunjită sau o dreaptă de tendinŃă, cu condiŃia ca să se fi determinat
corect periodicitatea de variaŃie a fenomenului. Periodicitatea este
evidenŃiată de punctele de maxim sau de minim.

Calculul mediilor mobile constă în aflarea mediilor aritmetice

dintr-un număr impar sau par de termeni luaŃi succesiv, în funcŃie de
mărimea unui ciclu de variaŃie. Când numărul de termeni luaŃi în
calcul este impar, mediile obŃinute cad pe termeni reali pe care-i vor
înlocui. Când se cuprinde în calcul un număr par de termeni, mediile
cad între doi termeni reali.
Pentru a afla ce termen va fi înlocuit se face centrarea mediilor
mobile, adică se determină media aritmetică din două medii mobile
consecutive. Procedeul de determinare a mediilor mobile este
evidenŃiat în tabel.

Numărul termenilor din seria ajustată prin medii mobile este egal cu:
N - (n - 2) -1, respectiv N - (n - 2) - 2, unde:

94
N, reprezintă numărul termenilor din seria empirică,
n numărul termenilor cuprinşi în calculul mediilor mobile.
Prima relaŃie este pentru un n impar, iar a doua pentru un n par. De
exemplu, când N = 7, iar n = 3, respectiv n = 4, rezultă că seria
ajustată poate avea 7 - ( 3 - 2 ) -1 = 5 termeni, respectiv
7 - (4 - 2) - 2 = 3 termeni.

7.8.3 Indicii de sezonalitate

Devierile faŃă de valoarea medie, datorate sezonalităŃii, pot fi

măsurate prin indici de sezonalitate.
Indicii de sezonalitate se determină ca raport între termenii reali
şi cei ajustaŃi:
y y
i = i ⋅100, respectiv i = i
y i −1 y i −2

7.8.4 CoeficienŃii sezonieri

VariaŃiile sezoniere ( St ) se repetă, teoretic, identic de la o

perioadă la alta (lună de lună, trimestru de trimestru) şi se
compensează la nivelul anului, conform principiului de conservare a
ariilor. Practic, variaŃiile sezoniere nu se repetă absolut identic.
Pentru a ajusta o serie reală, respectând exigenŃele modelului
teoretic, variaŃiile sezoniere St observate se înlocuiesc cu valori
calculate numite coeficienŃi sezonieri, Sj , j =1,..., p perioade (j=1,...,
12 , pentru luni, respectiv j =1,..., 4 , pentru trimestre).

Calculul coeficienŃilor sezonieri

CoeficienŃii sezonieri se calculează ca o medie aritmetică a
variaŃiilor sezoniere, lună de lună sau trimestru de trimestru, pe
ansamblul a n ani: 1 n
Sj =
n
∑S
i =1
ij

unde Sij=St, j este luna sau trimestrul pentru care se calculează

coeficientul sezonier, iar i reprezintă anii observaŃi.

95
 Conform principiului compensării variaŃiilor sezoniere la nivelul
anului, suma, respectiv media coeficienŃilor sezonieri, pe an, trebuie
să fie zero.
În calcule apar rezultate uşor diferite, ca urmare a aproximărilor.
Efectul lor poate fi compensat printr-un corector „ dt ” rezultând un
coeficient sezonier corectat, Sj′ .

În cazul modelului aditiv, corectarea coeficienŃilor sezonieri

presupune calculul diferenŃelor: Sj ′=Sj – dt , unde:
1 p
dt = ∑ S j
p j =1
Rolul coeficientului corector „ d ” este de a repartiza eroarea de
aproximare pe ansamblul perioadelor, astfel devenind posibilă
respectarea principiului compensării:

∑S '
j =0

În cazul modelului multiplicativ, corectarea coeficienŃilor

sezonieri presupune calculul raportului:
Sj
S 'j =
dt
iar media lor este egală cu unitatea: S = 1

Exemplu

Datele înregistrate trimestrial, pe durata a doi ani, cu privire la

cifra de afaceri a unei firme sunt prezentate în tabel. Admitem ipoteza
continuităŃii trendului, a stabilităŃii sezoniere şi a lipsei influenŃelor
accidentale. Se cere:
• să se determine tendinŃa seriei
• să se calculeze indicii de sezonalitate şi coeficienŃii sezonieri
• să se desezonalizeze seria;
• să se extrapoleze seria pentru trimestrul I al anului următor celor
observaŃi.

96
 Anul 1 2
Trim.
1 1 2

2 3 5

3 4 7

4 2 4

1. Determinarea tendinŃei
Reprezentarea grafică a seriei evidenŃiază clar o evoluŃie sezonieră, cu
valori maxime în trimestrul 3 şi minime în trimestrul 1. De
asemenea, se observă o evoluŃie medie liniară ft = a + b t.

Elementele de calcul pentru linia de trend şi valorile estimate ( yti ):

97
EcuaŃia de trend liniar pentru seria considerată este:
yt =1,16 + 0,52 t.

2. Calculul indicilor de sezonalitate şi a coeficienŃilor de

sezonalitate
Indicii de sezonalitate sunt calculaŃi ca raport între valoarea
observată yi şi valoarea calculată corespunzătoare a trendului ft,
respectiv yt .
Se observă că indicii de sezonalitate variază în jurul unităŃii.
Valoarea lor medie la nivelul unui ciclu sezonier (al unui an, în
cazul nostru) este egală cu unitatea. De asemenea, se observă că
valorile primului şi ultimului trimestru, din fiecare an, sunt subunitare,
în celelalte trimestre sunt supraunitare, şi că valorile lor din fiecare
trimestru sunt diferite.
CoeficienŃii de sezonalitate se calculează ca medie aritmetică
simplă a variaŃiilor sezoniere pentru fiecare trimestru ( Sj ), în cursul
celor doi ani consideraŃi (cicluri sezoniere) şi anume:

0,595 + 0,532 1,364 + 1,168

S1 = = 0,564 S 2 = = 1,266
2 2
1,470 + 1,458 0,617 + 0,752
S3 = = 1,464 S 4 = = 0,685
2 2

98
 ObservaŃii
Media celor patru coeficienŃi de sezonalitate trebuie să fie egală cu 1,
evidenŃiind faptul că variaŃiile sezoniere în interiorul unui ciclu se
compensează. În cazul nostru, valoarea medie a coeficienŃilor de
sezonalitate este egală cu 0,995, valoare ce poate fi admisă, Ńinând
cont de aproximările luate în calcul.

3. Desezonalizarea seriei
Desezonalizarea seriei presupune calculul valorilor corectate şi
are ca scop obŃinerea tendinŃei fără influenŃa sezonieră. Seria
desezonalizată se obŃine prin raportarea valorilor empirice, yi la
valoarea coeficienŃilor de sezonalitate corespunzători, (Sj). Rezultatele
sunt prezentate în tabel, coloana 7.

4. Prognoza nivelului cifrei de afaceri pentru trimestrul 1 al

anului următor celor observaŃi

Folosim modelul de compunere multiplicativ yt = ft· St

unde: ft - trendul; St – componenta sezonieră.
a. Extrapolarea trendului. Valoarea prognozată, prin
extrapolarea trendului, pentru ti = 9 (trimestrul 1 al anului 3), este:
y9 = 1,16 + 0,52 · 9 = 5,84.

b. Corectarea valorii prognozate. Corectarea valorii

extrapolate cu influenŃa sezonieră presupune resezonalizarea valorii,
adică:
y9(1) = y9 · i 1 = 5,84 · 0,564 = 3,7376

În concluzie, ne putem aştepta ca cifra de afaceri a firmei "A" să

atingă, în trimestrul I al anului trei considerat, valoarea de 3,7376 sute
milioane lei, numai dacă se respectă ipotezele admise iniŃial, şi anume:
continuitatea trendului, păstrarea stabilităŃii sezoniere şi lipsa
influenŃelor accidentale.

99
 7.9 Elemente de analiză spectrală pentru
studierea fluctuaŃiilor sistematice

Caracteristic proceselor economice evolutive în timp este faptul

că fluctuaŃiile sezoniere, cele ciclice, oscilaŃiile de perioadă
săptămânală sau de perioadă zilnică se petrec simultan, astfel încât
întreaga evoluŃie în timp poate fi privită ca un agregat de oscilaŃii
sinusoidale de diferite frecvenŃe şi amplitudini.
Perioade de oscilaŃie completă constatate în diverse sectoare de
activitate economică sunt:
• în comerŃ: segmentul de 8 ore, ziua, săptămâna, luna, trimestrul,
anul;
• în transporturi: înainte de masă, după masă, intervalul de 24 de
ore, săptămâna, anul;
• în producŃie, productivitatea oscilează în prima parte a zilei, în
cea de a doua parte, în decursul săptămânii, dar şi a anului;
• în producŃia vegetală: anul, trimestrul, săptămâna, ziua;
• în activitatea băncilor cu clienŃii: ziua de muncă, anul.

Agregatul de oscilaŃie de diverse frecvenŃe într-un interval dat de

n unităŃi de timp poate fi exprimat de un polinom trigonometric.
Astfel, seria cronologică, după o transformare a ei într-o serie
staŃionară, este reprezentată de o sumă finită de funcŃii sinus şi
cosinus, de forma:
a0 p
 2π 2π 
yt = + ∑  a f cos f ⋅ t + b f sin f ⋅ t  + ut
2 f =1  n n 
unde: t reprezintă timpul cu valori t = 1, 2, ..., n;
f = frecvenŃa (numărul de oscilaŃii complete în intervalul de n
unităŃi de timp) cu valori prestabilite aflate în relaŃie armonică;
a0, af, bf = parametri:
2π
⋅ f = frecvenŃa redată în radiani.
n
FrecvenŃa oscilaŃiilor de diverse perioade trebuie determinată în
prealabil. În acest sens este importantă cunoaşterea anumitor elemente
privind procesul economic, dependenŃa sa de vreme, tradiŃie,
comportamentul uman, practicile instituŃionale repetate (începerea
activităŃii în învăŃământ, periodicitatea târgurilor, încasarea

100
impozitelor şi taxelor în regim preferenŃial, concediile celor care
lucrează în străinătate etc). Datele statistice urmărite în timp, dar şi
cronogramele aferente lor, pot da informaŃii despre oscilaŃiile care
apar, perioada fiecăreia şi, prin raportarea intervalului total la durata
fiecărei perioade, pot fi stabilite frecvenŃele. De regulă, o oscilaŃie de
bază de frecvenŃă f poate avea supraoscilaŃii ale căror frecvenŃe sunt
reprezentate de dublul, triplul etc. frecvenŃei respectivei oscilaŃii.
RelaŃia armonică a frecvenŃelor înseamnă consonanŃa dintre undele de
frecvenŃă aflate într-un raport care implică multiplii unei oscilaŃii de
bază. Ca urmare, f = 1, 3, 6, 9, 12, ... sau f = 1, 2, 4, 6, 8, ... .
În ceea ce priveşte estimarea parametrilor, se caută obŃinerea de
estimaŃii aˆ f bˆ f care să conducă la cea mai bună aproximare a funcŃiei
periodice f (t) printr-o sumă finită de funcŃii sinus şi cosinus care se
notează y (t). Prin analogie cu MCMMP, se are în vedere integrala:
2π

∫ [ f (t ) − y (t )] dt
1 2

2π
n
0

care atinge un minim atunci când aˆ f , bˆ f sunt coeficienŃii Euler-

Fourier ai funcŃiei f (t). CoeficienŃii se determină astfel:
2 n 2π
aˆ f = ∑ y t ⋅ cos f ⋅t
n t =1 n
2 n 2π
b f = ∑ y t ⋅ sin
ˆ f ⋅t
n t =1 n

aˆ 0 =
∑y t

n
Pe baza estimaŃiilor astfel obŃinute, poate fi determinată
amplitudinea oscilaŃiei de frecvenŃă f :
A = aˆ 2 + bˆ 2
f f f

n
O amplitudine mare la perioade subanuale ≤ 4 trimestre sau
f
12 luni semnalează sezonalitatea; la perioade mai mari de 1 an, pentru
n
care ≥ 4 trimestre sau 12 luni, este semnalată ciclicitatea; pentru f =
f
1, o amplitudine relativ mare semnalează prezenŃa tendinŃei generale
în seria de date.

101
 Etape de urmat în aplicarea analizei spectrale

1. Culegerea de date pentru un număr suficient de mare de

unităŃi de timp (serie lungă de date cu n > 40).
2. Eliminarea tendinŃei dacă seria este nestaŃionară fie prin
scădere, fie prin împărŃire, fie prin diferenŃe de ordinul d.
3. Stabilirea frecvenŃelor (f) în raport cu perioadele pentru care
pot fi admise oscilaŃii complete, fie din teoria şi practica economică,
fie observate în reprezentările grafice.
4. Estimarea parametrilor.
5. Verificarea gradului în care seria cronologică poate fi
reprodusă de componentele agregate.
6. Determinarea amplitudinii.
Analiza spectrală permite o structurare a procesului evolutiv în
timp, în raport cu intensitatea vibraŃiilor (oscilaŃiilor) de diferite
frecvenŃe şi amplitudini. O astfel de abordare a analizei evoluŃiilor
descrise de seriile cronologice poate conduce la concluzii interesante
pentru manageri, planificatori, cercetători în domeniul conjuncturii şi
prognozei.

102
 Capitolul 8
Modelul econometric cu ecuaŃii simultane
Modelele pezentate în capitolele anterioare nu satisfac în toate
situaŃiile, datorită următoarelor considerente:
a) În economie există numeroase procese interdependente, fiecare
presupunând o buclă feed-back cu influenŃe bidirecŃionale.
Exemple:
• Creşterea venitului conduce la creşterea impozitului, iar
modificarea impozitului influenŃează venitul. Fiscalitatea
exagerată descurajează obŃinerea de venituri suplimentare şi
invers.
• Cererea depinde de modificarea preşului, dar şi de alŃi factori
care, amplificând-o, antrenează creşterea preŃului.
• Creşterea economică este influenŃată, prin intermediul
investiŃiilor, de rata dobânzii şi influenŃează, prin solicitările de
bani, preŃul creditului, adică rata dobânzii.
• Modificarea cursului de schimb, în direcŃia aprecierii leului,
influenŃează atât exportul (descurajare) cât şi importul
(încurajare), iar fluctuaŃia soldului, prin excedentul sau nevoia
de valută, influenŃează cursul de schimb.
b) Economia naŃională, dar şi economia sectorială sau economia
firmei, presupun numeroase legături între procese, precum şi obŃinerea
de transformări (materia primă şi energia se transformă în produse
manufacturate, marfa se transformă în bani şi invers). Pentru a
cunoaşte şi controla mai bine astfel de transformări, modelul
econometric, prin includerea de ecuaŃii care se referă la funcŃii de
producŃie, funcŃii de consum, funcŃii de cost, dar şi la unele echilibre
economice, reprezintă o soluŃie. Având în vedere faptul că economia
poate fi privită ca un păienjeniş de dependenŃe între variabile care
formează un lanŃ de efecte şi cauze, reprezentarea formală trebuie să
reflecte acest sistem complex.
c) Realizatorul sau beneficiarul modelului econometric poate urmări
obiective multiple dintr-un domeniu, dar poate fi interesat şi de
implicaŃiile dezvoltării domeniului respectiv şi de rolul unor măsuri

103
care pot influenŃa întreg lanŃul cauzal în care se înscrie domeniul.
Reprezentarea prin multiple ecuaŃii apropie modelul elaborat de
sistemul reflectat (procesul economic) şi face posibilă realizarea de
simulări.

8.1 Formele de prezentare ale modelului cu

ecuaŃii simultane; modele clasice

Se prezintă în cele ce urmează câteva modele econometrice

clasice.
1. Modelul inspirat de teoria lui M. Keynes de determinare a
veniturilor la nivel macroeconomic:

Consum = a0 + a1 Venituri + u
Venituri = Consum + InvestiŃii + Cheltuieli guvernamentale +
Sold comerŃ exterior

ObservaŃii:
Acest model conŃine o ecuaŃie de regresie şi o identitate.
Veniturile apar în dublă ipostază: de factor în prima ecuaŃie şi de
efect în cea de a doua.
Consumul este pe post de efect în prima ecuaŃie şi de
componentă factorială în cea de a doua.
Venitul şi consumul se influenŃează reciproc, evoluând
împreună, simultan. O creştere a venitului conduce la modificarea
consumului, iar creşterea consumului face ca veniturile să crească.
Înlocuind în a doua ecuaŃie consumul cu expresia sa din prima
ecuaŃie, se obŃine o formă redusă a reprezentării:

Venituri = (a0 + a1 Venituri + u) + InvestiŃii + Cheltuieli

guvernamentale + Sold comerŃ exterior

Dacă se izolează variabila Venit, se obŃine:

VEN =
1
(a0 + INV + CG + Sold Cex )
1 − a1

104
 1
Raportul 1 − a se numeşte în teoria economică multiplicatorul
1

veniturilor, propus de Keynes.

2. Modelul echilibrării preŃului şi ofertei pe piaŃa produselor cu ciclu

lung de fabricaŃie

Un astfel de proces poate începe cu situaŃia în care oferta este

mică (qt = 2), ceea ce face ca preŃul să fie mare (pt = 10); preŃul
determină producătorii să realizeze şi să ofere o cantitate mult mai
mare (qt+1 = 12). Cererea fiind depăşită, preŃul scade mult (pt+1 = 4).
Scăderea preŃului descurajează producătorii, astfel încât qt+2 = 6; ceea
ce face ca preŃul să crească, devenind pt+2 = 7, etc.

PreŃ

10

2 4 6 8 10 12 Cantitate

Un nivel de echilibru se va situa în jurul valorilor p = 5,5; q = 7.

Modelul care descrie un astfel de proces este următorul:

p t = a 0 + a 1q t + u 1
qt = b0 + b1pt-1 + u2

PreŃul şi cantitatea sunt interdependente, dar existenŃa întârzierii

conferă modelului un caracter dinamic.

105
 Dacă se înlocuieşte în prima ecuaŃie cantitatea cu expresia sa,
rezultă:
pt = a0 + a1( b0 + b1pt-1 + u2 ) + u1 = α0 + α1pt-1 + v1

ceea ce reduce influenŃele în sensul evidenŃierii unui singur factor pt-1.

3. Modelul axat pe fluxurile comerŃului exterior

EXP = a0 + a1CS + a2PIB(K) + u1

IMP = b0 + b1CS + b2PIB + u2
CS = c0 + c1(INFL – INFL(K)) + c2(rataPIB – rataPIB(K)) +
+∆CEX + u3
∆CEX = EXP – IMP

unde: CS = cursul de schimb; INFL = inflaŃia; K = Ńara în care se

exportă; ∆CEX = sold comerŃ exterior.
Şi în această reprezentare se regăseşte o simultană determinare
între cursul de schimb (CS) şi soldul comerŃului exterior. Modelul este
format din trei ecuaŃii de regresie şi o identitate. Sunt patru variabile
endogene: EXP, IMP, CS, ∆CEX.

4. Modelul IS – LM investiŃii, economii – cerere de bani, masa

monetară

Invest = a0 + a1 Rata dob. + a2 Venituri + u1

Consum = b0 + b1 Venituri disponibile + u2
Impozite = c0 + c1 Venituri + u3
Venituri disponibile = Venituri – Impozite
Venituri = Consum + InvestiŃii + Chelt. guvern. + Sold com. ext.

Între Impozite şi Venituri există o interdependenŃă întrucât o

creştere a Veniturilor duce la creşterea Impozitelor, iar acestea, la
rândul lor, modifică Consumul şi, implicit, Veniturile.
Modelul este format din trei ecuaŃii de regresie şi două identităŃi.
ConŃine variabilele de tip endogen: InvestiŃii, Consum, Impozite,
Venituri disponibile, Venituri şi variabilele de tip exogen: Rata
dobânzii, Cheltuieli guvernamentale, Sold comerŃ exterior.

106
 Aceste modele cu ecuaŃii multiple evidenŃiază unele aspecte
caracteristice:
a) Descriu economia ca o structură de componente şi de relaŃii
între componente (relaŃii de dependenŃă, relaŃii de identitate sau de
echilibru) prin forma structurală a modelului.
b) Variabila-efect într-o ecuaŃie poate fi variabilă factorială într-
o altă ecuaŃie şi invers, fapt pentru care este preferată denumirea de
variabile endogene şi variabile exogene (sau predeterminante dacă
între factori există şi variabile cu efect întârziat). Variabila endogenă
apare într-o ecuaŃie în stânga egalităŃii, ceea ce face posibilă obŃinerea
de valori generate de model pentru o astfel de variabilă; cele exogene
apar numai în dreapta egalităŃilor, iar datele pentru ele provin exclusiv
din surse externe (statistici, evidenŃe). Modelul include atâtea ecuaŃii
câte variabile endogene are în vedere.
c) Adesea se caută obŃinerea unei forme reduse a modelului, ca
urmare a înlocuirii acelor variabile endogene care apar în postura de
factori, cu expresiile lor.
d) Variabila endogenă aflată în postura de efect (rezultat) într-o
ecuaŃie de regresie care apare şi în postura de factor în alte ecuaŃii
implică dependenŃa unui astfel de factor de variabila reziduală. În
consecinŃă, metoda de estimare trebuie adaptată în aşa fel încât ipoteza
independenŃei factorului de variabila reziduală să fie confirmată.
e) ExistenŃa de interdependenŃe între variabile, manifestată sub
forma unor bucle de conexiune inversă atrage problema identificării
fiecărei ecuaŃii.

Formele de prezentare ale modelului se pot analiza pe următorul

model care conŃine două ecuaŃii de regresie şi o identitate:

y 1 = a 0 + a 1y 2 + a 2x 1 + u 1
y 2 = b 0 + b 1x 2 + u2
y3 = y2 – y1

Reprezentarea aceasta urmăreşte descrierea unor relaŃii

constatate (în practică sau fundamentate în teoria economică) pentru a
explica comportamentul unor variabile y1, y2, eventual y3. Întrucât se
referă la un proces economic, sistemul de ecuaŃii redă forma
structurală a modelului.

107
 Forma structurală este importantă nu numai pentru descrierea
formală a procesului economic (varianta de bază a modelului), ci şi
prin posibilităŃile de analiză economică (interpretarea estimaŃiilor),
precum şi de analiză statistică (R2, testele F, t, etc.).
Utilizarea notaŃiilor matriceale conduce la o formă mai
concentrată de prezentare, formă care are şi calităŃi legate de
generalizarea demersului şi descrierea unor transformări, calcule
destinate estimării.
Se notează parametrii ataşaŃi variabilelor endogene cu aij, iar cei
ataşaŃi variabilelor exogene, inclusiv parametrul liber, cu bij. Cu aceste
notaŃii, modelul devine:

y1 = b11 + a11y2 + b12x1 + u1

y2 = b21 + b22x2 + u2
y3 = y2 – y1

EcuaŃiile de regresie includ necunoscutele (parametrii). Pentru

aceste ecuaŃii se izolează variabila aleatoare şi se ordonează pe
coloane variabilele:

y1 – a11y2 – b11 – b12x1 = u1

y2 – b21 – b22x2 = u2

Aceste relaŃii se pot transcrie în forma matriceală astfel:

AY + BX = U

Redată explicit, relaŃia se prezintă astfel:

1
 1 − a11  y1   − b11 − b12 0    u1 
   +   x1  =  
 0 1  y 2   − b21 0 − b22    u 2 
 x2 

Forma redusă a modelului reprezintă o modalitate de

prezentare care implică o transformare a formei structurale într-o
variantă care conduce la redarea explicită a fiecărei variabile endogene
(aflate în stânga egalităŃilor) în raport cu variabilele exogene la care se

108
adaugă variabilele cu efect întârziat. Aceasta implică înlocuirea în
dreapta egalităŃilor sistemului de ecuaŃii simultane a tuturor factorilor
exprimaŃi de variabile endogene prin expresiile lor exclusiv bazate pe
factori exogeni sau cu efect întârziat.
În forma structurală a modelului se constată prezenŃa variabilei
endogene y2 în postura de factor. Înlocuirea acestei variabile cu
expresia sa şi a componentelor y1 şi y2 în ultima relaŃie conduce la
forma redusă.

y1 = b11 + a11( b21+ b22x2 + u2) + b12x1 + u1 = b11 + a11 b21+ b12x1 +
+a11 b22x2 + a11 u2 + u1
y2 = b21 + b22x2 + u2
y3 = (b21 + b22x2 + u2) – (b11 + a11 b21+ b12x1 + a11 b22x2 + a11 u2 + u1)
= (b21 – b11 – a11b21) – b12x1 + (b22 – a11b22)x2 + (u2 – a11u2 – u1)

Se notează:

α 0 = b11 + a11b21 ; α 1 = b12 ; α 2 = a11b22 ; v1 = a11u 2 + u1

β 0 = b21 ; β1 = b22 ; v 2 = u 2
γ 0 = b21 − b11 − a11b21 ; γ 1 = −b12 ; γ 2 = b22 − a11b22 ; v3 = u 2 − a11u 2 − u1

Cu aceste notaŃii, forma redusă devine:

y1 = α 0 + α1 x1 + α 2 x2 + v1
y2 = β 0 + β1 x2 + v2
y 3 = γ 0 + γ 1 x1 + γ 2 x2 + v3

Dacă interesează doar forma redusă a ecuaŃiilor de regresie,

atunci ecuaŃiile:

y1 = α 0 + α1 x1 + α 2 x2 + v1
y2 = β 0 + β1 x2 + v2

pot fi redate în formă matriceală.

109
 Din relaŃia: AY + BX = U, rezultă: AY = – BX + U, care se
înmulŃeşte din stânga cu A- 1 şi se obŃine:
A- 1 AY = – A- 1 BX + A- 1 U
se notează: – A- 1 B = H; A- 1 U = V, iar A- 1 A = I, astfel încât:
Y = HX + V

Forma redusă este utilă în perioada de estimare a parametrilor,

iar, în final, după estimare şi verificare, este recomandată pentru
obŃinerea de prognoze şi simulări.

8.2 Stabilirea variabilelor, funcŃiilor şi

identităŃilor
Pentru a elabora un model econometric format din zeci sau sute
de ecuaŃii, este necesar ca specialiştii din statistică, economie,
matematică şi informatică să colaboreze. Într-o primă etapă se
stabilesc obiectivele urmărite prin modelul respectiv. Acestea ar putea
fi: analiza economică din perspectiva rolului factorilor determinanŃi
din economie, analiza şi prognoza pentru un sector de activitate
economică (ramură, firmă, instituŃie), prognoza proceselor economice,
simularea de politici economice în vederea realizării unor obiective
macroeconomice.
Apoi se stabilesc resursele în ceea ce priveşte: datele statistice şi
acurateŃea acestora, gradul de detaliere a unor indicatori, resursele
umane, documentaŃia (care se referă la modul în care s-a procedat în
situaŃii similare în alte instituŃii sau centre de cercetare), resursele
materiale (dotarea cu calculatoare şi posibilităŃile de prelucrare în
diverse faze, existenŃa programelor de estimare, testare).
O a doua etapă o constituie stabilirea variabilelor endogene.
OpŃiunile în această privinŃă depind de: obiectivele urmărite, gradul de
detaliere urmărit, posibilităŃile pe care le oferă baza de date în ceea ce
priveşte existenŃa de date privind variabilele endogene din model.
Între variabilele endogene mai pot fi introduse şi acele variabile
factoriale care sunt, la rândul lor, determinate de alŃi factori cunoscuŃi
ca importanŃi sau sunt din categoria celor manevrabili de către guvern
sau patron.

110
 În etapa următoare se stabilesc factorii care determină fiecare
variabilă endogenă. Cu alte cuvinte, se stabilesc variabilele care vor
figura în fiecare ecuaŃie de regresie în partea dreaptă a semnului de
egalitate. Se va Ńine seama de ceea ce recomandă teoria economică.
Întrucât trebuie să ne restrângem la factorii cei mai semnificativi,
fiecare dintre variabilele potenŃial explicative este verificată din
perspectivele următoare:
• existenŃa de date statistice corecte şi care să acopere numărul de
cazuri (perioade sau unităŃi teritoriale, familiale din eşantion);
• creşterii gradului de determinare în urma introducerii lor în
model, precum şi diminuării abaterii medii pătratice a valorilor
reziduale;
• independenŃei sau absenŃei corelaŃiei foarte intense a variabilei
candidate la rolul de factor cu o altă variabilă factorială deja
inclusă în ecuaŃia de regresie;
• semnificaŃiei în sensul testului t, mai ales în situaŃiile în care
trebuie să optăm pentru alegerea unei variabile dintre doua
candidate pe acelaşi loc.

Alegerea funcŃiei (formei legăturii) se bazează pe elementele de

teorie economică:
• creştere / descreştere proporŃională cu evoluŃia factorului;
• existenŃa procesului de saturaŃie frecvent constatat în zona
cererii, dar şi a producŃiei;
• evoluŃii explozive într-o direcŃie sau alta în anumite situaŃii sau
pe intervale limitate;
• semnalele oferite de unele metode statistice sau econometrice
(reprezentări grafice, testul DW în caz de autocorelare, testul GQ
când eroarea este heteroscedastică, testul Box-Cox când se alege
între varianta liniară şi cea logaritmică, etc.).

IdentităŃile sunt introduse în model fie în vederea obŃinerii unor

informaŃii suplimentare, fie pentru a facilita şi consolida în acelaşi
timp forma redusă a modelului.
RelaŃiile de identitate se pot referi la:
• componentele unei variabile economice;
• modul de calcul al unor indicatori;
• echilibre de natură economică.

111
 Etapa specificării poate fi considerată încheiată, într-o primă
fază, în situaŃia în care:
• numărul de variabile endogene aflate pe lista obiectivelor
urmărite prin crearea modelului este egal cu numărul de ecuaŃii
din model;
• factorii fiecărei ecuaŃii sunt suficient de puternici, dar şi de
singulari ca rol (independenŃi de ceilalŃi factori din ecuaŃie) încât
să avem convingerea că dintre variantele permise de datele
statistice am ales varianta cea mai bună; similar se pune
problema în ceea ce priveşte funcŃia (forma legăturii) pentru
fiecare ecuaŃie.

Într-o a doua fază care urmează etapei identificării, estimării,

testării, specificarea poate fi reevaluată în raport cu rezultatele
diverselor teste (F, t, DW). Unele modificări în ceea ce priveşte
factorii sau tipul funcŃiei pot fi avute în vedere, astfel încât testele să
confirme fiecare ecuaŃie în condiŃiile unui grad de determinare
suficient de apropiat de 100%.

8.3 Identificare, estimare şi verificare în cazul

modelelor cu ecuaŃii simultane

8.3.1 Verificarea modelului din perspectiva

identificării fiecărei ecuaŃii

Etapa identificării este necesară pentru a ne asigura că fiecare

ecuaŃie de regresie din model este distinctă, nu se repetă în ansamblul
ecuaŃiilor modelului.
Din perspectiva estimării, caracterizarea fiecărei ecuaŃii drept
identificată confirmă faptul că unei anumite ecuaŃii din forma redusă îi
corespunde o anumită ecuaŃie şi numai una în forma structurală a
modelului. Ca urmare, parametrii formei structurale pot fi estimaŃi pe
baza estimaŃiilor obŃinute pentru parametrii formei reduse aparŃinând
respectivei ecuaŃii.

112
 O ecuaŃie de regresie din model este considerată identificată
atunci când nici o altă ecuaŃie asemănătoare (în ceea ce priveşte
variabilele incluse şi tipul de funcŃie) nu este regăsită în model şi nici
nu poate fi formată utilizând diverse combinaŃii liniare între ecuaŃiile
sistemului.
Modelul în general este considerat identificat atunci când
fiecare ecuaŃie de regresie este caracterizată drept identificată.

Din perspectiva identificării, ecuaŃiile pot fi de următoarele

tipuri:
• ecuaŃii identificate (perfect identificate);
• ecuaŃii supraidentificate;
• ecuaŃii neidentificate.

Criteriul de departajare îl reprezintă condiŃia de ordin:

• pentru ca o ecuaŃie din forma structurată a modelului să fie
considerată identificată este necesar ca, din ansamblul
variabilelor incluse în ecuaŃiile de regresie ale modelului,
numărul celor absente din ecuaŃia respectivă să fie egal cu
numărul de ecuaŃii de regresie minus 1;
• dacă ecuaŃia omite mai multe variabile (decât numărul ecuaŃiilor
de regresie minus 1) este considerată supraidentificată.
• dacă ecuaŃia omite mai puŃine variabile, este considerată
neidentificată.

Se consideră modelul din paragraful 8.1, din care se reŃin doar

ecuaŃiile de regresie:
y 1 = a 0 + a 1y 2 + a 2x 1 + u 1
y 2 = b 0 + b 1x 2 + u2
Ansamblul variabilelor este format din y1, y2, x1, x2, deci 4
variabile, iar numărul de ecuaŃii este 2.
În prima ecuaŃie sunt prezente 3 variabile, aşadar 1 variabilă
absentă, egal cu numărul de ecuaŃii minus 1. În concluzie, prima
ecuaŃie este identificată (perfect).
În a doua ecuaŃie sunt prezente 2 variabile, deci 2 variabile sunt
omise, mai multe decât 2 ecuaŃii minus 1. Această ecuaŃie este
supraidentificată.

113
 Pentru ca una dintre ecuaŃii să fie neidentificată, ar trebui să nu
se înregistreze nici o variabilă omisă, deci ecuaŃia să fie de forma:
y 1 = a 0 + a 1y 2 + a 2x 1 + a 3x 2 + u 3
Întrucât din ansamblul celor 4 variabile din model se regăsesc în
această ecuaŃie 4 variabile prezente, conform condiŃiei de ordin,
0 < 2 – 1, ecuaŃia este neidentificată.
Eliminarea neidentificării şi aducerea ecuaŃiei la forma
identificată sau supraidentificată se poate realiza prin includerea de
noi variabile în model (mai ales în alte ecuaŃii decât cea
neidentificată). o astfel de operaŃiune trebuie să se justifice fie din
perspectiva teoriei economice, fie din perspectiva criteriilor şi testelor
statistice.
O altă soluŃie ar consta în excluderea unor variabile din ecuaŃia
neidentificată, în vederea creşterii numărului de variabile absente.
Ar mai putea fi o soluŃie opŃiunea pentru o altă funcŃie, dacă se
justifică din perspectiva specificării modelului.
CondiŃia de rang este un alt criteriu pentru stabilirea
identificării: o ecuaŃie dintr-un sistem de G ecuaŃii structurale este
identificată, dacă se poate forma cel puŃin un determinant nenul de
ordin G – 1, luând în considerare parametrii prezenŃi în alte ecuaŃii şi
care corespund variabilelor absente din ecuaŃia respectivă.

8.3.2 Estimarea parametrilor

Marea majoritate a modelelor cu ecuaŃii simultane sunt

supraidentificate. Pe de altă parte, circularitatea unora dintre variabile
în sensul că ele pot fi regăsite, fiecare, în postura de variabilă
endogenă, dependentă de anumiŃi factori inclusiv de variabila
reziduală (u), dar şi în postura de variabilă factorială în alte ecuaŃii, cu
valori dependente în continuare de variabila reziduală reprezintă o
neconfirmare a unei ipoteze privind modelul. Este vorba de ipoteza
independenŃei factorului în raport cu eroarea (u). Neconfirmarea
ipotezei conduce la consecinŃe nedorite asupra estimatorului MCMMP
(imprecizie, consistenŃă afectată).
Astfel, MCMMP în varianta obişnuită nu conduce la estimaŃii
satisfăcătoare, motiv pentru care se recurge la alte variante de
estimare.

114
Metoda celor mai mici pătrate în două stadii (etape) (MCMMP-2)

Etapele metodei sunt următoarele:

Stadiul 1: - în forma redusă a modelului se aplică MCMMP pentru
fiecare ecuaŃie de regresie în vederea obŃinerii estimatorilor
αˆ 0 , αˆ1 ,..., βˆ0 , βˆ1 ,... . Pe baza acestor soluŃii estimate, precum şi pe baza
valorilor variabilelor predeterminate (exogene + variabile cu efect
întârziat), se obŃin niveluri ajustate pentru variabilele endogene
( yˆ1 , yˆ 2 ,...) ;
Stadiul 2: - în forma structurală, în dreapta egalităŃilor sunt căutate
acele variabile factoriale care sunt de tip endogen. Toate aceste
variabile endogene-factoriale (y) sunt înlocuite cu variabilele ajustate
( ŷ ) obŃinute în finalul primului stadiu, după care se trece la aplicarea
MCMMP pentru fiecare ecuaŃie structurală astfel adaptată.
MenŃiuni:
• se operează numai în partea dreaptă a egalităŃilor, înlocuind
valorile yi pentru variabilele endogene factoriale cu valorile
ajustate ŷi obŃinute pe baza variabilelor predeterminate în forma
redusă;
• prin includerea de valori ajustate ( ŷ ) s-a rupt legătura nedorită
dintre evoluŃia factorului (de tip endogen) şi eroare – ui. Valorile
ajustate, generate de model, se deosebesc de cele empirice (yi)
prin faptul că exclud rolul variabilei reziduale.

Exemplu: Modelul cu ecuaŃii simultane

y1 = b11 + a11y2 + b12x1 + u1
y2 = b21 + b22x2 + u2
y3 = y2 – y1
poate fi utilizat în vederea analizei şi prognozei cheltuielilor şi
veniturilor familiei, unde: y1 = cheltuieli; y2 = venituri; x1 = servicii
utilizate; x2 = ore de activitate remunerate; y3 = sold (economii).
Datele sunt următoarele:
y1 2 2 3 4 4 3 5 4 5 4 5 6 6 6
y2 4 5 5 5 6 6 6 7 8 7 8 9 10 9
x1 0,5 0,5 0,8 1 1 1 0,8 1 2 1 2 2 2 2
x2 160 160 165 170 170 170 180 180 200 180 200 200 190 200
Stadiul 1: în forma redusă:

115
 y1 = α 0 + α1 x1 + α 2 x2 + v1
y2 = β 0 + β1 x2 + v2
se aplică pentru fiecare ecuaŃie MCMMP.
Rezultă: α 0 = −8,13; α1 = 0,4083; α 2 = 0,0656; β 0 = −12,3686; β1 = 0,1062.
Se înlocuiesc parametrii obŃinuŃi:
y1 = – 8 ,13 + 0,4083 x1 + 0,0656 x2
y2 = – 12,3686 + 0,1062 x2
Se determină valorile ajustate.
Stadiul 2: în forma structurală se înlocuiesc valorile y2 din membrul
drept cu valorile ajustate ŷ2 şi se estimează cu MCMMP parametrii
din ecuaŃia formei structurale:
y1 = a 0 + a1 yˆ 2 + a 2 x1
obŃinându-se: aˆ 0 = −0,49; aˆ1 = 0,6177; aˆ 2 = 0,4083.
Pentru ecuaŃia a doua din forma structurală, bˆ0 = βˆ0 ; bˆ1 = βˆ1 .

Metoda celor mai mici pătrate în trei stadii (etape) (MCMMP-3)

Varianta metodei în 3 stadii include un filtru suplimentar în

vederea înlăturării eventualelor elemente comune ale variabilelor
reziduale din diversele ecuaŃii legate prin prezenŃa unor variabile în
dublă postură (efect într-o ecuaŃie, cauză în alta). Filtrul suplimentar
este reprezentat de matricea varianŃelor-covarianŃelor, notată cu M.
Etapele metodei sunt următoarele:
Stadiul 1: - în forma redusă se aplică MCMMP, se obŃin estimaŃii
αˆ 0 , αˆ1 ,... , precum şi valori ajustate yˆ1 , yˆ 2 ,... ;
Stadiul 2: - în forma structurală sunt înlocuite, în dreapta egalităŃilor,
variabilele endogene factoriale cu cu valorile ajustate obŃinute în etapa
1. Se aplică MCMMP, se obŃin estimaŃii aˆ 0 , aˆ1 ,... , valori ajustate
pentru toate variabilele endogene, precum şi valori ale variabilelor
reziduale obŃinute prin scădere y i − yˆ i în fiecare ecuaŃie de regresie.
Deci, se repetă etapele MCMMP în două stadii. Un calcul pregătitor
pentru stadiul 3 ar presupune obŃinerea dispersiilor reziduurilor
∑ u 2 / (n − k ) , rezultate din fiecare ecuaŃie, precum şi covarianŃa
pentru ecuaŃii luate câte două.

116
Stadiul 3: - destinat obŃinerii simultane a estimaŃiilor aˆ 0 , aˆ1 ,... pe
ansamblul formei structurale. În acest scop este utilizată formula
generalizată elaborată de A. C. Aitken:
( )( )
Bˆ = Z ' Mˆ −1 Z Z ' Mˆ −1Y
unde:
B̂ - vector coloană al tuturor parametrilor ecuaŃiilor structurale
din model;
Z - matrice diagonală a variabilelor factoriale (endogene ajustate,
exogene, variabile cu efect întârziat, variabila artificială, de element 1,
destinată estimării parametrilor liberi a0, b0, ..., etc.);
Y - vector coloană al valorilor variabilelor endogene.
Dimensiunile enorme ale elementelor relaŃiei fac ca aplicarea ei
să fie condiŃionată de existenŃa unui model adecvat în programele de
calculator.

Metoda celor mai mici pătrate indirectă

Varianta indirectă a MCMMP este recomandată în cazurile în

care modelul include ecuaŃii identificate (perfect). Procedeul prezintă
interes din punct de vedere teoretic, pentru că aceste cazuri sunt
rareori întâlnite în practică.
Metoda presupune ca în forma redusă să se obŃină estimaŃii
αˆ 0 , αˆ1 , βˆ0 ,... prin MCMMP. SoluŃiile sunt utilizate în vederea
estimării parametrilor în forma structurală, dar prin o nouă aplicare a
MCMMP, ci avându-se în vedere diferitele relaŃii de natură algebrică
dintre parametrii formei reduse şi parametrii formei structurale.
În exemplul anterior, prima ecuaŃie este identificată. Forma
redusă a acesteia y1 = α 0 + α1 x1 + α 2 x2 + v1 , în urma estimării
(α 0 = −8,13; α1 = 0,4083; α 2 = 0,0656) va reprezenta în stânga egalităŃii
variabila y1, iar y2 = – 12,3686 + 0,1062 x2 + u va înlocui variabila y2.
Prima ecuaŃie a formei structurale:
y 1 = a 0 + a 1y 2 + a 2x 1 + u 1
se rescrie astfel:
α 0 + α1 x1 + α 2 x2 + v1 = a0 + a1 (β 0 + β1 x2 + v2 ) + a2 x1 + u1
Se regrupează termenii şi se obŃine:

117
α 0 + α1 x1 + α 2 x2 = (a0 + a1β 0 ) + a1β1 x2 + a2 x1 + (u1 + a1v2 − v1 )
Dar aˆ 2 = αˆ1 = 0,4083 .
α 2 = a1 β1 , de unde rezultă:
α 2 0,0656
aˆ1 = = = 0,6177
β1 0,1062
α 0 = a0 + a1β 0 = a0 + 0,6177 ⋅ (− 12,3686) , de unde rezultă:
aˆ 0 = −8,13 + 7,64 = −0,49.

Estimarea parametrilor a avut în vedere cazul liniar. Introducerea

de reprezentări neliniare pot depăşi etapa estimării prin utilizarea unor
algoritmi specifici.
O particularizare a reprezentărilor cu ecuaŃii simultane care
complică estimarea constă în prezenŃa ecuaŃiilor liniare alături de cele
neliniare, precum şi a celor relativ independente în sistem, alături de
ecuaŃii legate de alte ecuaŃii prin variabile comune, aflate într-o dublă
postură.
În principiu, etapa estimării în astfel de situaŃii presupune o
prealabilă grupare a egalităŃilor, astfel încât rezultă:
• grupa ecuaŃiilor independente – pentru care MCMMP poate fi
aplicată în varianta obişnuită;
• grupa ecuaŃiilor interdependente, care, la rândul ei se subdivide
în blocuri de ecuaŃii în raport cu legăturile presupuse de
circularitatea unor variabile. Pentru fiecare dintre blocurile astfel
formate se aplică MCMMP-2 sau MCMMP-3;
• grupa identităŃilor formate din egalităŃi care includ relaŃii de
definire.

8.3.3 Etapa de verificare

Înainte de a se trece la utilizarea modelului econometric este

parcursă etapa de verificare, axată pe următoarele direcŃii:
− verificarea statistică a semnificaŃiei rezultatelor estimării,
precum şi a confirmării ipotezelor modelului şi a metodei de
estimare;

118
 − verificarea din perspectiva gradului de determinare, precum şi a
preciziei valorilor generate de model în raport cu valorile
empirice;
− verificarea prin simularea de situaŃii şi comparaŃii în raport cu
aşteptările.

În ceea ce priveşte testarea statistică, procedura presupune

aplicarea testelor t, F, GQ, DW, JB etc. asupra rezultatelor (estimaŃii,
valori reziduale) fiecărei ecuaŃii de regresie din forma structurală.
Modalitatea de verificare este cea a modelului cu o singură
ecuaŃie, dar testele se aplică de un număr de ori egal cu numărul de
ecuaŃii. La fel se pune problema în ceea ce priveşte determinaŃia (R2)
şi criteriul AIC.
Verificarea prin simulare urmăreşte testarea modelului în
ansamblul său, privit ca un produs care are calitatea de a reproduce
realitatea din care provine.
În general, modul de lucru are în vedere:
− atribuirea de valori variabilelor exogene, valori apropiate de cele
reale, pentru a obŃine un prim set de niveluri ajustate pentru
variabilele endogene;
− introducerea de influenŃe indirecte printr-un procedeu iterativ
care presupune ca într-o a doua etapă să se înlocuiască
variabilele endogene factoriale cu valorile generate de model în
prima etapă şi obŃinerea de noi valori ajustate pentru toate
variabilele aflate în stânga egalităŃilor în forma structurală;
− compararea valorilor generate de ultima iteraŃie cu ceea ce s-a
obŃinut în precedenta iteraŃie: dacă diferenŃele se menŃin mari se
reia procesul iterativ; dacă diferenŃele sunt acceptabil de mici se
încheie acest proces.
Printr-o astfel de verificare se pun în evidenŃă sectoarele fragile
ale modelului, adică acele ecuaŃii pentru care abaterile dintre valorile
generate de model şi valorile empirice se menŃin mari în urmamai
multor iteraŃii.
Îm cazul în care modelul econometric este destinat obŃinerii de
previziuni cât mai precise, se recomandă verificarea calităŃii
specificării modelului în raport cu precizia prognozelor ex-post.
Acest gen de prognoze se referă la perioade pentru care se cunosc date
reale şi posibilitatea testării preciziei prognozei. Ultimele s perioade

119
din întregul interval de n perioade formează segmentul de timp martor
destinat verificării preciziei prognozei. Previziunea se bazează pe
estimaŃii obŃinute pentru n – s valori şi se referă la evoluŃia viitoare a
ultimelor s valori ale variabilei endogene.
În cazul în care au fost elaborate două sau mai multe variante de
model, se optează pentru acea variantă care generează predicŃiile cele
mai apropiate de nivelul datelor reale din segmentul martor. După ce
s-a ales varianta de model, se reia procesul de estimare şi elaborare de
predicŃii, utilizând toate cele n valori din setul de date.

8.4 Analiză, simulare şi prognoză

Analiza economică bazată pe rezultatele modelului cu ecuaŃii

simultane se focalizează îndeosebi pe soluŃiile ce privesc parametrii de
regresie. Interpretarea fiecărui parametru estimat în forma structurală a
modelului se recomandă să fie precedată de o apreciere critică a
soluŃiei care să Ńină seama de:
• semnificaŃia estimaŃiei în sensul testului t;
• semnul parametrului (plus, minus) şi concordanŃa acestuia în
raport cu ceea ce se cunoaşte din teoria şi practica economică cu
privire la sensul legăturii (sens direct proporŃional sau sens
invers proporŃional) dintre variabila factorială şi variabila
endogenă din stânga semnului egal;
• gradul de determinare al variabilei explicate (y) de către factorii
incluşi în ecuaŃia structurală respectivă (R2);
• aprecierea posibilităŃii ca multicoliniaritatea să afecteze
estimaŃiile (un grad scăzut de interdependenŃă a factorilor din
ecuaŃia respectivă, un nivel R2 apropiat de 1 coroborat cu un
nivel DW foarte apropiat de 2 ar fi de dorit în cazul ecuaŃiilor cu
mai mulŃi factori incluşi).
Dacă în urma unor astfel de aprecieri nuapar suspiciuni întrucât:
estimaŃia este semnificativă, semnul parametrului este cel aşteptat,
determinaŃia este mare, iar riscul multicoliniarităŃii este mic, se poate
avea încredere în interpretarea economică a estimaŃiei. O astfel de
interpretare se poate referi la:

120
 • aprecirea rolului fiecărui factor (estimare a coeficientului
marginal) inclusiv a însemnătăŃii acestuia în raport cu alŃi factori
incluşi în ecuaŃie;
• analiza comparativă a rolului factorilor în raport cu alte perioade
sau cu alte Ńări;
• opŃiunea pentru factorii care ar putea avea însemnătate pentru
simulare datorită rolului lor în structura procesului descris de
sistemul de ecuaŃii;
• aprecierea legăturilor existente între diversele blocuri de ecuaŃii
ale modelului (blocul de ecuaŃii privind producŃia sau consumul
sau sectorul financiar-bancar) prin urmărirea rolului variabilelor
de legătură (acele variabile care într-un bloc de ecuaŃii apar ca
efecte, iar într-un alt bloc apar în postura de factori). În acest
sens, prezintă interes evidenŃierea relaŃiilor de conexiune inversă
(feed-back), ca şi a lanŃurilor cauzale din economie.

Simularea reprezintă etapa cea mai interesantă în demersul

econometric întrucât prin intermediul ei pot fi cunoscute cu anticipaŃie
implicaŃiile pe care le generează în economie modificarea unor
variabile de tip exogen, precum: impozitele, rata scontului, cheltuielile
guvernamentale etc.
Prin modificarea unor astfel de variabile guvernul îşi pune în
aplicare politica sa economică şi este interesat în cunoaşterea din timp,
dacă se poate înainte de punerea în practică a unor decizii, a efectelor
acestor decizii.
În eventualitatea existenŃei unor alternative de politică
economică, guvernul este interesat, în opŃiunea sa, de efectele
anticipate ale acestor politici. La nivel de firmă există, de asemenea,
interesul pentru cunoaşterea din timp, în urma unor calcule, a
rezultatelor anticipate, fie şi cu aproximaŃie, pe care unele modificări
în strategia firmei (privind investiŃiile, personalul, reclama,
promovarea vânzărilor) le vor aduce, precum şi a influenŃelor acestora
asupra profitului.
Simularea de natură econometrică permite astfel de experimente
şi, în măsura în care modelul este corect specificat şi suficient de
detaliat, se poate ajunge la soluŃii care permit o conducere
anticipativă, mereu în cunoştinŃă de cauză cu privire la urmările
deciziilor puse în aplicare.

121
 Simularea presupune ca în forma redusă a modelului să se
procedeze la modificarea unor variabile exogene (cele de comandă, în
sensul că pot fi modificate prin decizii, legi, ordonanŃe) în limita
posibilităŃilor de manevră ale acestora. Corespunzător, vor rezulta
modificări ale variabilelor endogene. Pot fi avute în vedere mai multe
alternative de modificare a variabilelor exogene şi, corespunzător, se
va ajunge la mai multe alternative de răspuns în ceea ce priveşte
efectele. Din aceste încercări aplicate modelului, cu ajutorul
calculatorului, pot rezulta alternative de real interes pentru cel
preocupat de realizarea unor obiective într-un proces complex cum
este cel economic.
Prima etapă a simulării constă în stabilirea unei evoluŃii-martor,
de bază, la care s-ar ajunge dacă totul rămâne cum a fost, respectiv
dacă modificările sunt cele care s-ar obŃine în condiŃii obişnuite.
Alături de endogenele din varianta de bază pot fi menŃionate
nivelurile-obiectiv la care urmărim să ajungem prin politica
economică promovată.
Simulările bazate pe modelul econometric pot fi realizate şi în
alte scopuri sau pot presupune intervenŃii asupra altor elemente din
model. Astfel, pot fi avute în vedere:
• simulări privind verificarea capacităŃii modelului de repreducere
a realităŃii (a datelor empirice);
• modificări de amploare asupra unei singure variabile exogene
(celelalte fiind menŃinute constante);
• modificări asupra valorilor estimate ale parametrilor dacă există
motive cu privire la diminuarea / amplificarea influenŃei unor
factori într-un context schimbat, posibil a fi realizat în viitor;
• generarea de valori reziduale aleatoare, corespunzător unei
repartiŃii prestabilite şi stabilirea limitelor între care se vor situa
variabilele endogene dacă se Ńine seama şi de elementele
aleatoare din economie.
ObŃinerea de valori simulate presupune un rol activ al celui care
exploatează modelul, în sensul explorării efectelor diverselor
modificări ale factorilor pe care se bazează politica economică şi
căutării acelei variante care, cu costuri materiale şi sociale minime, să
apropie procesul economic de obiectivele preconizate.

122
 Previziunea evoluŃiei fenomenelor economice reprezintă, de
cele mai multe ori, obiectivul final în cadrul modelări econometrice.
Ea constituie proba validităŃii modelului elaborat. Spre deosebire de
prognozele bazate pe studiul seriilor cronologice, al căror caracter
inerŃial este recunoscut, predicŃiile generate de modelul econometric
cu ecuaŃii simultane urmăresc să prefigureze viitorul unor importante
variabile economice în raport cu influenŃele directe şi indirecte
exercitate asupra lor de către variabilele exogene.
Întrucât predicŃia se bazează pe un număr mare de elemente
(variabile exogene, influenŃe întârziate, influenŃe indirecte), abordate
în interacŃiune în contextul relaŃiilor cauză-efect, se poate afirma că
modelul econometric cu ecuaŃii simultane reprezintă o modalitate
relativ bine fundamentată de cunoaştere anticipativă în economie.
PredicŃiile rezultate dintr-un sistem de ecuaŃii simultane se obŃin
astfel: în forma redusă a modelului econometric se atribuie
variabilelor exogene valori preconizate (rezultate din calcule
preliminarii, alocări planificate de resurse, procese în curs de
finalizare, intenŃii sau ipoteze de lucru) pentru perioada de prognoză;
variabilelor cu efect întârziat li se atribuie valori empirice (pentru
perioadele ..., n – 2, n – 1), respectiv valori previzionate dacă
predicŃiile sunt pe termen mediu sau lung. Se determină apoi viitoarele
valori pentru variabilele endogene, corespunzător relaŃiei:
y* = αˆ 0 + αˆ 1 x1( 0 ) + ... + αˆ k x k( 0 )
unde x(0) reprezintă valori preconizate pentru viitor.
PredicŃiile astfel obŃinute depind, în ceea ce priveşte precizia, de
realizarea următoarelor condiŃii:
• valorile atribuite variabilelor exogene se vor realiza;
• comportamentul constatat în trecut, mai precis în intervalul t = 1,
2, ..., n, în ceea ce priveşte relaŃiile dintre variabilele modelului,
nu se va modifica substanŃial, astfel încât structura exprimată
prin parametrii de regresie va rămâne, în general, neschimbată;
• nu vor interveni noi factori semnificativi şi nici situaŃii
catastrofale care să modifice esenŃial condiŃiile de desfăşurare
ale procesului prognozat.
O modalitate de îmbunătăŃire a performanŃelor prognosticate ale
acestui tip de model constă în depăşirea cadrului strict aritmetic al
determinării predicŃiilor. Ieşirea din acest cadru presupune:

123
 • luarea în considerare a rezulatelor simulării şi cu deosebire a
soluŃiilor simulate pentru cele mai recente perioade de timp, în
sensul reevaluării şi ajustării predicŃiilor;
• utilizarea informaŃiilor de natură calitativă în vederea ajustării
prognozelor şi apropierii lor de realitate;
• asigurarea unui rol în previzionare experienŃei şi intuiŃiei
economiştilor şi aceasta îndeosebi în stadiul de finalizare a
rezultatelor.
În elaborarea unor studii concrete privind viitorul, se recomandă
următoarele etape în realizarea prognozei prin modelul cu ecuaŃii
simultane:
• pregătirea: analiza atentă a rezultatelor etapei de verificare şi cu
deosebire a preciziei prognozelor ex-post; obŃinerea de date
preconizate (anticipări, obiective prestabilite, valori plauzibile a
fi realizate în viitor);
• elaborarea prognozei în varianta iniŃială şi analiza soluŃiilor
obŃinute. În forma redusă a modelului se obŃin predicŃii utilizând
cele mai plauzibile niveluri privind evoluŃia variabilelor exogene
în viitor. La aceasta poate fiadăugată o variantă optimistă
(valorile atribuite variabilelor exogene sunt cele considerate
optime), precum şi o variantă pesimistă (valorile atribuite sunt
cele la care s-ar ajunge într-o conjunctură nefavorabilă). Analiza
prognozelor iniŃiale din diverse perspective (a economistului-
analist, a viitorologilor, a beneficiarilor) poate conduce, în final,
la stabilirea unei variante de bază;
• întreŃinerea modelului în sensul actualizării sale prin
introducerea de noi date, verificări periodice, reluarea etapelor
estimării, actualizarea percepŃiei cu privire la valorile anticipate
atribuite variabilelor exogene.

8.5 Modele macroeconometrice

În decursul timpului s-au creat modele econometrice de mari
proporŃii, intens dezagregate, care au fost şi continuă să fie utilizate,
dar şi perfecŃionate în diverse Ńări ale lumii.
Modelul Klein-Goldberger oferă o primă reprezentare
concentrată a tot ceea ce ulterioarele ansambluri au încercat să redea,

124
într-o formă dezagregată, prin sute de ecuaŃii. Modelul este de tip
keynesian clasic şi include 12 ecuaŃii de regresie şi 5 identităŃi.
EcuaŃiile se referă la economia reală (consum, investiŃii, venit), la
preŃuri-salarii, iar prin relaŃiile privind cererea de lichidităŃi este
prefigurat blocul monetar-financiar.
Modelul Bookings SSRC a fost iniŃial destinat controlului
economiei naŃionale în vederea menŃinerii economiei SUA în stare de
stabilitate. Dezvoltarea ulterioară a modelului a urmărit, pe de o parte,
conectarea la marile modele (SCN, BLR), iar pe de altă parte,
realizarea unui grad de detaliere deosebit şi îmbinarea diverselor
blocuri de ecuaŃii prin bucle care descriu influenŃa reciprocă.
Modelul Wharton EFU se referă de asemenea la economia
SUA, include sute de ecuaŃii şi este destinat îndeosebi prognozei.
Principalele blocuri de ecuaŃii se referă la consum, investiŃii, export,
import, preŃuri, salarii, depreciere, impozite, rata dobânzii etc.
EcuaŃiile sunt, în general, neliniare în raport cu variabilele. Metoda de
estimare utilizată cu precădere este MCMMP-2.
Modelul metric se referă la economia FranŃei şi se
particularizează prin: numărul mare de identităŃi, variabile ale căror
niveluri provin din anchete conjuncturale, includerea de numeroşi
factori cu efect întârziat sau care includ valori anticipate.
Modelul Bank of England (BE), fundamentat pe teoria
keynesiană, se particularizează prin detalierea relaŃiilor financiar
bancare.
Modelele menŃionate sunt câteva dintre cele care au apărut în
anii 1960-70. În general, fiecare Ńară dezvoltată şi-a creat propriul
model în vederea simulării de politici economice, prognozei şi
analizei. Modelul cu ecuaŃii simultane elaborat de către academicianul
Emilian Dobrescu privind economia României se înscrie în această
arie de preocupări. De asemenea, băncile centrale (BNR în Ńara
noastră) şi-au creat propriile modele care continuă să fie perfecŃionate.

125
Bibliografie
Andrei T., 2008, Econometrie, Editura Economica Bucureşti;
Andrei T., Spircu L., 2010, AplicaŃii în econometrie, Editura Economica
Bucureşti;
Andrei T., 2004, Statistică şi econometrie, Editura Economică, Bucureşti;
Andrei T., Bourbonnais R., 2009, Econometrie, Editura Economica, Bucureşti;
Cristache, S. E., Serban D., 2007; Lucrari aplicative de statistica sieconometrie
pentru administrarea afacerilor; Ed. ASE Bucuresti
Despa, R., Solomon O., Caraiani P., Din M. A., 2010, Econometrie, Editura
Universitară, Bucureşti;
Gâf-Deac I., 2007, Econometrie, Editura FundaŃiei „România de Mâine”,
Bucureşti;
Iacob A. I., Tănăsoiu O., 2005, Modele econometrice, Editura ASE, Bucureşti;
Iacob A. I., Tănăsoiu O., 2005, Econometrie. Studii de caz, Editura ASE,
Bucureşti;
Jemna D., 2009 ; Econometrie Editia II-a; Editura Secom Libris, Iasi
.Jemna D., Pintilescu C., Turturean C., 2009; [Link] si teste
grila; Editura Secom Libris, Iasi
Nenciu E., Gagea M., 2010; Lectii de econometrie; Ed. Tehnopress ,Iasi
Niculescu-Aron, I. G., Mazurencu-Marinescu, M., 2007; Metode econometrice
pentru afaceri; Ed. ASE Bucuresti

Pecican E. Ş., 2006, Econometrie, Editura C. H. Beck, Bucureşti;

Pecican E., 2004, Econometrie... pentru economişti. Econometrie. Teorie şi
aplicaŃii, Editura Economică, Bucureşti;
Pecican E., Tănăsoiu O, Iacob A. I., 2001, Modele econometrice, Editura ASE,
Bucureşti;
Spătaru S., 2007, Modele şi metode econometrice, Editura ASE Bucureşti;
Spircu L., Ciumara R., 2007, Econometrie, Editura Pro Universitaria, Bucureşti;
Spircu, L., 2008, Econometrie, Editura Pro Universitaria, Bucureşti;
Tasnadi, A., 2005, Econometrie, Editura ASE Bucureşti;
Tomescu Dumitrescu C., 2008, Econometrie generală şi financiară, EDP
Bucureşti;
Voineagu V., Titan E., 2007, Teorie şi practică econometrică, Editura Meteor
Press, Bucureşti.
Zait D., Nica P., 1995; Introducere in modelarea econometrica; Ed. Univ. "Al.
I. Cuza" Iasi
ASE Bucureşti- cursuri în format digital [Link]

126
 Anexe
DistribuŃia normală redusă (standard)

127
DistribuŃia t Student în funcŃie de probabilitatea P şi
de numărul gradelor de libertate

128
Valori critice pentru repartiŃia F

129
130
DistribuŃia χ2

131
 Întrebări grila Econometrie Exemple pentru parțial

Regresia liniara multipla

La testul parțial avem un singur răspuns, aici ar putea fi câteva răspunsuri

INTREBAREA 1. În studiul legăturii dintre salariul curent ($), primul salariu($) și nivelul de
educație (ani de studii) s-au obținut următoarele rezultate:
Model Summary

Adjusted R Std. Error of the

Model R R Square Square Estimate

1 ,890a ,792 ,792 $7.796,524

a. Predictors: (Constant), Primul salariu, Nivelul de educatie (ani)

Pentru exemplul dat, raportul de corelație estimat și interpretarea corectă sunt:

a) R = 0,89 și arată că legătura dintre variabila salariul curent și variația simultană a
primului salariu și a nivelului de educație este foarte puternică.
b) R = 0,792 și arată că legătura dintre variabila salariu curent și variația simultană a
primului salariu și a nivelului de educație este foarte puternică.
c) R = 0,89 și arată că legătura dintre variabila salariu curent și variația simultană a
primului salariu și a nivelului de educație este foarte puternică și directă.

INTREBAREA 2. În studiul legăturii dintre salariul curent ($), primul salariu($) şi nivelul de
educaţie (ani de studii) s-au obţinut următoarele rezultate:
Model Summary

Adjusted R Std. Error of the

Model R R Square Square Estimate

1 ,890a ,792 ,792 $7.796,524

a. Predictors: (Constant), Primul salariu, Nivelul de educatie (ani)

Pentru exemplul dat, raportul de determinație estimat și interpretarea corectă sunt:

a) R2 = 0,89 și arată că 89% din variația salariului curent este explicată prin variația
simultană a primului salariu și nivelului de educație.
b) R2 = 0,792 și arată că 79,2% din variația salariului curent este explicată prin variația
simultană a primului salariu și nivelul de educație se menține constant.
c) R2 = 0,792 și arată că 79,2% din variația salariului curent este explicată prin
variația simultană a primului salariu și a nivelului de educație.

1
INTREBAREA 3.
În studiul legăturii dintre salariul curent ($), primul salariu($) şi nivelul de educaţie (ani de
studii) s-au obţinut următoarele rezultate:
Coefficientsa
Standardized
Untandardized Coefficient Coefficient
Model B Std. Error Beta t Sig.
1 (Contant) -7808,714 1753,860 -4,452 ,000
Nivelul de educaţie
1020,390 160,550 ,172 6,356 ,000
(ani)
Primul salariu 1,673 ,059 ,771 28,423 ,000
a. Dependent Variable: Salariul curent

Pentru exemplul dat, sunt corecte afirmațiile:

a) Cu o încredere de 99%, variabila primul salariu are o influență parțială
semnificativă statistic pentru variabila salariu curent. – este o influență parțială
pentru că sunt câteva variabile independente
b) La o creștere cu 1 an al nivelului de educație salariul crește în medie cu 1020,39 $, dacă
primul salariu este 0. – NU, dacă primul salariu se menține constant
c) Între salariul curent și primul salariu există o dependență parțială inversă. – NU e inversă,
pentru că coeficientul de regresie este pozitiv

INTREBAREA 4.
În studiul legăturii dintre salariul curent ($), primul salariu($) şi nivelul de educaţie (ani de
studii) s-au obţinut următoarele rezultate:
Coefficientsa
Standardized
Untandardized Coefficient Coefficient
Model B Std. Error Beta t Sig.
1 (Constant) -7808,714 1753,860 -4,452 ,000
Nivelul de educaţie
1020,390 160,550 ,172 6,356 ,000
(ani)
Primul salariu 1,673 ,059 ,771 28,423 ,000
a. Dependent Variable: Salariul curent

Sunt valabile enunțurile:

a) Modelul de regresie este nesemnificativ statistic.
b) La o creștere cu un an a nivelului de educație, salariul curent crește în medie cu
1020,39 $, dacă primul salariu rămâne același.
c) Cu un risc de 5%, constanta modelului este semnificativă. – constanta este b0

2
INTREBAREA 5. În studiul legăturii dintre salariul curent ($), primul salariu($) şi nivelul de
educaţie (ani de studii) s-au obţinut următoarele rezultate:
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients Correlations
Zero-
Model B Std. Error Beta t Sig. order Partial Part
1 (Constant) -7808,714 1753,860 -4,452 ,000
Primul salariu 1,673 ,059 ,771 28,423 ,000 ,880 ,795 ,597
Nivelul de educaţie
1020,390 160,550 ,172 6,356 ,000 ,661 ,281 ,133
(ani)
a. Dependent Variable: Salariul curent

Sunt valabile enunțurile:

a) Legătura dintre salariul curent și primul salariu este directă și slabă. – ne uităm la
coeficientul de corelație Pearson (la Zero-order), este mai mare de 0,7 – este o legătură
puternică și directă
b) În raport cu intensitatea influenței exercitate asupra variabilei dependente, factorii
independenți se ierarhizează astfel: nivelul de educație, primul salariu.
c) În raport cu intensitatea influenței exercitate asupra variabilei dependente, factorii
independenți se ierarhizează astfel: primul salariu, nivelul de educație. – ne uităm la
coeficienții standardizați

INTREBAREA 6.
În studiul legăturii dintre salariul curent ($), primul salariu($) şi nivelul de educaţie (ani de studii)
pentru un eşantion de 400 angajati s-au obţinut următoarele rezultate:
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients Correlations
Zero-
Model B Std. Error Beta t Sig. order Partial Part
1 (Constant) -7808,714 1753,860 -4,452 ,000
Primul salariu 1,673 ,059 ,771 28,423 ,000 ,880 ,795 ,597
Nivelul de educaţie
1020,390 160,550 ,172 6,356 ,000 ,661 ,281 ,133
(ani)
a. Dependent Variable: Salariul curent

Sunt valabile enunțurile:

a) Coeficientul de corelație parțială a salariului curent cu primul salariu indică o
legătură pozitivă puternică.
b) Influența parțială a nivelului de educație asupra salariului curent este nesemnificativă
statistic și tcalculat = 1,57 pentru un risc asumat de 5%.
c) Statistica testului Student pentru testarea coeficienților de corelație parțială
urmează o repartiție Student cu n-3 grade de libertate.

3
INTREBAREA 7.
În studiul legăturii dintre mortalitatea infantilă, Rata de alfabetizare, Populaţia urbană, Aportul
de calorii şi Speranta medie de viaţă a femeilor s-au obţinut următoarele rezultate:
Model Summary

Change Statistics
Adjusted R Std. Error of the R Square Sig. F
Model R R Square Square Estimate Change F Change df1 df2 Change
1 ,978a ,956 ,954 8,3351 ,956 377,021 4 69 ,000
2 ,978b ,956 ,954 8,2853 ,000 ,165 1 69 ,686
a. Predictors: (Constant), Rata de alfabetizare (%), Populaţia urbană (%), Aportul de calorii, Speranţa medie de
viaţă a femeilor
b. Predictors: (Constant), Rata de alfabetizare (%), Aportul de calorii, Speranţa medie de viaţă a
femeilor

Se poate aprecia că:

a) Influența marginală a populației urbane asupra Mortalității infantile nu este
semnificativă.
b) Modelul cu 4 variabile independente explică variația variabilei dependente în proporție
de 97,8%.
c) Modelul cu 4 variabile independente explică variația variabilei dependente în
proporție de 95,6%.

Rezolvare punctul a)
H0 : variabila exclusă din model nu are influență semnificativă asupra variabilei dependente
H1 : variabila exclusă din model are influență semnificativă asupra variabilei dependente

Fcalc = 0,165 F0,05;1;69 =

Sig = 0,686 > alfa = 0,05 => cu o probabilitate de 95% se respinge ipoteza H0 și se acceptă
ipoteza H1

Pe prima linie a tabelului este primul model. Din a doua linie, când a fost eliminată o variabilă
independentă, pot afla dacă s-a schimbat ceva semnificativ după eliminarea acestei variabile din
model. În a doua linie sunt informațiile despre modificările care apar.

4
INTREBAREA 8.
În studiul legăturii dintre mortalitatea infantilă, Rata de alfabetizare, Aportul de calorii şi PIB pe
cap de locuitor s-au obţinut următoarele rezultate:

Model Summary

Change Statistics
Adjusted Std. Error of R Square
Model R R Square R Square the Estimate Change F Change df1 df2 Sig. F Change
1 ,942 a ,887 ,883 13,2741 ,887 183,944 3 70 ,000
2 ,941 b ,886 ,883 13,2606 -,001 ,856 1 70 ,358
a. Predictors: (Constant), Gross domestic product / capita, People who read (%), Daily calorie intake
b. Predictors: (Constant), People who read (%), Daily calorie intake

Se poate aprecia că:

a) Influența marginală a PIB pe cap de locuitor asupra Mortalității infantile nu este
semnificativă statistic.
b) Prin excluderea variabilei PIB pe cap de locuitor valoarea R2 scade cu 1%.
c) Puterea explicativă a modelului cu toate variabilele independente incluse este de 39,6%.

-0.001 – 0.1% => punctul b nu este corect

R2 = 88,7% <> 39,6%

H0 – variabila exclusă din model nu are influență semnificativă asupra variabilei dependente
H1 – are influență semnificativă

Sig = 0,358 > alfa = 0,05 – nu se respinge H0

5
INTREBAREA 8 prim.
În studiul legăturii dintre mortalitatea infantilă, Rata de alfabetizare, Aportul de calorii şi PIB pe
cap de locuitor s-au obţinut următoarele rezultate:

Model Summary

Change Statistics
Adjusted Std. Error of R Square
Model R R Square R Square the Estimate Change F Change df1 df2 Sig. F Change
1 ,920 a ,846 ,843 15,3293 ,846 394,267 1 72 ,000
2 ,941 b ,886 ,883 13,2606 ,040 25,217 1 71 ,000
a. Predictors: (Constant), People who read (%)
b. Predictors: (Constant), People who read (%), Daily calorie intake

Care din următoarele afirmații sunt corecte:

a) Influența marginală a Aportului zilnic de calorii este semnificativă statistic.
b) Prin includerea variabilei Aportul zilnic de calorii valoarea R2 a crescut cu 10,4%.
c) Includerea variabilei Aportul zilnic de calorii nu a modificat în mod semnificativ puterea
explicativă a modelului.

H0 – variabila independentă inclusă în model nu are influență semnificativă asupra explicării

variabilei dependente
H1 = are influență semnificativă

Sig = 0 < alfa = 0,05 – cu o probabilitate de 95% se respinge H0 și se acceptă H1 => Includerea
variabilei Aportul zilnic de calorii are influență semnificativă suplimentară / marginală asupra
explicării variabilei dependente Mortalitatea infantilă.

F Change este un F calculat

6
INTREBAREA 8 secund. În studiul legăturii dintre salariul curent ($), primul salariu($) şi
nivelul de educaţie (ani de studii) pentru un eşantion de 474 angajati s-au obţinut următoarele
rezultate:
ANOVAb
Sum of
Model Square df Mean quare F Sig.
1 Regression 1,093E11 2 5,464E10 898,947 ,000a
Residual 2,863E10 471 6,079E7
Total 1,379E11 473
a. Predictor: (Contant), Primul salariu, Nivelul de educaţie (ani)
b. Dependent Variable: Salariul curent

Precizați care din următoarele afirmații sunt corecte:

a) Modelul de regresie multiplă liniară (RML) cu două variabile independente este
semnificativ statistic.
b) Raportul de corelație multiplă este semnificativ diferit de 0 (zero).
c) Modelul de regresie multiplă liniară (RML) cu două variabile independente nu este
semnificativ statistic.

H0 : beta0 = 0, beta1 = 0, beta2 = 0

H1 : beta1 <> 0 și sau beta2 <> 0
F

H0 : eta = 0
H1 : eta <> 0
F

Sig = 0 ; alfa = 0,05 – se respinge H0 și se acceptă H1 => Modelul de regresie este semnificativ
statistic și raportul de corelație multiplă este semnificativ.

7
Regresia liniară simplă

PROBLEMA 1. In studiul legăturii dintre PIB/loc ($) și rata de urbanizare (%) se obțin
următoarele rezultate pentru un eșantion de 150 de țări:
Model Summary

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 ,605a ,366 ,360 5207,436
a. Predictors: (Constant), rata de urbanizare (%)

Sunt valabile enunțurile:

a) Între variabilele PIB pe locuitor și Rata de urbanizare există o legătură de intensitate
medie.
b) 36,6% din variația variabilei PIB pe locuitor este explicată prin variația Ratei de
urbanizare.
c) Pentru un risc asumat de alfa = 0,05 modelul de regresie este semnificativ statistic.

Între 0,5 și 0,7 – legătură de intensitate medie

R = 0,605 – legătură de intensitate medie
R2 = 0,366 – interpretarea lui la punctul b e corectă

H0 : eta = 0
H1 : eta > 0

Sau H0 : beta0 = 0, beta1 = 0

H1 : beta1 <> 0

8
PROBLEMA 2. În studiul legăturii dintre cheltuieli si venituri s-au obținut următoarele rezultate:
ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 519895,330 1 519895,330 10696,150 ,000 a
Residual 486,058 10 48,606
Total 520381,388 11
a. Predictors: (Constant), Ven_ro
b. Dependent Variable: Che_ro

Sunt valabile afirmațiile:

a) Raportul de corelație estimat este egal cu 0,999.
b) Modelul de regresie estimat este semnificativ statistic pentru un risc asumat de alfa =
0,01.
c) Raportul de corelație este semnificativ diferit de 0 (zero) pentru un risc asumat de
alfa = 0,05.

R = radical (ESS / TSS) = radical (519895,33 / 520381,388) = 0,999

PROBLEMA 3. În studiul legăturii liniare dintre salariul curent și primul salariu pentru un
eșantion de 474 angajați s-a obținut un coeficient de corelație egal cu 0,88. Sunt valabile
afirmațiile:
a. coeficientul de corelație este semnificativ diferit de zero, pentru un risc asumat de 0,05
b. numărul de grade de libertate pentru testul Student necesar testării coeficientului de
corelație este egal cu 472
c. între salariul curent și primul salariu există o legătură puternică și inversă.
d. raportul de corelație ajustat este egal cu 0,0773

r = 0,88 – este legătură puternică și directă

9
0,744 > 0,0773

Întrebări grilă teoretice

Întrebarea 1. În modelul de regresie liniară simplă (RLS) parametrul β1 reprezintă:

a) Nivelul mediu al variabilei dependente, dacă variabila independentă ia valoarea 1.
b) Ordonata la origine.
c) Variația absolută medie a variabilei dependente la o variație absolută cu o unitate a
variabilei independente.
d) Panta dreptei de regresie.

Întrebarea 2. Pentru un model de regresie liniară simplă (RLS) coeficientul de corelație este
identic cu panta dreptei de regresie dacă:
a) Valorile variabilei dependente sunt mai mari decât cele ale variabilei independente.
b) Valorile celor două variabile sunt standardizate.
c) Valorile celor două variabile sunt diferite.

Întrebarea 3. Raportul de determinație arată:

a) Gradul de intensitate a legăturii dintre două variabile.
b) Ponderea variației variabilei dependente explicate de variația variabilei
independente.
c) Egalitatea mediilor a două populații.

Întrebarea 4. În cazul unui model liniar simplu (RLS) au loc:

a) Viteza de variație a variabilei dependente în raport cu cea independentă este
constantă.
b) r = R
c) Coeficientul de corelație este pozitiv.
d) Raportul de corelație este pozitiv.
10
Întrebarea 5. Pentru două variabile x, y se cunosc: ESS = 30, RSS = 10, n = 100. Atunci:
a) R2 = 0,75
b) Modelul de regresie dintre cele două variabile este semnificativ statistic cu o
probabilitate de 0,95.
c) Între cele două variabile există o legătură directă.

R2 = ESS / TSS = 30 / 40 = 0,75

TSS = ESS + RSS = 30 + 10 = 40

Fcalc = (ESS / RSS ) * (n-k)/(k-1) = 30/10 * 98/1 = 294

F0,05;1;98 = 3,92

F calc > F th

Modelul de regresie este semnificativ statistic.

La punctul c) nu putem afla pentru că nu avem coeficienții.

Întrebarea 6. Pentru un model liniar multiplu (RLM) cu variabile standardizate:

a) Nu există ordonată la origine.
b) Coeficienții de regresie sunt comparabili.
c) Coeficienții de regresie pozitivi au un impact mai mare decât cei negativi.
d) Ordinea de importanță a predictorilor este dată de ordinea estimațiilor parametrilor
modelului în valoare absolută.

11
 1. În teoria economică clasică, un model de regresie liniară simplă (RLS) poate fi folosit în
studiul legăturii dintre:
a) Rata inflației și rata șomajului
b) Valoarea consumului și nivelul veniturilor
c) Valoarea PIB și speranței de viață

2. Datele privind cheltuielile lunare de consum (Y, lei) și venitul lunar (X, lei) înregistrate
pentru 5 gospodării sunt prezentate în figura de mai jos:

Pentru exemplul dat sunt corecte afirmațiile:

a) Legătura dintre cele 2 variabile poate fi explicată printr-un model de regresie liniar
(RL).
b) Legătura dintre cele 2 variabile este directă.
c) Legătura dintre cele 2 variabile este inversă
d) Parametrul β1 din modelul de regresie este pozitiv.

3. Datele privind Prețul unui produs (X, lei) și valoarea vânzărilor produsului (Y, lei)
înregistrate pentru 5 puncte de lucru ale unei firme sunt reprezentate în figura de mai jos:

Pentru exemplul dat, sunt corecte afirmațiile:

a) Legătura dintre cele 2 variabile poate fi explicată printr-un model de regresie liniar
(RL).
b) Legătura dintre cele 2 variabile este directă.
c) Legătura dintre cele 2 variabile este inversă.
d) Panta dreptei de regresie este negativă.

12
4. Pentru un model de regresie de forma Y = β0 + β1 X + epsilon estimarea parametrilor se
realizează pe baza criteriilor:
a) Nu e corect – lipsește pătratul (epsilon trebuie să fie la pătrat)
b) corect
c)

5. Pentru un model de regresie de forma Y = beta0 + beta1 X + epsilon, parametrul beta0

arată:
a) Valoarea medie a variabilei dependente Y, la o valoare a variabilei independente X =
0.
b) Valoarea medie a variabilei independente X, la o valoare a variabilei dependente Y = 0.
c) Variația medie a variabilei dependente Y, la o creștere cu o unitate a variabilei
independente X.

6. Pentru un model de regresie de forma Y = beta0 + beta1 X + epsilon, parametrul beta 1

arată:
a) Valoarea medie a variabilei dependente Y la o valoare a variabilei independente X = 0.
b) De câte ori variază în medie variabila dependentă Y la o creștere cu o unitate a nivelului
variabilei independente X.
c) Cu cât variază în medie nivelul variabilei dependente Y la o creștere cu o unitate a
nivelului variabilei independente X.

13
7. Semnul parametrului beta1 al modelului de regresie de forma Y = beta0 + beta1 X +
epsilon, arată:
a) Sensul legăturii dintre cele 2 variabile.
b) Intensitatea legăturii dintre cele 2 variabile.
c) Reprezentativitatea legăturii dintre cele 2 variabile.

8. Domeniul de variație a coeficientului de corelație este:

a) [0,1]
b) [-1,1]
c) [-3,3]

9. În cazul unui model de regresie liniară simplă (RLS), este corectă relația:
a) R2 = r2
b) Beta0 = beta1
c) Sbeta0 = Sbeta1

10. Domeniul de variație a raportului de corelație este:

a) [0,1]
b) [-1,1]
c) [-3,3]

11. (și la raportul de determinație) – ca la 10

12. Pentru aprecierea intensității legăturii dintre două variabile se pot utiliza indicatorii:
a) Raportul de corelație
b) Coeficientul de corelație
c) Raportul de determinație

13. În cazul unui model de regresie liniară multiplă (RLM), de forma Y = beta0 + beta1 X1 +
beta2 X2 + beta3 X3 + epsilon, intervalul de încredere pentru parametrul beta3,
considerând un risc alfa, se estimează după relația:
a) ___
b) ____
c) ___ corect
d) _____

14
 14. Se consideră un model de regresie de forma Y = beta0 + beta1 X1 + beta 2 X2 + ... + betap
Xp + epsilon. În acest model de regresie multiplă avem:
a) p – variabile dependente
b) p – variabile independente
c) p+1 variabile dependente
d) p+1 variabile independente

numărul de parametri ai modelului = p+1 parametri (beta)

15
1 Venitul mediul anual al gospodării(mii euro) și Nivelul de educație(anii) înregistrat pe un eșantion de
5000 de persoane,s-au obținut următoarele rezultate.

Model B [Link] Beta t Sig

(Constant) 11,734 3,499 - 3,354 0,001
Nivelul de 2,979 0,235 0,177 12,692 0,000
educație
[Link] variable- Venitul m.În studiul legăturii dintre ediul annual

Pentru exemplu dat,sunt corecte afirmațiile

[Link]ția de regresie estimate este de forma: Y=2,979+11,734X

b.între cele două variabile există o legătura directă și foarte puternică

[Link] un Nivel de educație de 18 ani, Venitul mediul anual al gospodării este egal cu 65,356 mii euro

d. Nivel de educație are o influență semnificativă statistic asupra Venitul mediul annual,în condițiile unui
risc asumat de 0,05

2. .În studiul legăturii dintre variabile Valoarea lunară a facturii(euro)și Vechimea abonamentului
(luni),înregistrate pentru 1000 de clienți ale unei companii de telecomunicații,s-au obținut rezultatele
prezentate în tabelul următor.

Model R R Square Adjusted R Square Std. Error of the

Estimate
1 0,227 0,051 0,050 16,47099
[Link]-(Constant) Vechimea abonamentului

Pentru exemplu dat,sunt corecte afirmațiile

a.5% din variația variabilei dependente Valoarea lunară a facturii este explicate de variația variabilei
independente Vechimea abonamentului

b.R=0,277 și arată că legătura dintre cele două variabile este foarte puternică

[Link]ă Vechimea abonamentului crește cu 10 luni ,atunci Valoarea lunară a facturii cresște,în medie cu
16,47 euro

d.5,1% din variația variabilei dependente Valoarea lunară a facturii este explicate de factori reziduali

[Link]țiile b0 și b1 ale parametrilor B0 și B1,calculate pe baza datelor unui eșantion de volum n prin
metoda celor mai mici pătrate,reprezintă

[Link] reale și semnificative

[Link] aleatoare de selecție

[Link] reale și cunoscute

4. În studiul legăturii dintre Valoarea vânzărilor (Y) ,Cheltuieli de publicitate (X1),Cheltuieli ocazionale de
diferite promoții(X2) și Vânzăriile anuale realizate de principalul concurent (X3),pentru un eșantion de 15
firme s-au obținut rezultatele prezentate în tabelul următor.

Model B Std. Error Beta T Sig

Constant 65,705 27,731 - 2,369 0,037
X1 48,979 10,658 0,581 4,596 0,001
X2 59,654 23,625 0,359 2,525 0,028
X3 -1,838 0,814 -0,324 -2,258 0,045
dependent variable-Variable Y

Considerând un risc de 10% se poate afirma că parametrul de regresie corespunzător variabilei

Cheltuielile ocazionale de diferite promoții

[Link] este semnificativ diferit de 0

[Link] semnificativ statistic

[Link]ă o legătură liniară semnificativă între Valoarea vânzărilor și Cheltuieli ocazionale de diferite
promoții,atunci când celalte variabile independente se mențin constante

5.În urma prelucrării datelor privind legătura dintre variabilele rata sărăciei și ponderea persoanelor cu
studii superioare în totalul populației ,la nivelul unui eșantion format din 30 de țări,s-au obținut
rezultatele din tabelul de mai jos

Model b Std. Error Beta t Sig

Constant 9,823 6,654 - 1,413 0,169
Rata sărăciei 658 274 0,414 2,406 0,023
dependent variable- ponderea persoanelor cu studii superioare

Se poate afirma că

[Link]ă la origine este semnificativ statistic,în condițiile unui risc asumat de 1%

b. ordonată la origine nu este semnificativ statistic,legătura dintre cele două variabile este reprezentată
printr-un model de regresie liniară prin origine

c,ordonata la origine este semnificativ statistică, în condițiile unui risc asumat de 10%

6. Pentru un esantion de 109 tari ale lumii, s-a studiat legatura dintre speranța de viață a
populației femenine(ani).Rata de alfabetizare a populației femenine(%),Aportul zilnic de
calorii(kcal) și Ponderea populației din mediul urban(%). rezultatele analizei sunt prezenatate în
tabelul de mai jos

Model b Std. Beta t Sig Zero-order Partial part

Error
Constant 32,064 3,745 - 8,561 0,000 - - -
Ponderea 0,097 0,041 0,221 2,363 0,021 0,741 0,306 0,147
populației
din urban
Aportul 0,006 0,002 0,262 3,294 0,002 0,715 0,406 0,204
calori
Rata 0,213 0,034 0,520 6,394 0,000 0,615 0,651 0,393
alfabetizare
dependent variable- speranța de viață a populației femenine

[Link] un risc de 1%, Rata de alfabetizare a populației femenine are o influență parțială directă
semnificativă asupra speranța de viață feminine
[Link] calculată a statisticii Student pentru testarea semnificației corelației parțiale dintre
Rata de alfabetizare a populației femenine și Speranța de viață feminine 8,79
[Link] populației din urban are o influență parțială semnificativă asupra Speranței de viață
feminine în condițiile unui risc de 1%
[Link] medie a Speranței de viață feminine este egală cu 32,064 ani,în condițiile în care
factorii de influență din model ar fi ipotetic egali cu 1.
7. Pentru un esantion de 109 tari ale lumii, sa studiat legatura dintre rata de fertilitate(nr. De
copii) , speranta de viata a populatiei feminine(ani).Aportul zilnic de calorii (kcal) și Rata de
alfabetizare a populației femenine(%).rezultatele analizei sunt prezenatate în tabelul de mai jos
Rata de Rata de Aport calori Speranța
fertilizare alfabetizare medie de viață
Rata de pearson 1 -0,839 -0,695 -0835
fertilizare corelation

Sig(2-tailed) 0,000 0,000 0,000

N 107 85 75 107
Rata de pearson -0,639 1 0,548 0,819
alfabetizare corelation

Sig(2-tailed) 0,000 0,000 0,000

N 95 85 75 85
Aport calori pearson -0,698 0,548 1 0,775
corelation

Sig(2-tailed) 0,000 0,000 0,000

N 75 59 75 75
Speranța pearson -0,938 0.619 0,775 1
medie de viață corelation

Sig(2-tailed) 0,000 0,000 0,000

N 107 65 75 109
Correlation is significant at the 0,01 level(2-tailed)
 [Link]ând influența celorlalte variabile independente,între rata de fertilitate și Rata de
alfabetizare există o corelație egală cu -0,839
b.între Rata de fertilizare și Rata de alfabetizare există o corelație simplă semnificativ statistic ,în
condițiile unui risc de 1%
c. între Rata de fertilizare și Rata de alfabetizare există o legătură inversă și slabă,în condițiile în
care influența celorlalte variabile independente se menține constantă.
[Link]ățiile unui estimator sunt
[Link]
[Link]ța
[Link]
9. Variabila reziduala in modelul econometric include efecte datorate:
[Link] modelului
[Link] in model a unor variabile independente importante
[Link] erorilor in masurarea datelor
10. În studiul legaturii Valoarea mediu anuala al gospodăriei (mii lei) si nivelul de educatie (ani),
sau obtinut rezultatele prezentate in tabelul urmator
Correlations
Nivelul Valoarea împrumutului
de bancar
educație
Nivelul de educație pearson corelation 1 105
Sig(2-tailed) .000
N 5000 5000
Valoarea î[Link] pearson corelation .105 1
Sig(2-tailed) .000
N 5000 5000
Correlation is significant at the 0,01 level(2-tailed)

Pentru un risc de 5% sunt corecte afirmațiile

a.între cele două variabile există o corelație directă și puternică

[Link] calculată a statisticii test pentru testarea semnificației intensității legăturii dintre cele două
variabile,este egală cu 0,998

[Link] calculată a statisticii test pentru testarea semnificației intensității legăturii dintre cele două
variabile,este egală cu 7,5

d. se respinge ipoteza H0: ro=0, cu un risc de 5%

[Link] consideră un model econometric de forma Y=BO+B1X1+B2X2+έ.Sunt corecte afirmațiile

[Link] trebuie să fie logaritmate pentru a construi un model semnificativ

[Link] variabilei dependente a modelului econometric sunt B0,B1 și B2

[Link] modelului sunt Y,X1,X2, έ

[Link] un eșantion de 10 angajați ai unei bănci s-au observat următoarele variabile:salariu

curent,vechimea în muncă și numărul de ani de școală.Pentru aceste variabile s-a verificat un model
liniar [Link] dintre următoarele afirmații sunt corecte?

[Link]ții de regresie Bi sunt de semne contrare

b. coeficienții de regresie Bi au valori negative

c. coeficienții de regresie Bi au valori pozitive

[Link] dependentă este salariu curent

[Link] un eșantion de angajați ,se analizează legătura dintre salariu curent(dolari),salariu la angajare
(dolari),nivelul de educație (ani) și vechimea în muncă(luni).Rezultatul modelării este prezentat în
modelul de mai josb

Model B [Link] Beta t Sig Zero-Order Partial Part

constant -19891,433 3421,807 - -6,136 0,000 - - -
salariu la 1,689 0,058 0,778 29,180 0,000 0,680 0,803 0,801
angajare
Nivelul 970,449 158,158 0,164 6,136 0,000 0.551 0,273 0,126
de
educație
Vechimea 154,042 35,167 0,091 4,380 0,000 0,084 0,198 0,090
în muncă
Dependent variable-salariu curent

[Link]șterea cu un dolar a salariului la angajare determină o creștere medie de 1,689 dolari a salariului
curent,în condițiile în care nivelul de educație și vechimea în muncă rămân constante

[Link]șterea cu un an a nivelului de educație determină o creștere medie de 970,449 dolari a salariului

curent,în condițiile în care salariul la angajare și vechimea în muncă rămân constante

[Link]șterea cu o lună a vechimii în muncă determină o creștere de 154,042 dolari a salariului curent

[Link] nivelul uneui eșantion de 75 țări,s-a studiat legătura dintre aportul zilnic de calorii(kcal) și Produsul
intern brut cap de locuitor(dolari).Rezultatele modelării sunt prezentate în tabelul de mai jos

Model B Std Error Beta t sig

Constant 2404,613 56,466 42,585 0,000
Pib pe cap de 0,060 0,006 0,751 9,724 0,000
locuitor
Dependent variable-aportul zilnic de calorii
Pentru exemplul dat sunt corecte afirmatiile :
[Link] variabile nu exista o legatura semnificativa statistic
[Link] o crestere cu 60 De dolari a PIB-ului variabila dependenta Aportul caloric creste , in medie
cu 2404,613 kcal
[Link] o crestere cu o abatere standard a PIB-ului , variabila dependenta Aportul caloric creste , in
medie cu 0.751 abateri standard
[Link] cele doua variabile exista o legatura directa
15. Intr-un model econometric, componenta determinista este :
a) M(Y(X)
b) Combinatia liniara intre variabilele independente si
c) Variabila reziduala
d) Regresia sau media conditionata
16. Raportul de determinare este egal cu 1 daca :
a) Erorile de modelare sunt nule
b) Modelul explica in totalitate legatura dintre variabile
c) Variabilele din modelul sunt independente
17.
18. Pentru un esantion de 109 tari ale lumii, sa studiat legatura dintre rata de fertilitate(nr. De
copii) , speranta de viata a populatiei feminine(ani)si rata de alfabetizare a populatiei
feminine(%). Rezultatele analizei sunt prezentate in tabelul de mai jos .
Coefficients
Model Unstandardized Standardized
coefficients coefficients
B [Link] Beta t Sig
1 (constant) 10,908 ,832 13,109 ,000
Rata de alfabetizare -,034 ,006 -,518 -5,434 ,000
Speranta medie de viata -,069 ,017 -,393 -4,121 ,000
aDependent variable: Rata de fertilitate
a) Speranta de viata are o importanta mai mare decat rata de alfabetizare asupra ratei de
fertilitate
b) Cu un risc de 1% variabila Rata de alfabetizare are o influenta partiala semnificativa
statistic asupra variabilei Rata de fertilitate
c) La o crestere cu 10% a ratei de alfabetizare, rata de fertilitate scade in medie cu 0,34
unitati, atunci cand speranta de viata se mentine constanta
[Link] un eșantion de angajați se studiază legătura dintre variabilele salariu(lei),număr de
piese produse și educație(ani).Rezultatele obținute sunt prezentate în tabelul de mai jos
Model b Std. Beta t Sig Zero-order Partial part
Error
Constant -7,689 1,778 - -4,330 0,000 - - -
Prod 1,671 0,059 0,773 28,158 0,000 0,881 0,800 0,603
Educație 1,022 0,162 0,173 6,295 0,000 0,656 0,285 0,135

????

[Link] deterministă a modelului econometric liniar simplu este reprezentata de

a.M(Y/X=xi)=

b. M(Y/X=xi)=B0+B1X1
C. M(Y/X=xi)= B0+B1X1+

21. Estimatorul unui parametru al modelului de regresie este

a) valoare reala si necunoscuta

b)variabila aleatoare
c.o mărime fixă calculată la nivel de eșantion
[Link] un model liniar multiplu de forma Y=BO+B1X1+B2X2+έ,dacă parametrul B1 este
semnificativ statistic ,atunci
[Link] sunt nule
[Link] B2 nu este semnificativ statistic
[Link] de regresie are cel puțin un factor care explică semnificativ variația variabilei dependente
1 Pentru variabilele salariu (lei), productia de salariat(piese), experienta(luni), si educatia
(ani), s-au obtinut rezultatele:
coefficients
Model Unstandardized Standardized
coefficients coefficients Correlations
B [Link] Beta t Sig Zero- partial Part
order
1(constant) -3,695 1,960 -1,885 ,060
Prod 1,747 ,061 ,808 28,831 ,000 ,881 ,807 ,605
Educatie ,745 ,171 ,126 4,362 ,000 ,656 ,202 ,092
exp -,016 ,004 -,100 -4,449 ,000 ,084 -,206 -,093
a;Dependent variable:salariu

Sunt variabile enunturile :

a) In raport cu intensitatea influentei exercitate asupra variabilei dependente, factorii
independenti se ierarhizeaza astfel: productia, experienta, educatia
b) In raport cu intensitatea influentei exercitate asupra variabilei dependente, factorii
independenti se ierarhizeaza astfel: productia, educatia, experienta
c) Legatura bivariata dintre salariu si educatie este directa

2 Pentru un esantin de 474 de angajati , sau obtinut rezultatele prezenatate in tabelul de mai
jos , cu privire la legatura dintre educatie si salariu :
coefficients
Unstandardized coefficients
Model
B [Link]
1 (constant) -6290.967 1340.920
Educational level(years) 1727.528 97.197
aDependent Variable: Beginning Salary
Considerand un nivel de semnificatie egal cu 5%, valoarea calculata a statisticii test t Student,
folosita pentru testarea pantei dreptei de regresie, si interpretarea corecta sunt :
a) t=177,73 si arata ca Educatia nu influenteaza in mod semnificativ variatia Salariului
b) t= -4,692 si arata ca Educatia influenteaza semnificativ variatia Salariului
c) t= 17,773 si arata ca Educatia influenteaza in mod semnificativ variatia Salariului
3
Model Sum of df Mean F Sig
Square
Squares
Regression 126,186??? 2 62.503 9076.000 000
Residual 0.14 2 ,057??
Total 125,200 4

Sunt adevarate afirmatiile :

a) Modelul contine 3 variabile independente
b) Volumul esantionului este n=5
c) Modelul contine 2 variabile independente
4 Estimatiile sunt :
a) Variabile aleatoare
b) Marimi fixe calculate la nivel de esantion
c) Valori posibile ale estimatorilor

5 Variabila reziduala in modelul econometric include efecte datorate:

a) Parametrilor modelului
b) Neincluderii in model a unor variabile independente importante
c) Existentei erorilor in masurarea datelor
6 Intr-un model de regresie multipla, coeficientul de corelatie bivariata indica:
a) Intensitatea legaturii dintre variabila dependenta si o variabila independenta, fara a lua
in considerare influenta celorlalte variabile
b) Intensitatea legaturii dintre variabila dependenta si o variabila independenta, in
conditiile in care celelalte variabile independente sunt considerate aleatoare
c) Intensitatea legaturii dintre variabila dependenta si o variabila independenta , in
conditiile in care celelalte variabile independente sunt considerate constante

7 Estimatorul unui parametru al modelului de regresie este

a) valoare reala si necunoscuta
b) valoare reala si cunoscuta, calculata
c) variabila determinista
d) variabila aleatoare
8 Sa studiat legatura dintre Valoare facturii (euro), vechimea abonamentului(ani) si durata
totala a convorbirilor (minute), pe un esantion de 250 de clienti ai unei companii de
telecomunicatii. Rezultatele obtinute sunt prezenatate in tabelul de mai jos.

Control variables Durata Valoarea

convorbirilor facturii
Vechimea Durata Corelation 1.000 .423
abonamentului convorbirii significance(2tailed) .000
df 0 247
Valoarea Corelation .423 1,000
facturii significance(2tailed) .000 .
df 247 0

Sunt adevarate urmatoarele afirmatii :

a) Intre durata convorbirilor si valoarea facturii exista o corelatie partiala semnficativa
statistic, pentru un risc de 0,01
b) Intre durata convorbirilor si vechimea abonamentului exista o legatura directa, in
conditiile in care influenta variabilei Valoare facturii se mentine constanta
c) Valoarea calculata a statisticii Student este egala cu 7,34
d) Valoarea calculata a statisticii student este mai mare decta valoarea teoretica

9 In modelul de regresie liniara simpla de forma 𝑌 = 𝛽0 + 𝛽1 𝑋 + 𝜀 parametrul 𝛽1 reprezinta

a) variabila aleatoare
b) Panta dreptei de regresie
c) Variatia medie absoluta a variabilei independente la o variatie absoluta cu o unitate a
variabilei dependente
10 in studiul legaturii dintre salariu (mii lei) si nivelul de educatie (ani), sau obtinut rezultatele
prezentate in tabelul urmator
Correlations
Y X
Y pearson corelation 1 .737
Sig(2-tailed) .015
N 10 10
X pearson corelation .737 1
Sig(2-tailed) .015
N 10 10
Correlation is significant at the 0.05 level(2tailed)
Pentru un rsic de 5% sunt corecte afirmatiile :
 a) Intre salariu si educatie exista o corelatie inversa puternica
b) Pentru testarea semnificatiei intensitatii legaturii dintre cele 2 valori , valoarea
teoretica a statisticii test este 2,30e............?
c) Se respinge ipoteza 𝐻0 : 𝜌 = 0 cu un risc de 5%

13 Raportul de determinare este egal cu 1 daca :

a) Erorile de modelare sunt nule
b) Modelul explica in totalitate legatura dintre variabile
c) Variabilele din modelul sunt independente

15 Testarea influentei marginale a unei variabile independente in cadrul unui model multiplu
presupune
a) Utilizarea unui test Fisher
b) Ipoteza ca reducerea/cresterea valorii raportului de determinatie nu este semnificativa
c) Utilizarea unui test Student
[Link] urma prelucrarii datelor privind legatura dintre variabilele rata saraciei si ponderea persoanelor cu
studii superioare in totalul populatiei la nivelul unui esantion format din 30 de tari s-au obtinut rezulatatele
din tabelul de mai jos

a. nu se poate specifica variabila independent din modelul de regresie

b. variabila dependenta este ponderea persoanelor cu studii superioare si variabila independent este rata
saraciei

c. variabila dependent este rata saraciei si variabila independenta este ponderea persoanelor cu studii
superioare

[Link] determinista a modelului econometric liniar simplu este reprezentata de:

a. M(Y/X=x i) = э

b. M(Y/X= xi)= B0+B1 xi

c. M(Y/X=xi) = B0+B1xi+ э

3. Estimatorul unui parametru al modelului de regresie este

a. o valoare reala si necunoscuta

b. o variabila aleatoare

c. o marime fixa calculate la nivel de esantion

4. Pentru un model liniar multiplu de forma Y= B0+B1X1+B2X2+ э daca parametrul B1 este semnificativ
statistic atunci

a. erorile sunt nule

b parametrul B2 nu este semnificativ statistic

c modelul de regresie are cel putin un factor care explica semnificativ variatia variabilei dependente

5, Pentru un esantion de tari se studiaza legatura dintre rata de crestere economica (RCE) rata somajului
(RS) si indicele preturilor de consum (IPC). Rezulatele obtinute sunt prezentate in tabelul de mai jos.
 a. volumul esantionului pentru care s-a estimate coeficientul de corelatie partial este de 32 tari
b. intre rata de crestere economica si indicele preturilor de consum exista o legatura inversa, in
conditiile in care influenta variabilei rata somajului se mentine constanta
c. pentru un risc de 5% intre rata de crestere economica si indicele preturilor de consum exista o
corelatie partiala semnificativa statistic, in conditiile in care influenta variabilei rata somajului se
mentine constanta

6. In urma prelucrarii datelor inregistrate la nivelul unui esantion , s-au obtinut rezultatele din
tabelul de mai jos:

Sunt adevarate urmatoarele afirmatii

a. raportul de corelatie este semnificativ, in conditiile unui risc de 5%
b. variatia totala a variabilei dependente Y este 4145,323
c. modelul de regresie este semnificativ , in conditiile unui risc de 1%

[Link] studiul legaturii dintre variabilele Valoarea lunara a facturii (euro) si vechimea abonamentului (luni)
inregistrate pentru 1000 de client a unei companii de telecomunicatii , s-au obtinut rezulatatele prezentate
in urmatorul tabel :
a. R=0,227 si arata ca legatura dintre cele doua variabile este foarte puternica
b. 5% din variatia variabilei dependente Valoarea lunara a facturii este explicata de variatia variabilei
independente Vechimea Abonamentului
c. 5,1% din variatia variabilei dependente valoarea lunara a facturii este explicate de factorii reziduali
d. Daca vechimea abonamentului creste cu 10 luni, atunci valoarea lunara a facturii creste, in medie,
cu 16,47 de euro

[Link] coeficient de regresie intr-un model multiplu exprima:

a. variatia relativa a variabilei dependente daca o variabila independent variaza cu o unitate

b. variatia absoluta a variabilei dependente daca o variabila independenta, careia ii este atasat, variaza
cu o unitate si celelalte variabile raman constant

[Link] celor mai mici patrate , folosita pentru estimarea parametrilor modelului de regresie ,
presupune,

raspuns correct: B

10. Daca pentru un model de regresie de forma Y=Bo+B1 X +∈ , ordonata la origine este semnificativa
statistic ,atunci:

a. nu exista legatura statistica intre cele doua variabile

b. dreapta trece prin origine

c. media variabilei dependente este semnificativa chiar daca variabila independent la valoarea zero

11. Pentru examenul dat sunt corecte afirmatiile:

 a. Intervalul de incredere pentru panta dreptei de regresie , considerand un risc de 0,05 este [0,132;
0,226]
b. Constanta din modelul de regresie dintre cele doua variabile este semnificativa statistic,
considerand un risc de 0,05
c. Legatura dintre cele doua variabile este o legatura directa si slaba

12. Estimatiile sunt:

a. valori posibile ale estimatorilor

b. valori estimate la nivelul populatiei

c. marimi fixe calculate la nivel de esantion

13. Pentru un esantion de angajati se studiaza legatura dintre variabilele salariu (lei) numar de piese
produse si educatie (ani). Rezultatele obtinute sunt prezente in tabel:

Sunt corecte interpretarile:

a. Intre numarul de piese produse si salariu exista o legatura inversa

b. Intre educatie si salariu exista o legatura directa si slaba , atunci cand numarul de piese produse
este constanta
c. Intre educatie si salariu exista o legatura bivariate directa

14. In studiul legaturii dintre salariul current , vechimea in munca, salariul la angajare si nivelul de
educatie pentru un esantion de angajati, s-au obtinut urmatoarele rezultate:
Model R R square Adjusted r square Std, error of the
estimate
1 895 801 800 $ 7.650 626

a. R² 0,801 si arata ca 80,1% din variatia salariului curent este explicate prin variatia simultana a
vechimii in munca si a nivelul de educatie
b. R² 0,895 si arata ca 89,5% din variatia salariului curent este explicate prin variatia simultana a
vechimii in munca si a nivelul de educatie
c. R² 0,801 si arata ca 80,1% din variatia salariului curent este explicate prin variatia vechimii in
munca si a salariului la angajare, nivelul de educatie fiind mentinut constant
15. In stadiul legaturii dintre venitul mediu anual al gospodariei (mii euro) si valoarea imprumutului bancar
(mii euro) pe un esantion de 5000 persoane , s-au obtinut urmatoarele rezultate:

Model Sum of squares Df

[Link] 26053, 134 1
Residual 33150, 611
Total 59203, 744 4999

Dependent variable: valoarea imprumutului bancar

Pentru exemplul dat sunt corecte afirmatiile:

a. Raportul de corelatie estimate este egal cu 0,663

b. Valoarea calculate a statisticii test F (fisher) folosita pentru testarea raportului de corelatie este
egala cu 3927, 939
c. 66,3% din variatia valorii imprumutului bancar este explicata de variatia venitului gospodariei
d. Numarul de parametri ai modelului este egal cu 2

16. Raportul de determinatie arata:

a. procentul variatiei variabilei dependente explicate de variatia variabilei independente

b. gradul de adecvare a modelului teoretic cu datele reale

c. gradul de intensitate a legaturii dintre 2 variabile

17. Modelele econometrice pot fi :

a. liniare

b. deterministe

c. neliniare

18. In urma prelucrarii datelor privind legatura dintre variabilele rata saraciei si ponderea persoanelor cu
studii superioare in totalul populatiei, la nivelul unui esantion format din 30 de tari , s-au obtinut rezultatele
din tabelul de mai jos

Se poate afirma ca:

a. Ordonata la origine este semnificativa statistic, in conditiile unui risc asumat de 1%

 b. Ordonata la origine nu este semnificativa statistic, legatura dintre cele doua variabile este
reprezentata printr-un model de regresie liniara prin origine
c. Ordonata la origine este semnificativa statistic, in conditiile unui risc asumat de 10%

19. In studiul legaturii dintre variabilele Pretul autoturismului (euro) consumul de combustibil
(litri/100km) si capacitatea motorului (cm3) s-au obtinut rezulatele de mai jos

Se poate aprecia ca:

a. Prin excluderea variabilei consumul de combustibil , valoarea R 2 scade cu 0,2%
b. Puterea explicative a modelului cu toate variabilele independente incluse este de 39,6%
c. Influenta marginala a consumului de combustibil asupra pretului nu este semnificativa statistic

20. Pentru un esantion de 109 tari ale lumii s-a studiat legatura dintre rata de fertilitate (nr de copii)
speranta de viata a populatiei feminine ( ani) si rata de alfabetizare a populatiei feminine (%)
rezultatele analizei se afla in tabelul de mai jos

Sunt adev

arate:

a. La o crestere cu 10% a ratei de alfabetizare , rata de fertilitate scade in medie cu 0,34 unitati
,atunci cand speranta de viata se mentine constanta
b. Speranta de viata are o importanta mai mare decat rata de alfabetizare asupra ratei de
feritilitate
c. Cu un risc de 1% variabila rata de alfabetizare are o influenta partiala semnificativa statistic
asupra variabilei rata de fertilitate

21. La nivelul unui esantion de 25 tari , s-a studiat legatura dintre aportul zilnic de calorii (kcal) si produsul
intern brut(pib)

Model Unstand. Coef Standardized t Sig

B [Link] coeff
Beta
 Constant 2404,613 56,466 42,585 0,0000
Pib pe cap de loc 0,060 0,006 0,751 9,724 0.0000

Pentru examenul dat sunt corecte afirm:

a. Intre cele doua variabile exista o legatura

b. Intre varibile nu exista nici o legatura semnificativa statistic
c. La o crestere cu o abatare standard a pib-ului variabila dependenta aportul caloric creste, I medie,
cu 0,751 abateri standard
d. La o crestere cu 60 de dolari a pib-ului , variabila dependenta aportul caloric creste, in medi cu
2404, 613 kcal

22. in urma prelucrarii datelor pentru un esantion de persoane privind legatura dintre salariul curent (dolari)
salariul la angajare (dolari) –x1 nivelul de educatie (ani)-x2 si vechimea in munca –x3 s-au obtinut urm tab
urmator:

Rs corect:

[Link] estimata a modelului legaturii dintre variabile este y= 1989.433 +1.689 X1+ 970.449 X2 +154.042
X3
1) În urma prelucrării datelor privind variabilele Y, X1 şi X2 se
obţin următoarele rezultate:
Correlations

Control Variables Y X1
X2 Y Correlation 1.000 .956
Significance (2-tailed) . .003
df 0 4
X1 Correlation .956 1.000
Significance (2-tailed) .003 .
df 4 0

Cu privire la coeficientul de corelaţie rYX • X = 0 ,956 , se poate1 2

afirma că
a) măsoară legătura bivariată dintre variabilele Y şi X1
b) arată că între variabilele Y şi X1 există o legătură
directă, puternică, atunci când variaţia variabilei X2 se
menţine constantă
c) indică faptul că între variabilele Y şi X2 există o legătură
directă, puternică, atunci când variaţia variabilei X1 se
menţine constantă
---------------------------------------------------------------------
2) Rezultatele modelării legăturii dintre variabilele PIB/loc
($) şi Procentul de populaţie urbană (%), pentru un
eşantion de ţări în anul 2010, folosind modelul Compound, sunt
prezentate în tabelul de mai jos.
Coefficients

Unstandardized Standardized
Coefficients Coefficients
B Std. Error Beta t Sig.
Pop_urbana 1,046 ,004 2,126 265,173 ,000
(Constant) 210,430 48,762 4,315 ,000
The dependent variable is ln(PIB).

Ecuaţia estimată a modelului de regresie este:

X
a) y x = 210 ,43 ⋅ 1,046
1,046
b) y x = 210 ,43 x
 210 ,43
c) y x = 1,046 x
---------------------------------------------------------------------
3) Rezultatele modelării legăturii dintre variabilele PIB/loc
($) şi Procentul de populaţie urbană (%), pentru un
eşantion de ţări în anul 2010, folosind modelul Compound, sunt
prezentate în tabelul de mai jos.
Coefficients

Unstandardized Standardized
Coefficients Coefficients
B Std. Error Beta t Sig.
Pop_urbana 1,046 ,004 2,126 265,173 ,000
(Constant) 210,430 48,762 4,315 ,000
The dependent variable is ln(PIB).

Sunt corecte afirmaţiile:

a) la o creştere cu 1% a Populaţiei urbane, PIB/loc. scade în
medie cu (ln 1,046 ) ⋅ 100%
b) la o creştere cu 1% a Populaţiei urbane, PIB/loc. creşte
în medie cu (ln 1,046 ) ⋅ 100%
c) la o creştere cu 1% a Populaţiei urbane, PIB/loc. creşte
în medie cu 104,6%.

4) În studiul legăturii dintre Rata inflaţiei (%) şi Rata

şomajului (%) înregistrate în România în perioada 1997-2008, s-au
obţinut următoarele rezultate:
Coefficients

Unstandardized Standardized
Coefficients Coefficients
B Std. Error Beta t Sig.
1/X 269,392 45,171 ,815 5,964 ,000
(Constant) 36,346 7,801 4,659 ,000

Sunt corecte afirmaţiile:

a) Rata inflaţiei scade în medie cu 269,392%, la o
creştere cu 1% a Ratei şomajului
b) Rata şomajului scade în medie cu 269,392%, la o creştere
cu 1% a Ratei inflaţiei
c) Rata medie a inflaţiei este de 36,346%, atunci când Rata
şomajului tinde spre infinit
---------------------------------------------------------------------
5) Rezultatele modelării legăturii dintre variabilele X (mii lei) şi
Y (mil. lei), pentru un eşantion de 109 ţări, se prezintă astfel:
Coefficients

Unstandardized Standardized
Coefficients Coefficients
B Std. Error Beta t Sig.
ln(X1) .697 .057 .944 12.164 .000
(Constant) 9.871 .898 10.994 .000
The dependent variable is ln(Y).

Sunt corecte afirmaţiile:

0 ,697
a) ecuaţia modelului estimat este Yx = 9 ,871 X
b) ecuaţia modelului estimat este ln Yx = ln 9 ,871 + 0 ,697 ⋅ ln X
c) la o creştere cu 1% a valorii variabilei X, Y creşte în
medie cu 0,697 mil. lei.
---------------------------------------------------------------------
6) În studiul legăturii dintre valoarea cheltuielilor de
consum ale gospodăriilor (lei/lună) şi indicele preţurilor de
consum (IPC) din România (%), în perioada 1991-2010, s-au
obţinut următoarele rezultate:
Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta
1 (Constant) 133,816 8,009
X -7,390 1,016 -,864
a. Dependent Variable: Y

Pentru exemplul dat, sunt corecte afirmaţiile:

a) IPC are o influenţă puternică, inversă, asupra cheltuielilor
de consum
b) nivelul cheltuielilor de consum ale gospodăriilor scad,
în medie, cu 73,9 lei/lună, la o creştere cu 10% a indicelui
preţurilor de consum
c) pentru a asigura un consum de 120 lei/lună , IPC trebuie să fie
de 1,87%
---------------------------------------------------------------------
7) În studiul legăturii dintre consumul anual pentru un
produs (Y, kg/pers.), preţul produsului (X1, lei/kg) şi venitul
anual disponibil (X2, mii lei), s-a obţinut următorul model
y = 42 − 0 ,56 ⋅ X + 7 ,5 ⋅ X
de regresie estimat: x i
1 2

Pentru exemplul dat, sunt corecte afirmaţiile:

a) consumul anual pentru acest produs scade, în medie, cu 3,92
kg/pers., dacă preţul creşte cu 7 lei/kg, considerând
constantă influenţa venitului
b) consumul anual pentru acest produs scade, în medie, cu 0,56
kg/pers., dacă preţul creşte cu 7 lei/kg, considerând
constantă influenţa venitului
c) consumul anual pentru acest produs creşte, în medie, cu
11,08 kg/pers., dacă preţul creşte cu 7 lei/kg şi venitul anual
creşte cu 2 mii lei.
---------------------------------------------------------------------
8) Datele privind variabilele X şi Y sunt reprezentate în figura de mai
jos:
 Y

60,00 Observed
Estimated

50,00

40,00

30,00

20,00

10,00

3,00 4,00 5,00 6,00 7,00 8,00 9,00 10,00

Ecuaţia teoretică a curbei care ajustează legătura dintre

variabile este
Y = β0 + β1 ⋅ X + β 2 ⋅ X 2 + ε
a)
2
b) Y = β 0 + β 1 ⋅ X 1 + β 2 ⋅ X 2 + ε
X ε
c) Y = β 0 ⋅ β 1 ⋅ e
---------------------------------------------------------------------
9) În studiul legăturii dintre costul unitar (lei) şi producţia
realizată (tone) s-au obţinut următoarele rezultate:
Coefficients

Unstandardized Standardized
Coefficients Coefficients
B Std. Error Beta t Sig.
Productie -,009 ,001 -4,897 -14,094 ,000
Productie ** 2 7,73E-006 ,000 4,809 13,839 ,000
(Constant) 5,886 ,142 41,431 ,000

Pentru exemplul dat, sunt corecte afirmaţiile:

−6 2
a) ecuaţia estimată este: Y X = 5 ,886 − 0 ,009 X + 7 ,73 ⋅ 10 ⋅ X
b) legătura de tip parabolic admite un punct de minim
−6 2
c) ecuaţia estimată este: Y X = 5 ,886 − 0 ,009 X 1 + 7 ,73 ⋅ 10 ⋅ X 2
d) nivelul optim al costului se atinge pentru o producţie de 582,14
tone.
10) Rezultatele modelării legăturii dintre variabilele X
(mii lei) şi Y (mil. lei), printr-un model Growth, se prezintă în
tabelul de mai jos.
 Coefficients

Unstandardized Standardized
Coefficients Coefficients
B Std. Error Beta t Sig.
X1 .130 .014 .912 9.412 .000
(Constant) 2.720 .073 37.090 .000
The dependent variable is ln(Y).

Sunt corecte afirmaţiile:

a) ecuaţia modelului estimat este ln Yx = 2 ,72 + 0 ,13 ⋅ X
b) atunci când X=0, nivelul mediu estimat al lui Y este e2,72
c) la o creştere a lui X cu o mie de lei, Y creşte în medie cu
13%

11) Rezultatele modelării legăturii dintre variabilele X (mii lei)

şi Y (mil. lei), printr-un model exponenţial, se prezintă în
tabelul de mai jos.
Coefficients

Unstandardized Standardized
Coefficients Coefficients
B Std. Error Beta t Sig.
X1 .130 .014 .912 9.412 .000
(Constant) 15.175 1.113 13.638 .000
The dependent variable is ln(Y).

Sunt corecte afirmaţiile:

a) ecuaţia modelului estimat este ln Yx = ln 15,175 + 0 ,13 ⋅ X
b) la o creştere a lui X cu 1%, Y creşte în medie cu 13%
c) la o creştere a lui X cu o mie de lei, Y creşte în medie
cu 13%

12) Rezultatele modelării legăturii dintre variabilele X (mii lei) şi

Y (mil. lei) se prezintă în tabelul de mai jos.

Coefficients

Unstandardized Standardized
Coefficients Coefficients
B Std. Error Beta t Sig.
ln(X) 20.535 3.396 .961 6.047 .009
(Constant) -1.799 5.388 -.334 .760

Sunt corecte afirmaţiile:

a) ecuaţia modelului estimat este Yx = −1,799 + 20 ,535 ⋅ ln X
b) ecuaţia modelului estimat este ln Yx = −1,799 + 20 ,535 ⋅ ln X
c) la o creştere a lui X cu 1%, Y creşte în medie cu 20,535
mil. lei
d) la o creştere a lui X cu 1%, Y creşte în medie cu 0,20535
mil. lei

13) În studiul legăturii dintre Salariu (mii lei) şi Nivelul de

educaţie (ani), pentru un eşantion format din 25
persoane, s-au obţinut rezultatele prezentate în tabelul
următor:
 Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) -18331.2 2821.912 -6.496 .000
Nivel de educatie 3909.907 204.547 .774 19.115 .000
a. Dependent Variable: Salariu

Care dintre afirmaţiile următoare sunt corecte?

a) parametrul β1 este semnificativ diferit de zero
b) între cele două variabile există o legătură directă
c) Nivelul de educaţie are o influenţă semnificativă
asupra Salariului
????( din ANOVA)

14) În urma prelucrării datelor privind mai multe variabile se

obţin următoarele rezultate:

Model Summary

Change Statistics
Adjusted Std. Error of R Square
Model R R Square R Square the Estimate Change F Change df1 df2 Sig. F Change
1 .910 a .828 .818 5.2961 .828 83.271 4 69 .000
2 .907 b .822 .814 5.3542 -.006 2.544 1 69 .115
a. Predictors: (Constant), Average female life expectancy, People living in cities (%), Daily calorie intake, People who read (%)
b. Predictors: (Constant), Average female life expectancy, Daily calorie intake, People who read (%)

Sunt corecte afirmaţiile:

a) prin excluderea variabilei People living in cities modelul a fost
 îmbunătăţit
b) excluderea variabilei People living in cities nu a modificat
semnificativ puterea explicativă a modelului
c) după excluderea variabilei People living in cities valoarea
R2 a scăzut cu 0.003
d) influenţa parţială a variabilei People living in cities
asupra variabilei dependente nu este semnificativă
????
1 Venitul mediul anual al gospodării(mii euro) și Nivelul de educație(anii) înregistrat pe un eșantion de 5000 de
persoane,s-au obținut următoarele rezultate.

Model B [Link] Beta t Sig

(Constant) 11,734 3,499 - 3,354 0,001
Nivelul de 2,979 0,235 0,177 12,692 0,000
educație
[Link] variable- Venitul m.În studiul legăturii dintre ediul annual

Pentru exemplu dat,sunt corecte afirmațiile

[Link]ția de regresie estimate este de forma: Y=2,979+11,734X

b.între cele două variabile există o legătura directă și foarte puternică

[Link] un Nivel de educație de 18 ani, Venitul mediul anual al gospodării este egal cu 65,356 mii euro

d. Nivel de educație are o influență semnificativă statistic asupra Venitul mediul annual,în condițiile unui risc asumat
de 0,05

2. .În studiul legăturii dintre variabile Valoarea lunară a facturii(euro)și Vechimea abonamentului (luni),înregistrate
pentru 1000 de clienți ale unei companii de telecomunicații,s-au obținut rezultatele prezentate în tabelul următor.

Model R R Square Adjusted R Square Std. Error of the

Estimate
1 0,227 0,051 0,050 16,47099
[Link]-(Constant) Vechimea abonamentului

Pentru exemplu dat,sunt corecte afirmațiile

a.5% din variația variabilei dependente Valoarea lunară a facturii este explicate de variația variabilei independente
Vechimea abonamentului

b.R=0,277 și arată că legătura dintre cele două variabile este foarte puternică

[Link]ă Vechimea abonamentului crește cu 10 luni ,atunci Valoarea lunară a facturii cresște,în medie cu 16,47 euro

d.5,1% din variația variabilei dependente Valoarea lunară a facturii este explicate de factori reziduali

[Link]țiile b0 și b1 ale parametrilor B0 și B1,calculate pe baza datelor unui eșantion de volum n prin metoda celor
mai mici pătrate,reprezintă

[Link] reale și semnificative

[Link] aleatoare de selecție

[Link] reale și cunoscute

4. În studiul legăturii dintre Valoarea vânzărilor (Y) ,Cheltuieli de publicitate (X1),Cheltuieli ocazionale de diferite
promoții(X2) și Vânzăriile anuale realizate de principalul concurent (X3),pentru un eșantion de 15 firme s-au obținut
rezultatele prezentate în tabelul următor.

Model B Std. Error Beta T Sig

Constant 65,705 27,731 - 2,369 0,037
X1 48,979 10,658 0,581 4,596 0,001
X2 59,654 23,625 0,359 2,525 0,028
X3 -1,838 0,814 -0,324 -2,258 0,045
dependent variable-Variable Y

Considerând un risc de 10% se poate afirma că parametrul de regresie corespunzător variabilei Cheltuielile ocazionale
de diferite promoții

[Link] este semnificativ diferit de 0

[Link] semnificativ statistic

[Link]ă o legătură liniară semnificativă între Valoarea vânzărilor și Cheltuieli ocazionale de diferite promoții,atunci
când celalte variabile independente se mențin constante

5.În urma prelucrării datelor privind legătura dintre variabilele rata sărăciei și ponderea persoanelor cu studii
superioare în totalul populației ,la nivelul unui eșantion format din 30 de țări,s-au obținut rezultatele din tabelul de
mai jos

Model b Std. Error Beta t Sig

Constant 9,823 6,654 - 1,413 0,169
Rata sărăciei 658 274 0,414 2,406 0,023
dependent variable- ponderea persoanelor cu studii superioare

Se poate afirma că

[Link]ă la origine este semnificativ statistic,în condițiile unui risc asumat de 1%

b. ordonată la origine nu este semnificativ statistic,legătura dintre cele două variabile este reprezentată printr-un
model de regresie liniară prin origine

c,ordonata la origine este semnificativ statistică, în condițiile unui risc asumat de 10%

6. Pentru un esantion de 109 tari ale lumii, s-a studiat legatura dintre speranța de viață a populației
femenine(ani).Rata de alfabetizare a populației femenine(%),Aportul zilnic de calorii(kcal) și Ponderea
populației din mediul urban(%). rezultatele analizei sunt prezenatate în tabelul de mai jos
Model b Std. Beta t Sig Zero-order Partial part
Error
Constant 32,064 3,745 - 8,561 0,000 - - -
Ponderea 0,097 0,041 0,221 2,363 0,021 0,741 0,306 0,147
populației
din urban
Aportul 0,006 0,002 0,262 3,294 0,002 0,715 0,406 0,204
calori
Rata 0,213 0,034 0,520 6,394 0,000 0,615 0,651 0,393
alfabetizare
dependent variable- speranța de viață a populației femenine

[Link] un risc de 1%, Rata de alfabetizare a populației femenine are o influență parțială directă semnificativă
asupra speranța de viață feminine
[Link] calculată a statisticii Student pentru testarea semnificației corelației parțiale dintre Rata de
alfabetizare a populației femenine și Speranța de viață feminine 8,79
[Link] populației din urban are o influență parțială semnificativă asupra Speranței de viață feminine în
condițiile unui risc de 1%
[Link] medie a Speranței de viață feminine este egală cu 32,064 ani,în condițiile în care factorii de
influență din model ar fi ipotetic egali cu 1.
7. Pentru un esantion de 109 tari ale lumii, sa studiat legatura dintre rata de fertilitate(nr. De copii) , speranta
de viata a populatiei feminine(ani).Aportul zilnic de calorii (kcal) și Rata de alfabetizare a populației
femenine(%).rezultatele analizei sunt prezenatate în tabelul de mai jos
Rata de Rata de Aport calori Speranța
fertilizare alfabetizare medie de viață
Rata de pearson 1 -0,839 -0,695 -0835
fertilizare corelation
Sig(2-
tailed) 0,000 0,000 0,000
N
107 85 75 107
Rata de pearson -0,639 1 0,548 0,819
alfabetizare corelation
Sig(2-
tailed) 0,000 0,000 0,000
N
95 85 75 85
Aport calori pearson -0,698 0,548 1 0,775
corelation
Sig(2-
tailed) 0,000 0,000 0,000
N
75 59 75 75
Speranța pearson -0,938 0.619 0,775 1
medie de viață corelation
Sig(2-
tailed) 0,000 0,000 0,000
N
107 65 75 109
Correlation is significant at the 0,01 level(2-tailed)

[Link]ând influența celorlalte variabile independente,între rata de fertilitate și Rata de alfabetizare există o
corelație egală cu -0,839
b.între Rata de fertilizare și Rata de alfabetizare există o corelație simplă semnificativ statistic ,în condițiile
unui risc de 1%
c. între Rata de fertilizare și Rata de alfabetizare există o legătură inversă și slabă,în condițiile în care influența
celorlalte variabile independente se menține constantă.
[Link]ățiile unui estimator sunt
[Link]
[Link]ța
[Link]
 9. Variabila reziduala in modelul econometric include efecte datorate:
[Link] modelului
[Link] in model a unor variabile independente importante
[Link] erorilor in masurarea datelor
10. În studiul legaturii Valoarea mediu anuala al gospodăriei (mii lei) si nivelul de educatie (ani), sau obtinut
rezultatele prezentate in tabelul urmator
Correlations
Nivelul Valoarea împrumutului bancar
de
educație
Nivelul de educație pearson corelation 1 105
Sig(2-tailed) .000
N 5000 5000
Valoarea î[Link] pearson corelation .105 1
Sig(2-tailed) .000
N 5000 5000
Correlation is significant at the 0,01 level(2-tailed)

Pentru un risc de 5% sunt corecte afirmațiile

a.între cele două variabile există o corelație directă și puternică

[Link] calculată a statisticii test pentru testarea semnificației intensității legăturii dintre cele două variabile,este
egală cu 0,998

[Link] calculată a statisticii test pentru testarea semnificației intensității legăturii dintre cele două variabile,este
egală cu 7,5

d. se respinge ipoteza H0: ro=0, cu un risc de 5%

[Link] consideră un model econometric de forma Y=BO+B1X1+B2X2+έ.Sunt corecte afirmațiile

[Link] trebuie să fie logaritmate pentru a construi un model semnificativ

[Link] variabilei dependente a modelului econometric sunt B0,B1 și B2

[Link] modelului sunt Y,X1,X2, έ

[Link] un eșantion de 10 angajați ai unei bănci s-au observat următoarele variabile:salariu curent,vechimea în
muncă și numărul de ani de școală.Pentru aceste variabile s-a verificat un model liniar [Link] dintre
următoarele afirmații sunt corecte?

[Link]ții de regresie Bi sunt de semne contrare

b. coeficienții de regresie Bi au valori negative

c. coeficienții de regresie Bi au valori pozitive

[Link] dependentă este salariu curent

[Link] un eșantion de angajați ,se analizează legătura dintre salariu curent(dolari),salariu la angajare
(dolari),nivelul de educație (ani) și vechimea în muncă(luni).Rezultatul modelării este prezentat în modelul de mai josb
Model B [Link] Beta t Sig Zero- Partial Part
Order
constant - 3421,807 - -6,136 0,000 - - -
19891,433
salariu la 1,689 0,058 0,778 29,180 0,000 0,680 0,803 0,801
angajare
Nivelul 970,449 158,158 0,164 6,136 0,000 0.551 0,273 0,126
de
educație
Vechimea 154,042 35,167 0,091 4,380 0,000 0,084 0,198 0,090
în muncă
Dependent variable-salariu curent

[Link]șterea cu un dolar a salariului la angajare determină o creștere medie de 1,689 dolari a salariului curent,în
condițiile în care nivelul de educație și vechimea în muncă rămân constante

[Link]șterea cu un an a nivelului de educație determină o creștere medie de 970,449 dolari a salariului curent,în
condițiile în care salariul la angajare și vechimea în muncă rămân constante

[Link]șterea cu o lună a vechimii în muncă determină o creștere de 154,042 dolari a salariului curent

[Link] nivelul uneui eșantion de 75 țări,s-a studiat legătura dintre aportul zilnic de calorii(kcal) și Produsul intern brut
cap de locuitor(dolari).Rezultatele modelării sunt prezentate în tabelul de mai jos

Model B Std Error Beta t sig

Constant 2404,613 56,466 42,585 0,000
Pib pe cap de 0,060 0,006 0,751 9,724 0,000
locuitor
Dependent variable-aportul zilnic de calorii

Pentru exemplul dat sunt corecte afirmatiile :

[Link] variabile nu exista o legatura semnificativa statistic
[Link] o crestere cu 60 De dolari a PIB-ului variabila dependenta Aportul caloric creste , in medie cu 2404,613
kcal
[Link] o crestere cu o abatere standard a PIB-ului , variabila dependenta Aportul caloric creste , in medie cu
0.751 abateri standard
[Link] cele doua variabile exista o legatura directa
15. Intr-un model econometric, componenta determinista este :
a) M(Y(X)
b) Combinatia liniara intre variabilele independente si
c) Variabila reziduala
d) Regresia sau media conditionata
16. Raportul de determinare este egal cu 1 daca :
a) Erorile de modelare sunt nule
b) Modelul explica in totalitate legatura dintre variabile
c) Variabilele din modelul sunt independente
17.
18. Pentru un esantion de 109 tari ale lumii, sa studiat legatura dintre rata de fertilitate(nr. De copii) , speranta
de viata a populatiei feminine(ani)si rata de alfabetizare a populatiei feminine(%). Rezultatele analizei sunt
prezentate in tabelul de mai jos .
Coefficients
Model Unstandardized Standardized
coefficients coefficients
B [Link] Beta t Sig
1(constant) 10,908 ,832 13,109 ,000
Rata de alfabetizare -,034 ,006 -,518 -5,434 ,000
Speranta medie de viata -,069 ,017 -,393 -4,121 ,000
aDependent variable: Rata de fertilitate
a) Speranta de viata are o importanta mai mare decat rata de alfabetizare asupra ratei de fertilitate
b) Cu un risc de 1% variabila Rata de alfabetizare are o influenta partiala semnificativa statistic asupra
variabilei Rata de fertilitate
c) La o crestere cu 10% a ratei de alfabetizare, rata de fertilitate scade in medie cu 0,34 unitati, atunci
cand speranta de viata se mentine constanta
[Link] un eșantion de angajați se studiază legătura dintre variabilele salariu(lei),număr de piese produse și
educație(ani).Rezultatele obținute sunt prezentate în tabelul de mai jos
Model b Std. Beta t Sig Zero-order Partial part
Error
Constant -7,689 1,778 - -4,330 0,000 - - -
Prod 1,671 0,059 0,773 28,158 0,000 0,881 0,800 0,603
Educație 1,022 0,162 0,173 6,295 0,000 0,656 0,285 0,135

????

[Link] deterministă a modelului econometric liniar simplu este reprezentata de

a.M(Y/X=xi)=

b. M(Y/X=xi)=B0+B1X1
C. M(Y/X=xi)= B0+B1X1+

21. Estimatorul unui parametru al modelului de regresie este

a) valoare reala si necunoscuta

b)variabila aleatoare
c.o mărime fixă calculată la nivel de eșantion
[Link] un model liniar multiplu de forma Y=BO+B1X1+B2X2+έ,dacă parametrul B1 este semnificativ statistic
,atunci
[Link] sunt nule
[Link] B2 nu este semnificativ statistic
[Link] de regresie are cel puțin un factor care explică semnificativ variația variabilei dependente
1 Pentru variabilele salariu (lei), productia de salariat(piese), experienta(luni), si educatia (ani), s-au obtinut
rezultatele:
coefficients
Model Unstandardized Standardized
coefficients coefficients Correlations
B [Link] Beta t Sig Zero- partial Part
order
1(constant) -3,695 1,960 -1,885 ,060
Prod 1,747 ,061 ,808 28,831 ,000 ,881 ,807 ,605
Educatie ,745 ,171 ,126 4,362 ,000 ,656 ,202 ,092
exp -,016 ,004 -,100 -4,449 ,000 ,084 -,206 -,093
a;Dependent variable:salariu
Sunt variabile enunturile :
a) In raport cu intensitatea influentei exercitate asupra variabilei dependente, factorii independenti se
ierarhizeaza astfel: productia, experienta, educatia
b) In raport cu intensitatea influentei exercitate asupra variabilei dependente, factorii independenti se
ierarhizeaza astfel: productia, educatia, experienta
c) Legatura bivariata dintre salariu si educatie este directa

2 Pentru un esantin de 474 de angajati , sau obtinut rezultatele prezenatate in tabelul de mai jos , cu privire la
legatura dintre educatie si salariu :
coefficients
Unstandardized coefficients
Model
B [Link]
1 (constant) -6290.967 1340.920
Educational level(years) 1727.528 97.197
aDependent Variable: Beginning Salary
Considerand un nivel de semnificatie egal cu 5%, valoarea calculata a statisticii test t Student, folosita pentru
testarea pantei dreptei de regresie, si interpretarea corecta sunt :
a) t=177,73 si arata ca Educatia nu influenteaza in mod semnificativ variatia Salariului
b) t= -4,692 si arata ca Educatia influenteaza semnificativ variatia Salariului
c) t= 17,773 si arata ca Educatia influenteaza in mod semnificativ variatia Salariului

3
Model Sum of df Mean F Sig
Square
Squares
Regression 126,186??? 2 62.503 9076.000 000
Residual 0.14 2 ,057??
Total 125,200 4

Sunt adevarate afirmatiile :

a) Modelul contine 3 variabile independente
b) Volumul esantionului este n=5
c) Modelul contine 2 variabile independente
4 Estimatiile sunt :
a) Variabile aleatoare
b) Marimi fixe calculate la nivel de esantion
c) Valori posibile ale estimatorilor

5 Variabila reziduala in modelul econometric include efecte datorate:

a) Parametrilor modelului
b) Neincluderii in model a unor variabile independente importante
c) Existentei erorilor in masurarea datelor
6 Intr-un model de regresie multipla, coeficientul de corelatie bivariata indica:
a) Intensitatea legaturii dintre variabila dependenta si o variabila independenta, fara a lua in considerare
influenta celorlalte variabile
b) Intensitatea legaturii dintre variabila dependenta si o variabila independenta, in conditiile in care
celelalte variabile independente sunt considerate aleatoare
c) Intensitatea legaturii dintre variabila dependenta si o variabila independenta , in conditiile in care
celelalte variabile independente sunt considerate constante

7 Estimatorul unui parametru al modelului de regresie este

b) valoare reala si necunoscuta
c) valoare reala si cunoscuta, calculata
d) variabila determinista
e) variabila aleatoare

8 Sa studiat legatura dintre Valoare facturii (euro), vechimea abonamentului(ani) si durata totala a
convorbirilor (minute), pe un esantion de 250 de clienti ai unei companii de telecomunicatii. Rezultatele
obtinute sunt prezenatate in tabelul de mai jos.

Control variables Durata Valoarea facturii

convorbirilor
Vechimea Durata Corelation 1.000 .423
abonamentului convorbirii significance(2tailed) .000
df 0 247
Valoarea facturii Corelation .423 1,000
 significance(2tailed) .000 .
df 247 0

Sunt adevarate urmatoarele afirmatii :

a) Intre durata convorbirilor si valoarea facturii exista o corelatie partiala semnficativa statistic, pentru
un risc de 0,01
b) Intre durata convorbirilor si vechimea abonamentului exista o legatura directa, in conditiile in care
influenta variabilei Valoare facturii se mentine constanta
c) Valoarea calculata a statisticii Student este egala cu 7,34
d) Valoarea calculata a statisticii student este mai mare decta valoarea teoretica

9 In modelul de regresie liniara simpla de forma parametrul reprezinta

a) variabila aleatoare
b) Panta dreptei de regresie
c) Variatia medie absoluta a variabilei independente la o variatie absoluta cu o unitate a variabilei
dependente
10 in studiul legaturii dintre salariu (mii lei) si nivelul de educatie (ani), sau obtinut rezultatele prezentate in
tabelul urmator
Correlations
Y X
Y pearson corelation 1 .737
Sig(2-tailed) .015
N 10 10
X pearson corelation .737 1
Sig(2-tailed) .015
N 10 10
Correlation is significant at the 0.05 level(2tailed)
Pentru un rsic de 5% sunt corecte afirmatiile :

a) Intre salariu si educatie exista o corelatie inversa puternica

b) Pentru testarea semnificatiei intensitatii legaturii dintre cele 2 valori , valoarea teoretica a statisticii
test este 2,30e............?
c) Se respinge ipoteza : cu un risc de 5%

13 Raportul de determinare este egal cu 1 daca :

d) Erorile de modelare sunt nule
e) Modelul explica in totalitate legatura dintre variabile
 f) Variabilele din modelul sunt independente

15 Testarea influentei marginale a unei variabile independente in cadrul unui model multiplu presupune
a) Utilizarea unui test Fisher
b) Ipoteza ca reducerea/cresterea valorii raportului de determinatie nu este semnificativa
c) Utilizarea unui test Student
[Link] un esantion de 10 angajati al unei banci s-au observat urmatoarele variabile:salariu curent,vechimea
in munca si numarul de ani de [Link] aceste variabile s-au verificat un model liniar [Link]
dintre urmatoarele afirmatii sunt corecte?
[Link] de regresie B1 sunt de semne contrare
b. Coeficienti de regresie B1 au valori negative
c. Coeficienti de regresie B1 au valori pozitive
[Link] dependenta este salariu curent
[Link] urma prelucrarii datelor privind legatura dintre variabilele rata saraciei si ponderea persoanelor cu studii
superioare in totalul populatiei la nivelul unui esantion format din 30 de tari s-au obtinut rezulatatele din tabelul de
mai jos

a. nu se poate specifica variabila independent din modelul de regresie

b. variabila dependenta este ponderea persoanelor cu studii superioare si variabila independent este rata saraciei

c. variabila dependent este rata saraciei si variabila independenta este ponderea persoanelor cu studii superioare

[Link] determinista a modelului econometric liniar simplu este reprezentata de:

a. M(Y/X=x i) = э

b. M(Y/X= xi)= B0+B1 xi

c. M(Y/X=xi) = B0+B1xi+ э

3. Estimatorul unui parametru al modelului de regresie este

a. o valoare reala si necunoscuta

b. o variabila aleatoare

c. o marime fixa calculate la nivel de esantion

4. Pentru un model liniar multiplu de forma Y= B0+B1X1+B2X2+ э daca parametrul B1 este semnificativ statistic atunci

a. erorile sunt nule

b parametrul B2 nu este semnificativ statistic

c modelul de regresie are cel putin un factor care explica semnificativ variatia variabilei dependente

5, Pentru un esantion de tari se studiaza legatura dintre rata de crestere economica (RCE) rata somajului (RS) si
indicele preturilor de consum (IPC). Rezulatele obtinute sunt prezentate in tabelul de mai jos.

a. volumul esantionului pentru care s-a estimate coeficientul de corelatie partial este de 32 tari
b. intre rata de crestere economica si indicele preturilor de consum exista o legatura inversa, in conditiile in care
influenta variabilei rata somajului se mentine constanta
c. pentru un risc de 5% intre rata de crestere economica si indicele preturilor de consum exista o corelatie
partiala semnificativa statistic, in conditiile in care influenta variabilei rata somajului se mentine constanta

6. In urma prelucrarii datelor inregistrate la nivelul unui esantion , s-au obtinut rezultatele din tabelul de mai
jos:

Sunt adevarate urmatoarele afirmatii

a. raportul de corelatie este semnificativ, in conditiile unui risc de 5%
b. variatia totala a variabilei dependente Y este 4145,323
c. modelul de regresie este semnificativ , in conditiile unui risc de 1%

[Link] studiul legaturii dintre variabilele Valoarea lunara a facturii (euro) si vechimea abonamentului (luni) inregistrate
pentru 1000 de client a unei companii de telecomunicatii , s-au obtinut rezulatatele prezentate in urmatorul tabel :
a. R=0,227 si arata ca legatura dintre cele doua variabile este foarte puternica
b. 5% din variatia variabilei dependente Valoarea lunara a facturii este explicata de variatia variabilei
independente Vechimea Abonamentului
c. 5,1% din variatia variabilei dependente valoarea lunara a facturii este explicate de factorii reziduali
d. Daca vechimea abonamentului creste cu 10 luni, atunci valoarea lunara a facturii creste, in medie, cu 16,47 de
euro

[Link] coeficient de regresie intr-un model multiplu exprima:

a. variatia relativa a variabilei dependente daca o variabila independent variaza cu o unitate

b. variatia absoluta a variabilei dependente daca o variabila independenta, careia ii este atasat, variaza cu o
unitate si celelalte variabile raman constant

[Link] celor mai mici patrate , folosita pentru estimarea parametrilor modelului de regresie , presupune,

raspuns correct: B

10. Daca pentru un model de regresie de forma Y=Bo+B1 X + , ordonata la origine este semnificativa statistic
,atunci:

a. nu exista legatura statistica intre cele doua variabile

b. dreapta trece prin origine

c. media variabilei dependente este semnificativa chiar daca variabila independent la valoarea zero

11. Pentru examenul dat sunt corecte afirmatiile:

a. Intervalul de incredere pentru panta dreptei de regresie , considerand un risc de 0,05 este [0,132; 0,226]
 b. Constanta din modelul de regresie dintre cele doua variabile este semnificativa statistic, considerand un risc
de 0,05
c. Legatura dintre cele doua variabile este o legatura directa si slaba

12. Estimatiile sunt:

a. valori posibile ale estimatorilor

b. valori estimate la nivelul populatiei

c. marimi fixe calculate la nivel de esantion

13. Pentru un esantion de angajati se studiaza legatura dintre variabilele salariu (lei) numar de piese produse si
educatie (ani). Rezultatele obtinute sunt prezente in tabel:

Sunt corecte interpretarile:

a. Intre numarul de piese produse si salariu exista o legatura inversa

b. Intre educatie si salariu exista o legatura directa si slaba , atunci cand numarul de piese produse este
constanta
c. Intre educatie si salariu exista o legatura bivariate directa

14. In studiul legaturii dintre salariul current , vechimea in munca, salariul la angajare si nivelul de educatie
pentru un esantion de angajati, s-au obtinut urmatoarele rezultate:
Model R R square Adjusted r square Std, error of the
estimate
1 895 801 800 $ 7.650 626

a. R² 0,801 si arata ca 80,1% din variatia salariului curent este explicate prin variatia simultana a vechimii in
munca si a nivelul de educatie
b. R² 0,895 si arata ca 89,5% din variatia salariului curent este explicate prin variatia simultana a vechimii in
munca si a nivelul de educatie
c. R² 0,801 si arata ca 80,1% din variatia salariului curent este explicate prin variatia vechimii in munca si a
salariului la angajare, nivelul de educatie fiind mentinut constant

15. In stadiul legaturii dintre venitul mediu anual al gospodariei (mii euro) si valoarea imprumutului bancar (mii euro)
pe un esantion de 5000 persoane , s-au obtinut urmatoarele rezultate:

Model Sum of squares Df

[Link] 26053, 134 1
Residual 33150, 611
Total 59203, 744 4999

Dependent variable: valoarea imprumutului bancar

Pentru exemplul dat sunt corecte afirmatiile:

a. Raportul de corelatie estimate este egal cu 0,663

b. Valoarea calculate a statisticii test F (fisher) folosita pentru testarea raportului de corelatie este egala cu 3927,
939
c. 66,3% din variatia valorii imprumutului bancar este explicata de variatia venitului gospodariei
d. Numarul de parametri ai modelului este egal cu 2

16. Raportul de determinatie arata:

a. procentul variatiei variabilei dependente explicate de variatia variabilei independente

b. gradul de adecvare a modelului teoretic cu datele reale

c. gradul de intensitate a legaturii dintre 2 variabile

17. Modelele econometrice pot fi :

a. liniare

b. deterministe

c. neliniare

18. In urma prelucrarii datelor privind legatura dintre variabilele rata saraciei si ponderea persoanelor cu studii
superioare in totalul populatiei, la nivelul unui esantion format din 30 de tari , s-au obtinut rezultatele din tabelul de
mai jos

Se poate afirma ca:

a. Ordonata la origine este semnificativa statistic, in conditiile unui risc asumat de 1%

b. Ordonata la origine nu este semnificativa statistic, legatura dintre cele doua variabile este reprezentata
printr-un model de regresie liniara prin origine
c. Ordonata la origine este semnificativa statistic, in conditiile unui risc asumat de 10%

19. In studiul legaturii dintre variabilele Pretul autoturismului (euro) consumul de combustibil (litri/100km) si
capacitatea motorului (cm3) s-au obtinut rezulatele de mai jos
 Se poate aprecia ca:
a. Prin excluderea variabilei consumul de combustibil , valoarea R 2 scade cu 0,2%
b. Puterea explicative a modelului cu toate variabilele independente incluse este de 39,6%
c. Influenta marginala a consumului de combustibil asupra pretului nu este semnificativa statistic

20. Pentru un esantion de 109 tari ale lumii s-a studiat legatura dintre rata de fertilitate (nr de copii) speranta
de viata a populatiei feminine ( ani) si rata de alfabetizare a populatiei feminine (%) rezultatele analizei se afla
in tabelul de mai jos

Sunt adev arate:

a. La o crestere cu 10% a ratei de alfabetizare , rata de fertilitate scade in medie cu 0,34 unitati ,atunci cand
speranta de viata se mentine constanta
b. Speranta de viata are o importanta mai mare decat rata de alfabetizare asupra ratei de feritilitate
c. Cu un risc de 1% variabila rata de alfabetizare are o influenta partiala semnificativa statistic asupra
variabilei rata de fertilitate

21. La nivelul unui esantion de 25 tari , s-a studiat legatura dintre aportul zilnic de calorii (kcal) si produsul intern
brut(pib)

Model Unstand. Coef Standardized t Sig

B [Link] coeff
Beta
Constant 2404,613 56,466 42,585 0,0000
Pib pe cap de loc 0,060 0,006 0,751 9,724 0.0000

Pentru examenul dat sunt corecte affirm:

a. Intre cele doua variabile exista o legatura

b. Intre varibile nu exista nici o legatura semnificativa statistic
c. La o crestere cu o abatare standard a pib-ului variabila dependenta aportul caloric creste, I medie, cu 0,751
abateri standard
d. La o crestere cu 60 de dolari a pib-ului , variabila dependenta aportul caloric creste, in medi cu 2404, 613 kcal
22. in urma prelucrarii datelor pentru un esantion de persoane privind legatura dintre salariul curent (dolari) salariul la
angajare (dolari) –x1 nivelul de educatie (ani)-x2 si vechimea in munca –x3 s-au obtinut urm tab urmator:

Rs corect:

[Link] estimata a modelului legaturii dintre variabile este y= 1989.433 +1.689 X1+ 970.449 X2 +154.042 X3

1) În urma prelucrării datelor privind variabilele Y, X1 şi X2

seobţin următoarele rezultate:
Correlations

Control Variables Y X1
X2 Y Correlation 1.000 .956
Significance (2-tailed) . .003
df 0 4
X1 Correlation .956 1.000
Significance (2-tailed) .003 .
df 4 0

 0,956
Cu privire la coeficientul de corelaţie YX  X
r
, se poate 1 2

afirma că
a) măsoară legătura bivariată dintre variabilele Y şi X1
b) arată că între variabilele Y şi X1 există o legătură
directă, puternică, atunci când variaţia variabilei X2 se
menţine constantă
c) indică faptul că între variabilele Y şi X2 există o legătură
directă, puternică, atunci când variaţia variabilei X1 se
menţine constantă
--------------------------------------------------------------------
-
2) Rezultatele modelării legăturii dintre variabilele PIB/loc
($) şi Procentul de populaţie urbană (%), pentru un
eşantion de ţări în anul 2010, folosind modelul Compound, sunt
prezentate în tabelul de mai jos.
Coefficients

Unstandardized Standardized
Coefficients Coefficients
B Std. Error Beta t Sig.
 Pop_urbana 1,046 ,004 2,126 265,173 ,000
(Constant) 210,430 48,762 4,315 ,000
The dependent variable is ln(PIB).

Ecuaţia estimată a modelului de regresie este:

a) yx  210,43  1,046
X

b) yx  210,43x
1,046
c) yx  1,046 x
210,43

--------------------------------------------------------------------
-
3) Rezultatele modelării legăturii dintre variabilele PIB/loc
($) şi Procentul de populaţie urbană (%), pentru un
eşantion de ţări în anul 2010, folosind modelul Compound, sunt
prezentate în tabelul de mai jos.
Coefficients

Unstandardized Standardized
Coefficients Coefficients
B Std. Error Beta t Sig.
Pop_urbana 1,046 ,004 2,126 265,173 ,000
(Constant) 210,430 48,762 4,315 ,000
The dependent variable is ln(PIB).

Sunt corecte afirmaţiile:

a) la o creştere cu 1% a Populaţiei urbane, PIB/loc. scade în
medie cu (ln1,046 )  100%
b) la o creştere cu 1% a Populaţiei urbane, PIB/loc. creşte
în medie cu (ln 1,046 )  100%
c) la o creştere cu 1% a Populaţiei urbane, PIB/loc.
creşte în medie cu 104,6%.

4) În studiul legăturii dintre Rata inflaţiei (%) şi Rata

şomajului (%) înregistrate în România în perioada 1997-2008, s-au
obţinut următoarele rezultate:
Coefficients

Unstandardized Standardized
Coefficients Coefficients
B Std. Error Beta t Sig.
1/X 269,392 45,171 ,815 5,964 ,000
(Constant) 36,346 7,801 4,659 ,000

Sunt corecte afirmaţiile:

a) Rata inflaţiei scade în medie cu 269,392%, la o
creştere cu 1% a Ratei şomajului
b) Rata şomajului scade în medie cu 269,392%, la o
creştere cu 1% a Ratei inflaţiei
c) Rata medie a inflaţiei este de 36,346%, atunci când Rata
şomajului tinde spre infinit
--------------------------------------------------------------------
-
5) Rezultatele modelării legăturii dintre variabilele X (mii lei) şi
Y (mil. lei), pentru un eşantion de 109 ţări, se prezintă astfel:
Coefficients

Unstandardized Standardized
Coefficients Coefficients
B Std. Error Beta t Sig.
ln(X1) .697 .057 .944 12.164 .000
(Constant) 9.871 .898 10.994 .000
The dependent variable is ln(Y).

Sunt corecte afirmaţiile:

Y  9,871X 0,697
a) ecuaţia modelului estimat este x
b) ecuaţia modelului estimat este lnYx  ln 9,871  0,697  ln X
c) la o creştere cu 1% a valorii variabilei X, Y creşte
în medie cu 0,697 mil. lei.
--------------------------------------------------------------------
-
6) În studiul legăturii dintre valoarea cheltuielilor de
consum ale gospodăriilor (lei/lună) şi indicele preţurilor
de consum (IPC) din România (%), în perioada 1991-2010, s-
au obţinut următoarele rezultate:
Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta
1 (Constant) 133,816 8,009
X -7,390 1,016 -,864
a. Dependent Variable: Y

Pentru exemplul dat, sunt corecte afirmaţiile:

a) IPC are o influenţă puternică, inversă, asupra cheltuielilor
de consum
b) nivelul cheltuielilor de consum ale gospodăriilor scad,
în medie, cu 73,9 lei/lună, la o creştere cu 10% a
indicelui preţurilor de consum
c) pentru a asigura un consum de 120 lei/lună , IPC trebuie să
fie de 1,87%
--------------------------------------------------------------------
-
7) În studiul legăturii dintre consumul anual pentru un
produs (Y, kg/pers.), preţul produsului (X1, lei/kg) şi
venitul anual disponibil (X2, mii lei), s-a obţinut
următorul model
y  42  0,56  X 1  7 ,5  X 2
de regresie x
i

estimat:
Pentru exemplul dat, sunt corecte afirmaţiile:
a) consumul anual pentru acest produs scade, în medie, cu 3,92
kg/pers., dacă preţul creşte cu 7 lei/kg, considerând
constantă influenţa venitului
b) consumul anual pentru acest produs scade, în medie, cu 0,56
kg/pers., dacă preţul creşte cu 7 lei/kg,
considerând constantă influenţa venitului
c) consumul anual pentru acest produs creşte, în medie, cu
11,08 kg/pers., dacă preţul creşte cu 7 lei/kg şi venitul anual
creşte cu 2 mii lei.
--------------------------------------------------------------------
-
8) Datele privind variabilele X şi Y sunt reprezentate în figura de mai
jos:
 Y

60,00 Observed
Estimated

50,00

40,00

30,00

20,00

10,00

3,00 4,00 5,00 6,00 7,00 8,00 9,00 10,00

Ecuaţia teoretică a curbei care ajustează legătura dintre

variabile este
a) Y  0  1  X   2  X  
2

b) Y  0  1  X 1   2  X 2 
2


c) Y  0  1  e 
X

--------------------------------------------------------------------
-
9) În studiul legăturii dintre costul unitar (lei) şi producţia
realizată (tone) s-au obţinut următoarele rezultate:
Coefficients

Unstandardized Standardized
Coefficients Coefficients
B Std. Error Beta t Sig.
Productie -,009 ,001 -4,897 -14,094 ,000
Productie ** 2 7,73E-006 ,000 4,809 13,839 ,000
(Constant) 5,886 ,142 41,431 ,000

Pentru exemplul dat, sunt corecte afirmaţiile:

6
a) ecuaţia estimată este: YX  5,886  0,009 X  7 ,73  10  X
2

b) legătura de tip parabolic admite un punct de minim

6
c) ecuaţia estimată este: YX  5,886  0,009 X 1  7 ,73  10  X2
2

d) nivelul optim al costului se atinge pentru o producţie de 582,14

tone.
10) Rezultatele modelării legăturii dintre variabilele X
(mii lei) şi Y (mil. lei), printr-un model Growth, se prezintă în
tabelul de mai jos.
 Coefficients

Unstandardized Standardized
Coefficients Coefficients
B Std. Error Beta t Sig.
X1 .130 .014 .912 9.412 .000
(Constant) 2.720 .073 37.090 .000
The dependent variable is ln(Y).

Sunt corecte afirmaţiile:

a) ecuaţia modelului estimat este lnYx  2,72  0,13  X
b) atunci când X=0, nivelul mediu estimat al lui Y este e2,72
c) la o creştere a lui X cu o mie de lei, Y creşte în medie cu
13%

11) Rezultatele modelării legăturii dintre variabilele X (mii lei)

şi Y (mil. lei), printr-un model exponenţial, se prezintă în
tabelul de mai jos.
Coefficients

Unstandardized Standardized
Coefficients Coefficients
B Std. Error Beta t Sig.
X1 .130 .014 .912 9.412 .000
(Constant) 15.175 1.113 13.638 .000
The depend ent variable is ln(Y).

Sunt corecte afirmaţiile:

a) ecuaţia modelului estimat este lnYx  ln 15,175  0,13  X
b) la o creştere a lui X cu 1%, Y creşte în medie cu 13%
c) la o creştere a lui X cu o mie de lei, Y creşte în
medie cu 13%

12) Rezultatele modelării legăturii dintre variabilele X (mii lei) şi

Y (mil. lei) se prezintă în tabelul de mai jos.

Coefficients

Unstandardized Standardized
Coefficients Coefficients
B Std. Error Beta t Sig.
ln(X) 20.535 3.396 .961 6.047 .009
(Constant) -1.799 5.388 -.334 .760

Sunt corecte afirmaţiile:

a) ecuaţia modelului estimat este Yx  1,799  20,535  ln X
b) ecuaţia modelului estimat este ln Yx  1,799  20,535  ln X
c) la o creştere a lui X cu 1%, Y creşte în medie cu
20,535 mil. lei
d) la o creştere a lui X cu 1%, Y creşte în medie cu
0,20535 mil. lei

13) În studiul legăturii dintre Salariu (mii lei) şi Nivelul de

educaţie (ani), pentru un eşantion format din 25
persoane, s-au obţinut rezultatele prezentate în tabelul
următor:
 Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) -18331.2 2821.912 -6.496 .000
Nivel de educatie 3909.907 204.547 .774 19.115 .000
a. Dependent Variable: Salariu

Care dintre afirmaţiile următoare sunt corecte?

a) parametrul β1 este semnificativ diferit de zero
b) între cele două variabile există o legătură directă
c) Nivelul de educaţie are o influenţă semnificativă
asupra Salariului
????( din ANOVA)

14) În urma prelucrării datelor privind mai multe variabile se

obţin următoarele rezultate:

Model Summary

Change Statistics
Adjusted Std. Error of R Square
Model R R Square R Square the Estimate Change F Change df1 df2 Sig. F Change
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), Average female life expectancy, People living in cities (%), Daily calorie intake, People who read (% )
b. Predictors: (Constant), Average female life expectancy, Daily calorie intake, People who read (%)

Sunt corecte afirmaţiile:

a) prin excluderea variabilei People living in cities modelul a fost
 îmbunătăţit
b) excluderea variabilei People living in cities nu a
modificat semnificativ puterea explicativă a modelului
c) după excluderea variabilei People living in cities valoarea
R2 a scăzut cu 0.003
d) influenţa parţială a
variabilei People living in
cities
asupra variabilei dependente nu este
semnificativă
????
1 Pentru variabilele salariu (lei), productia de salariat(piese), experienta(luni), si educatia (ani),
s-au obtinut rezultatele:
coefficients
Model Unstandardized Standardized
coefficients coefficients Correlations
B [Link] Beta t Sig Zero- partial Part
order
1(constant) -3,695 1,960 -1,885 ,060
Prod 1,747 ,061 ,808 28,831 ,000 ,881 ,807 ,605
Educatie ,745 ,171 ,125 4,362 ,000 ,656 ,202 ,092
exp -,016 ,004 -,100 -4,449 ,000 -,084 -,206 -,093
Dependent variable:salariu

Au loc concluziile:
[Link] un risc de 1% productia are o influenta partiala directa semnificativa pentru salariu
[Link] o incredere de 0,95 nivelul mediu al salariului nu este semnificativ statistic,in conditiile in care
factorii de influenta d.. sunt nuli
[Link] modelului de regresie liniara multipla nu este semnificativa

[Link] testarea semnificatiei unui model de regresie liniara simpla ,sau obtinut datele prezentate in
tabelul de mai jos:
Model Sum of df Mean Square F Sig
Squares
Regression 310.083 1 310.083 205.061 0.000
Residual 24.194 16 1.512
Total 334.278 17

c.H0:B0=0;B1=0
H1=B0≠0;B1≠0
[Link] studiul legaturii dintre consumul anual pentru un produs (Y,kg/pers.),pretul produsului(X1,lei/kg) si
venitul anual disponibil (x2,mii lei),s-a obtinut urmatorul model de regresie estimat:𝑦𝑥𝑖 =37,54-
0.88X1+11.9X2
Pentru exemplu dat sunt corecte afirmatiile:
[Link] mediu anual pentru acest produs scade cu 0.88 kg/pers ,daca pretu creste cu 5 lei/kg
,considerand constanta influenta venitului
b. consumul anual pentru acest produs scade,in medie,cu 4,4 kg/pers, daca pretu creste cu 5
lei/kg,considerand constanta influenta venitului
c. consumul mediu anual pentru acest produs scade cu 119 kg/pers,daca venitul anual scade cu 10 mii lei
,daca pretul nu sa modificat
Scanned by CamScanner
Scanned by CamScanner
Scanned by CamScanner
Scanned by CamScanner
Scanned by CamScanner
Scanned by CamScanner
Scanned by CamScanner
Scanned by CamScanner
[Link] urma prelucrarii datelor privind legatura dintre variabilele rata saraciei si ponderea persoanelor cu
studii superioare in totalul populatiei la nivelul unui esantion format din 30 de tari s-au obtinut rezulatatele
din tabelul de mai jos

a. nu se poate specifica variabila independent din modelul de regresie

b. variabila dependenta este ponderea persoanelor cu studii superioare si variabila independent este rata
saraciei

c. variabila dependent este rata saraciei si variabila independenta este ponderea persoanelor cu studii
superioare

[Link] determinista a modelului econometric liniar simplu este reprezentata de:

a. M(Y/X=x i) = э

b. M(Y/X= xi)= B0+B1 xi

c. M(Y/X=xi) = B0+B1xi+ э

3. Estimatorul unui parametru al modelului de regresie este

a. o valoare reala si necunoscuta

b. o variabila aleatoare

c. o marime fixa calculate la nivel de esantion

4. Pentru un model liniar multiplu de forma Y= B0+B1X1+B2X2+ э daca parametrul B1 este semnificativ
statistic atunci

a. erorile sunt nule

b parametrul B2 nu este semnificativ statistic

c modelul de regresie are cel putin un factor care explica semnificativ variatia variabilei dependente

5, Pentru un esantion de tari se studiaza legatura dintre rata de crestere economica (RCE) rata somajului
(RS) si indicele preturilor de consum (IPC). Rezulatele obtinute sunt prezentate in tabelul de mai jos.
 a. volumul esantionului pentru care s-a estimate coeficientul de corelatie partial este de 32 tari
b. intre rata de crestere economica si indicele preturilor de consum exista o legatura inversa, in
conditiile in care influenta variabilei rata somajului se mentine constanta
c. pentru un risc de 5% intre rata de crestere economica si indicele preturilor de consum exista o
corelatie partiala semnificativa statistic, in conditiile in care influenta variabilei rata somajului se
mentine constanta

6. In urma prelucrarii datelor inregistrate la nivelul unui esantion , s-au obtinut rezultatele din
tabelul de mai jos:

Sunt adevarate urmatoarele afirmatii

a. raportul de corelatie este semnificativ, in conditiile unui risc de 5%
b. variatia totala a variabilei dependente Y este 4145,323
c. modelul de regresie este semnificativ , in conditiile unui risc de 1%

[Link] studiul legaturii dintre variabilele Valoarea lunara a facturii (euro) si vechimea abonamentului (luni)
inregistrate pentru 1000 de client a unei companii de telecomunicatii , s-au obtinut rezulatatele prezentate
in urmatorul tabel :
a. R=0,227 si arata ca legatura dintre cele doua variabile este foarte puternica
b. 5% din variatia variabilei dependente Valoarea lunara a facturii este explicata de variatia variabilei
independente Vechimea Abonamentului
c. 5,1% din variatia variabilei dependente valoarea lunara a facturii este explicate de factorii reziduali
d. Daca vechimea abonamentului creste cu 10 luni, atunci valoarea lunara a facturii creste, in medie,
cu 16,47 de euro

[Link] coeficient de regresie intr-un model multiplu exprima:

a. variatia relativa a variabilei dependente daca o variabila independent variaza cu o unitate

b. variatia absoluta a variabilei dependente daca o variabila independenta, careia ii este atasat, variaza
cu o unitate si celelalte variabile raman constant

[Link] celor mai mici patrate , folosita pentru estimarea parametrilor modelului de regresie ,
presupune,

raspuns correct: B

10. Daca pentru un model de regresie de forma Y=Bo+B1 X +∈ , ordonata la origine este semnificativa
statistic ,atunci:

a. nu exista legatura statistica intre cele doua variabile

b. dreapta trece prin origine

c. media variabilei dependente este semnificativa chiar daca variabila independent la valoarea zero

11. Pentru examenul dat sunt corecte afirmatiile:

 a. Intervalul de incredere pentru panta dreptei de regresie , considerand un risc de 0,05 este [0,132;
0,226]
b. Constanta din modelul de regresie dintre cele doua variabile este semnificativa statistic,
considerand un risc de 0,05
c. Legatura dintre cele doua variabile este o legatura directa si slaba

12. Estimatiile sunt:

a. valori posibile ale estimatorilor

b. valori estimate la nivelul populatiei

c. marimi fixe calculate la nivel de esantion

13. Pentru un esantion de angajati se studiaza legatura dintre variabilele salariu (lei) numar de piese
produse si educatie (ani). Rezultatele obtinute sunt prezente in tabel:

Sunt corecte interpretarile:

a. Intre numarul de piese produse si salariu exista o legatura inversa

b. Intre educatie si salariu exista o legatura directa si slaba , atunci cand numarul de piese produse
este constanta
c. Intre educatie si salariu exista o legatura bivariate directa

14. In studiul legaturii dintre salariul current , vechimea in munca, salariul la angajare si nivelul de
educatie pentru un esantion de angajati, s-au obtinut urmatoarele rezultate:
Model R R square Adjusted r square Std, error of the
estimate
1 895 801 800 $ 7.650 626

a. R² 0,801 si arata ca 80,1% din variatia salariului curent este explicate prin variatia simultana a
vechimii in munca si a nivelul de educatie
b. R² 0,895 si arata ca 89,5% din variatia salariului curent este explicate prin variatia simultana a
vechimii in munca si a nivelul de educatie
c. R² 0,801 si arata ca 80,1% din variatia salariului curent este explicate prin variatia vechimii in
munca si a salariului la angajare, nivelul de educatie fiind mentinut constant
15. In stadiul legaturii dintre venitul mediu anual al gospodariei (mii euro) si valoarea imprumutului bancar
(mii euro) pe un esantion de 5000 persoane , s-au obtinut urmatoarele rezultate:

Model Sum of squares Df

[Link] 26053, 134 1
Residual 33150, 611
Total 59203, 744 4999

Dependent variable: valoarea imprumutului bancar

Pentru exemplul dat sunt corecte afirmatiile:

a. Raportul de corelatie estimate este egal cu 0,663

b. Valoarea calculate a statisticii test F (fisher) folosita pentru testarea raportului de corelatie este
egala cu 3927, 939
c. 66,3% din variatia valorii imprumutului bancar este explicata de variatia venitului gospodariei
d. Numarul de parametri ai modelului este egal cu 2

16. Raportul de determinatie arata:

a. procentul variatiei variabilei dependente explicate de variatia variabilei independente

b. gradul de adecvare a modelului teoretic cu datele reale

c. gradul de intensitate a legaturii dintre 2 variabile

17. Modelele econometrice pot fi :

a. liniare

b. deterministe

c. neliniare

18. In urma prelucrarii datelor privind legatura dintre variabilele rata saraciei si ponderea persoanelor cu
studii superioare in totalul populatiei, la nivelul unui esantion format din 30 de tari , s-au obtinut rezultatele
din tabelul de mai jos

Se poate afirma ca:

a. Ordonata la origine este semnificativa statistic, in conditiile unui risc asumat de 1%

 b. Ordonata la origine nu este semnificativa statistic, legatura dintre cele doua variabile este
reprezentata printr-un model de regresie liniara prin origine
c. Ordonata la origine este semnificativa statistic, in conditiile unui risc asumat de 10%

19. In studiul legaturii dintre variabilele Pretul autoturismului (euro) consumul de combustibil
(litri/100km) si capacitatea motorului (cm3) s-au obtinut rezulatele de mai jos

Se poate aprecia ca:

a. Prin excluderea variabilei consumul de combustibil , valoarea R 2 scade cu 0,2%
b. Puterea explicative a modelului cu toate variabilele independente incluse este de 39,6%
c. Influenta marginala a consumului de combustibil asupra pretului nu este semnificativa statistic

20. Pentru un esantion de 109 tari ale lumii s-a studiat legatura dintre rata de fertilitate (nr de copii)
speranta de viata a populatiei feminine ( ani) si rata de alfabetizare a populatiei feminine (%)
rezultatele analizei se afla in tabelul de mai jos

Sunt adev

arate:

a. La o crestere cu 10% a ratei de alfabetizare , rata de fertilitate scade in medie cu 0,34 unitati
,atunci cand speranta de viata se mentine constanta
b. Speranta de viata are o importanta mai mare decat rata de alfabetizare asupra ratei de
feritilitate
c. Cu un risc de 1% variabila rata de alfabetizare are o influenta partiala semnificativa statistic
asupra variabilei rata de fertilitate

21. La nivelul unui esantion de 25 tari , s-a studiat legatura dintre aportul zilnic de calorii (kcal) si produsul
intern brut(pib)

Model Unstand. Coef Standardized t Sig

B [Link] coeff
Beta
 Constant 2404,613 56,466 42,585 0,0000
Pib pe cap de loc 0,060 0,006 0,751 9,724 0.0000

Pentru examenul dat sunt corecte afirm:

a. Intre cele doua variabile exista o legatura

b. Intre varibile nu exista nici o legatura semnificativa statistic
c. La o crestere cu o abatare standard a pib-ului variabila dependenta aportul caloric creste, I medie,
cu 0,751 abateri standard
d. La o crestere cu 60 de dolari a pib-ului , variabila dependenta aportul caloric creste, in medi cu
2404, 613 kcal

22. in urma prelucrarii datelor pentru un esantion de persoane privind legatura dintre salariul curent (dolari)
salariul la angajare (dolari) –x1 nivelul de educatie (ani)-x2 si vechimea in munca –x3 s-au obtinut urm tab
urmator:

Rs corect:

[Link] estimata a modelului legaturii dintre variabile este y= 1989.433 +1.689 X1+ 970.449 X2 +154.042
X3
Modelul de regresie liniar simplu
Etapele testării Testarea parametrului 𝜷𝟎 Testarea parametrului 𝜷𝟏
1. Formularea ipotezelor 𝐻0:𝛽0=0 (parametrul 𝛽0 nu 𝐻0:𝛽1=0 (parametrul 𝛽1 nu
diferă semnificativ de 0 SAU diferă semnificativ de 0 SAU
constanta modelului nu este între cele două variabile nu
semnificativă statistic) există o legătură de tip liniar
𝐻1:𝛽0≠0 (parametrul 𝛽0 𝐻1:𝛽1≠0 (parametrul 𝛽1 diferă
diferă semnificativ de 0 SAU semnificativ de 0 SAU între
constanta modelului este cele două variabile există o
semnificativă statistic) legătură de tip liniar
2. Alegerea pragului de 𝛼=0,05 𝛼=0,05
semnificaţie
3. Alegerea statisticii test β̂0−β0 β̂1−β1
𝑡= ~𝑡(𝑛−2) 𝑡= ~𝑡(𝑛−2)
σ̂β̂0 σ̂β̂1
(student) (student)
4. Determinarea valorii 𝑡𝑡𝑒𝑜𝑟𝑒𝑡𝑖𝑐=𝑡𝛼/2, 𝑛−2 𝑡𝑡𝑒𝑜𝑟𝑒𝑡𝑖𝑐=𝑡𝛼/2, 𝑛−2
teoretice a statisticii test
5. Determinarea valorii 𝑏0 𝑏1
𝑡𝑐𝑎𝑙𝑐= 𝑡𝑐𝑎𝑙𝑐=
𝑆β̂0 𝑆β̂1
calculate a statisticii test
(în condițiile acceptării
ipotezei nule)
6. Regula de decizie Dacă se ţine cont de valoarea calculată a testului, regula de
decizie este următoarea:
- dacă |𝑡𝑐𝑎𝑙𝑐| < 𝑡𝛼/2, 𝑛−2, nu se respinge ipoteza nulă (𝐻0);
- dacă |𝑡𝑐𝑎𝑙𝑐|≥𝑡𝛼/2, 𝑛−2, se respinge ipoteza nulă (𝐻0), cu
probabilitatea (1−𝛼).

Dacă se ţine cont de semnificaţia testului, regula de decizie este

următoarea:
- dacă 𝑆𝑖𝑔 > 𝛼, nu se respinge ipoteza nulă (𝐻0);
- dacă 𝑆𝑖𝑔 ≤ 𝛼, se respinge 𝐻0, cu probabilitatea (1−𝛼).

7. Luarea deciziei Interpretarea rezultatului Interpretarea rezultatului

obținut obținut

Etapele testării Testarea coeficientului de corelație 𝝆

1. Formularea ipotezelor 𝐻0:𝜌=0 (coeficientul de corelație 𝜌 nu diferă
semnificativ de 0, ceea ce înseamnă între cele
două variabile nu există o legătură liniară
semnificativă SAU cele două variabile nu sunt
corelate semnificativ)
𝐻1:𝜌≠0 (coeficientul de corelație 𝜌 diferă
semnificativ de 0, ceea ce înseamnă între cele
două variabile există o legătură liniară
 semnificativă SAU cele două variabile sunt
corelate semnificativ)
2. Alegerea pragului de semnificație 𝛼=0,05
3. Alegerea statisticii test Student
4. Determinarea valorii teoretice a statisticii 𝑡𝑡𝑒𝑜𝑟𝑒𝑡𝑖𝑐=𝑡𝛼2⁄; 𝑛−2
test
5. Determinarea valorii calculate a statisticii 𝑡𝑐𝑎𝑙𝑐=𝑟√𝑛 − 2/ √1 − 𝑟 2
test
6. Regula de decizie Dacă se ţine cont de valoarea calculată a testului,
regula de decizie este următoarea:
- dacă |𝑡𝑐𝑎𝑙𝑐| <𝑡𝛼/2; 𝑛−2, nu se respinge ipoteza
nulă (𝐻0);
- dacă |𝑡𝑐𝑎𝑙𝑐|≥𝑡𝛼/2; 𝑛−2, se respinge ipoteza nulă
(𝐻0), cu probabilitatea (1−𝛼).

Dacă se ţine cont de semnificaţia testului, regula

de decizie este următoarea:
- dacă 𝑆𝑖𝑔 > 𝛼, nu se respinge ipoteza nulă (𝐻0);
- dacă 𝑆𝑖𝑔 ≤ 𝛼, se respinge 𝐻0, cu probabilitatea
(1−𝛼).

Etapele testării Testarea raportului de corelatie ƞ

1. Formularea ipotezelor 𝐻0: ƞ =0 (intre variabilele modelului nu exista o
legatura semnificativa SAU raportul de corelatie
nu este semnificativ diferit de 0 SAU Raportul de
corelaţie nu este semnificativ statistic.)
𝐻1: ƞ > 0 (intre variabilele modelului exista o
legatura semnificativa SAU raportul de corelatie
este semnificativ diferit de 0 SAU Raportul de
corelaţie este semnificativ statistic SAU variabilele
sunt corelate semnificativ)
2. Alegerea pragului de semnificație 𝛼=0,05
3. Alegerea statisticii test Fisher

4. Determinarea valorii teoretice a statisticii Fteoretic= Fα,v1, v2 = Fα, k-1, n-k ,

test
5. Determinarea valorii calculate a statisticii R2 n − k
test Fcalculat =  sau
1 − R2 k −1
ESS n − k
Fcalculat = 
RSS k − 1
6. Regula de decizie Dacă se ţine cont de valoarea calculată a testului,
regula de decizie este următoarea:
- dacă F𝑐𝑎𝑙𝑐 <F𝛼, k-1, n-k, nu se respinge ipoteza nulă
(𝐻0);
- dacă F𝑐𝑎𝑙𝑐≥F𝛼, k-1, n-k se respinge ipoteza nulă
(𝐻0), cu probabilitatea (1−𝛼).

Dacă se ţine cont de semnificaţia testului, regula

de decizie este următoarea:
- dacă 𝑆𝑖𝑔 > 𝛼, nu se respinge ipoteza nulă (𝐻0);
- dacă 𝑆𝑖𝑔 ≤ 𝛼, se respinge 𝐻0, cu probabilitatea
(1−𝛼).

Etapele testării Testarea raportului de determinatie ƞ2

1. Formularea ipotezelor 𝐻0: ƞ2 =0 (raportul de determinatie nu este
semnificativ diferit de 0 SAU Raportul de
determinatie nu este semnificativ statistic.)
𝐻1: ƞ2 > 0 (raportul de determinatie este
semnificativ diferit de 0 SAU raportul de
determinatie este semnificativ statistic.
2. Alegerea pragului de semnificație 𝛼=0,05
3. Alegerea statisticii test Fisher

4. Determinarea valorii teoretice a statisticii Fteoretic= Fα,v1, v2 = Fα, k-1, n-k ,

test
5. Determinarea valorii calculate a statisticii R2 n − k
test Fcalculat =  sau
1 − R2 k −1
ESS n − k
Fcalculat = 
RSS k − 1
6. Regula de decizie Dacă se ţine cont de valoarea calculată a testului,
regula de decizie este următoarea:
- dacă F𝑐𝑎𝑙𝑐 <F𝛼, k-1, n-k, nu se respinge ipoteza nulă
(𝐻0);
- dacă F𝑐𝑎𝑙𝑐≥F𝛼, k-1, n-k se respinge ipoteza nulă
(𝐻0), cu probabilitatea (1−𝛼).

Dacă se ţine cont de semnificaţia testului, regula

de decizie este următoarea:
- dacă 𝑆𝑖𝑔 > 𝛼, nu se respinge ipoteza nulă (𝐻0);
- dacă 𝑆𝑖𝑔 ≤ 𝛼, se respinge 𝐻0, cu probabilitatea
(1−𝛼).
Etapele testării Testarea modelului de regresie
1. Formularea ipotezelor 𝐻0:  0 = 0, 1 = 0 (modelul de regresie nu este
semnificativ statistinSAU modelul de regresie nu
este corect specificat)
𝐻1: există cel puțin un βi diferit de 0 (modelul
explica semnificativ legatura dintre variable SAU
modelul este corect specificat SAU modelul este
semnificativ statistic
2. Alegerea pragului de semnificație 𝛼=0,05
3. Alegerea statisticii test Fisher

4. Determinarea valorii teoretice a statisticii Fteoretic= Fα,v1, v2 = Fα, k-1, n-k ,

test
5. Determinarea valorii calculate a statisticii R2 n − k
test Fcalculat =  sau
1 − R2 k −1
ESS n − k
Fcalculat = 
RSS k − 1
6. Regula de decizie Dacă se ţine cont de valoarea calculată a testului,
regula de decizie este următoarea:
- dacă F𝑐𝑎𝑙𝑐 <F𝛼, k-1, n-k, nu se respinge ipoteza nulă
(𝐻0);
- dacă F𝑐𝑎𝑙𝑐≥F𝛼, k-1, n-k se respinge ipoteza nulă
(𝐻0), cu probabilitatea (1−𝛼).

Dacă se ţine cont de semnificaţia testului, regula

de decizie este următoarea:
- dacă 𝑆𝑖𝑔 > 𝛼, nu se respinge ipoteza nulă (𝐻0);
- dacă 𝑆𝑖𝑔 ≤ 𝛼, se respinge 𝐻0, cu probabilitatea
(1−𝛼).
Modelul de regresie liniar multiplu
• Testarea parametrilor modelului multiplu liniar se face la fel ca în cazul modelului
simplu liniar:

Etapele testării Testarea parametrului 𝜷i

1. Formularea ipotezelor 𝐻0:𝛽i=0 (parametrul 𝛽i nu diferă semnificativ de 0 SAU
parametrul 𝛽i nu este semnificativ statistic SAU variabila
indepndenta i nu are o influenta liniara partiala asupra celei
dependente)
𝐻1:𝛽i≠0 (parametrul 𝛽i diferă semnificativ de 0 SAU
parametrul 𝛽i este semnificativ statistic SAU variabila
independenta i are o influenta liniara partiala asupra celei
dependente)
2. Alegerea pragului de 𝛼=0,05
semnificaţie
3. Alegerea statisticii test Student

4. Determinarea valorii 𝑡𝑡𝑒𝑜𝑟𝑒𝑡𝑖𝑐=𝑡𝛼/2, 𝑛−k

teoretice a statisticii test
5. Determinarea valorii 𝑏𝑖
𝑡𝑐𝑎𝑙𝑐=
calculate a statisticii test 𝑆β̂i
(în condițiile acceptării
ipotezei nule)
6. Regula de decizie Dacă se ţine cont de valoarea calculată a testului, regula de
decizie este următoarea:
- dacă |𝑡𝑐𝑎𝑙𝑐| < 𝑡𝛼/2, 𝑛−k, nu se respinge ipoteza nulă (𝐻0);
- dacă |𝑡𝑐𝑎𝑙𝑐|≥𝑡𝛼/2, 𝑛−k, se respinge ipoteza nulă (𝐻0), cu
probabilitatea (1−𝛼).

Dacă se ţine cont de semnificaţia testului, regula de decizie este

următoarea:
- dacă 𝑆𝑖𝑔 > 𝛼, nu se respinge ipoteza nulă (𝐻0);
- dacă 𝑆𝑖𝑔 ≤ 𝛼, se respinge 𝐻0, cu probabilitatea (1−𝛼).

7. Luarea deciziei Interpretarea rezultatului Interpretarea rezultatului

obținut obținut

Etapele testării Testarea modelului de regresie

1. Formularea ipotezelor 𝐻0: β0=β1=…=βp=0 (modelul de regresie nu este
semnificativ statistic)
𝐻1: există cel puțin un βi diferit de 0/ nu toti
coeficientii sunt simultan 0 (modelul este
semnificativ statistic)
2. Alegerea pragului de semnificație 𝛼=0,05
3. Alegerea statisticii test Fisher

4. Determinarea valorii teoretice a statisticii Fteoretic= Fα,v1, v2 = Fα, k-1, n-k ,

test
5. Determinarea valorii calculate a statisticii R2 n − k
test Fcalculat =  sau
1 − R2 k −1
ESS n − k
Fcalculat = 
RSS k − 1
6. Regula de decizie Dacă se ţine cont de valoarea calculată a testului,
regula de decizie este următoarea:
- dacă F𝑐𝑎𝑙𝑐 <F𝛼, k-1, n-k, nu se respinge ipoteza nulă
(𝐻0);
- dacă F𝑐𝑎𝑙𝑐≥F𝛼, k-1, n-k se respinge ipoteza nulă
(𝐻0), cu probabilitatea (1−𝛼).

Dacă se ţine cont de semnificaţia testului, regula

de decizie este următoarea:
- dacă 𝑆𝑖𝑔 > 𝛼, nu se respinge ipoteza nulă (𝐻0);
- dacă 𝑆𝑖𝑔 ≤ 𝛼, se respinge 𝐻0, cu probabilitatea
(1−𝛼).

Etapele testării Testarea coeficientului de corelatie partiala

1. Formularea ipotezelor 𝐻0: ρy1.2=0 (coeficientul de corelatie partiala nu este
semnificativ diferit de 0 SAU coeficientul de
corelati partiala nu este semnificativ statistic)
𝐻1 ρy1.2 ≠ 0 (coeficientul de corelatie partiala este
semnificativ diferit de 0 SAU coeficientul de
corelati partiala este semnificativ statistic)

2. Alegerea pragului de semnificație 𝛼=0,05

3. Alegerea statisticii test Student

4. Determinarea valorii teoretice a statisticii 𝑡𝑡𝑒𝑜𝑟𝑒𝑡𝑖𝑐=𝑡𝛼/2, 𝑛−k

test
5. Determinarea valorii calculate a statisticii 𝑡𝑐𝑎𝑙𝑐=𝑟√𝑛 − 2/ √1 − 𝑟 2
test
6. Regula de decizie Dacă se ţine cont de valoarea calculată a testului,
regula de decizie este următoarea:
- dacă |𝑡𝑐𝑎𝑙𝑐| <𝑡𝛼⁄2; 𝑛−k, nu se respinge ipoteza
nulă (𝐻0);
- dacă |𝑡𝑐𝑎𝑙𝑐|≥𝑡𝛼/2; 𝑛−k, se respinge ipoteza nulă
(𝐻0), cu probabilitatea (1−𝛼).
 Dacă se ţine cont de semnificaţia testului, regula
de decizie este următoarea:
- dacă 𝑆𝑖𝑔 > 𝛼, nu se respinge ipoteza nulă (𝐻0);
- dacă 𝑆𝑖𝑔 ≤ 𝛼, se respinge 𝐻0, cu probabilitatea
(1−𝛼).

!!!!!!Testarea raportului de corelatie multipla se face la fel ca în cazul raportului de corelatie

de la modelul liniar simplu.

Etapele testării Testarea influentei marginale a unei Testarea influentei marginale

variable independete asupra a unei variable independete
variabilei dependente asupra variabilei dependente
(variabila introdusa) (variabila eliminata)
1. Formularea ipotezelor 𝐻0:variabila introdusa nu are o 𝐻0: variabila eliminata nu are
influenta semnificativa asupra o influenta semnificativa
(variatiei) variabilei dependente asupra (variatiei) variabilei
𝐻1: variabila introdusa are o dependente
influenta semnificativa asupra 𝐻1: variabila eliminata are o
(variatiei) variabilei dependente influenta semnificativa asupra
(variatiei) variabilei
dependente
2. Alegerea pragului de 𝛼=0,05 𝛼=0,05
semnificaţie
3. Alegerea statisticii test Fisher
4. Determinarea valorii Fteoretic= Fα,v1, v2 = Fα, knew-1, n-knew Fteoretic= Fα,v1, v2 = Fα, kold-1, n-kold
teoretice a statisticii test

5. Determinarea valorii
calculate a statisticii test
(în condițiile acceptării
ipotezei nule)
6. Regula de decizie Dacă se ţine cont de valoarea calculată a testului, regula de decizie este
următoarea:
- dacă F𝑐𝑎𝑙𝑐 <F𝛼, k-1, n-k, nu se respinge ipoteza nulă (𝐻0);
- dacă F𝑐𝑎𝑙𝑐≥F𝛼, k-1, n-k se respinge ipoteza nulă (𝐻0), cu probabilitatea
(1−𝛼).

Dacă se ţine cont de semnificaţia testului, regula de decizie este

următoarea:
- dacă 𝑆𝑖𝑔 > 𝛼, nu se respinge ipoteza nulă (𝐻0);
- dacă 𝑆𝑖𝑔 ≤ 𝛼, se respinge 𝐻0, cu probabilitatea (1−𝛼).
7. Luarea deciziei Interpretarea rezultatului obținut Interpretarea rezultatului
obținut
 

Recapitulare Econometrie seminar –  regresia liniară simplă și regresia liniară multiplă 

Regresia liniară simplă  Regresia liniară multiplă 

 =  +   + 2 2 + ⋯ +   +  ,  =̅1 ,  
 =  +   +   Y, X1, X2, ...., X j și  sunt variabilele din modelul de regresie:
Y, X și  sunt variabilele din modelul de regresie: Y = variabila dependentă 
Y = variabila dependentă   X1, X2, ...., X j = variabilele independente
X = variabila independentă   p = nr. de variabile independente
 = variabila reziduală   = variabila reziduală 
Model  și   sunt parametrii (coeficienții) din modelul de regresie: 
general   și  sunt parametrii (coeficienții) din modelul de regresie:   = ordonata la origine
  = ordonata la origine , 2 , … ,   = pantele dreptelor de regresie
 = panta dreptei de regresie  > 0 => există o legătură directă între X j  și Y (X j  crește => Y
 > 0 => există o legătură directă între X și Y (X crește = > Y crește) crește)
 < 0 => există o legătură inversă între X și Y (X crește = > Y scade)  < 0 => există o legătură inversă între X j  și Y (X j  crește => Y
 = 0 => nu există o legătură linară între X și Y  crește)
 = 0 => nu există o legătură linară între X j și Y 
   – 
–  arată valoarea medie a lui Y atunci când X = 0   –   arată valoarea medie a lui Y atunci când toate variabilele
independente X j = 0
  – 
–  arată cu cât se modifică (crește sau scade), în medie, Y atunci când  – 
 –  arată cu cât se modifică (crește sau scade), în medie, Y atunci
X crește cu o unitate  când X1 crește cu o unitate iar celelalte variabile independente sunt
menținute constante 
Estimarea
 punctuală a
2 – 
 –  arată cu cât se modifică (crește sau scade), în medie, Y atunci
când X2 crește cu o unitate iar celelalte variabile inde pendente sunt
 parametrilor
menținute constante 
....
  – 
 –  arată cu cât se modifică  (crește sau scade), în medie, Y atunci
când X j crește cu o unitate iar celelalte variabile independente sunt
menținute constante 
k = nr. de parametr
parametrii
ii
 ± /2,−2 ∙ ̂   – 
–   arată intervalul în care se află valoarea medie a lui  ± /2,− ∙ ̂ –  –  arată intervalul în care se află valoarea medie 
Estimarea
Y atunci când X = 0 a lui Y atunci când toate variabilele independente X j = 0
 prin interval
de incredere
a
 ± /2,−2 ∙ ̂   – 
–   arată intervalul în care se află valoarea cu care se  ± /2,− ∙ ̂ –  arată intervalul în care se află valoarea cu care
 parametrilor modifică  (crește sau scade), în medie, Y atunci când X crește cu o unitate   se modifică (crește sau scade), în medie, Y atunci când X1  crește
cu o unitate iar celelalte variabile independente sunt menținute
constante
 

2 ± /2,− ∙ ̂ –  arată intervalul în care se află valoarea cu care

se modifică (crește sau scade), în medie, Y atunci când X2  crește
cu o unitate iar celelalte variabile independente sunt menținute
constante
....
 ± /2,− ∙ ̂ –  arată intervalul în care se află valoarea cu care
se
cu modifică
o unitate(crește sau scade),
iar celelalte în medie,
variabile Y atuncisunt
independente X j  crește
cândmenținute
constante
testării:
 Etapele testării: testării:
 Etapele testării:
1) Definirea ipotezelor: 1) Definirea ipotezelor:
 :  = 0 |  :  = 0  :  = 0 ,  =̅0 ,  , k = nr. de parametrii din model
 :  ≠ 0 |  :  ≠ 0   :  ≠ 0 ,  =̅0 ,  
2) Pragul de semnificație:   2) Pragul de semnificație:   
Testarea 3) Alegerea testului: t 3) Alegerea testului: t
 parametrilor   
4)  = ̂   |  = ̂   4)  = ̂  
5)  = /2,−2   5)  = /2,−  
6) | | >   sau    <   => se respinge H0 6) | | >   sau    <  => se respinge H0
|| ≤   sau    ≥  => se acceptă H0  || ≤   sau    ≥  => se acceptă H0 
7) Decizie și interpretare  7) Decizie și interpretare 
Coeficientul de corelație:
corelație:   simplă: 
Coeficienții de corelație simplă: 
- se utilizează doar în cazul regresiei liniare simple   - iau valori în intervalul [-1,1]
- ia valori în intervalul [-1,1] - măsoară dependența dintre 2 variabile fără a lua în considerare
- la nivelul populației se notează cu   iar la nivelul eșantionului se influența celorlalte variabile independente din model
notează cu r   - la nivelul eșantionului se notează cu:  
- r = -1 sau 1 => exist ă o legătură perfectă între X și Y  y1 – 
r y1 –  arată legătura dintre Y și X1 
- r > 0 => există o legătură directă între X și Y   y2 –  arată legătura dintre Y și X2 
r y2 – 
 
- r < 0 => exist ă o legătură inversă între X și Y   12 – 
r 12  –  arată legătura dintre X1 și X2 
Indicatori de
- r = 0 => nu exist ă o legătură între X și Y   - dacă valoarea este -1 sau 1 => există o legătură perfectă între cele
corelație 
2 variabile
- dacă valoarea este mai mare decât  0 => există o legătură directă
între cele 2 variabile
- dacă valoarea este mai mică decât 0 = > există o legătură inversă

între
- dacăcele 2 variabile
valoarea este 0 => nu există o legătură între X și Y  
 

parțială: 
Coeficienții de corelație parțială: 
- iau valori în intervalul [-1,1]
- măsoară dependența dintre 2 variabile considerând constantă
influența celorlalte variabile independente din model
- la nivelul eșantionului se notează cu: 
y1.2 – 
r y1.2  –  arată legătura dintre Y și X1 atunci când X2 este constantă 
y2.1 – 
r y2.1  –  arată legătura dintre Y și X2 atunci când X1 este constantă 
- dacă valoarea este -1 sau 1 => există o legătură perfectă între cele
2 variabile atunci când restul variabilelor sunt constante
- dacă valoarea este mai mare decât  0 => există o legătură directă
între cele 2 variabile atunci când restul variabilelor sunt constante
- dacă valoarea este mai mică decât 0 = > există o legătură inversă
între cele 2 variabile atunci când restul variabilelor sunt constante
- dacă valoarea este 0 => nu există o legătură între cele 2 variabile
atunci când restul variabilelor sunt constante
ajustat: 
 Raportul de determinație ajustat: 

se valori
-- ia aplică în
atât în cazul [0,1]
intervalul regresiei liniare multiple 
- la nivelul populației se notează cu̅ 2   iar la nivelul eșantionului
eșantionului
se notează cu̅ 2  
−
- formulă de calcul:̅ 2 = 1  ( 1   2 ) ∙  
−
- se folosește pentru compararea a 2 sau mai multe modele,
modelul cel mai bun fiind cel care are valoarea cea mai mare
 pentru̅ 2 
determinație: 
 Raportul de determinație: 
- se aplică atât în cazul regresie liniare simple cât și în cazul regresiei liniare multiple 
- ia valori în intervalul [0,1]
- la nivelul populației se notează cu  2  iar la nivelul eșantionului se notează cu R 2 

- formulă de calcul:  2 =  

- R.l.s.: măsoară cât % din variația variabilei
variabilei Y este explicată de variația variabilei independente
independente X  din model, restul de până la 100% fiind
explicată de variația variabilei reziduale
- R.l.m.: măsoară cât % din variația variabilei Y este explicată de variația simultană a variabilelor indepen
independente
dente X j din model, restul de până
la 100% fiind explicată de variația variabilei reziduale 
corelație: 
 Raportul de corelație: 
- se aplică atât în cazul regresie liniare simple cât și în cazul regresiei liniare multiple 
- ia valori în intervalul [0,1]
- la nivelul populației se notează cu   iar la nivelul eșantionului se notează cu R  
- formulă de calcul:  = √ 2  
 

- R.l.s.: măsoară intensitatea legăturii dintre variabilele X și Y 

- R.l.m.: măsoară intensitatea legăturii simultane dintre variabilele X j și Y 
- 0,75 ≤ R ≤ 0,99 => există o legătură puternică între variabile 
- 0,5 ≤ R < 0,75 => exist ă o legătură medie între variabile 
- 0 < R < 0,5 => exist ă o legătură slabă între variabile  
- R = 0 => nu există o legătură între variabile 
corelație: 
 Relația dintre indicatorii de corelație:  corelație: 
 Relația dintre indicatorii de corelație: 
|| =  =     2  =  2 
Testarea coeficientului de corelație
corelație:: Testarea coeficienților de corelație simplă și parțială: parțială:
1) Definirea ipotezelor: 1) Definirea ipotezelor:
 :  = 0  :  = 0 
 :  ≠ 0   :  ≠ 0 
2) Pragul de semnificație:   2) Pragul de semnificație:   
3) Alegerea testului: t 3) Alegerea testului: t
√ −2
−2 √ −2
−2
4)  =   4)  = , unde r poate fi r y1
y1, r y2
y2, r 12
12, r y1.2
y1.2, r y2.1
y2.1 
− 
√ − − 
√ −
5)  = /2,−2   5)  /2,− , unde k este nr. de parametrii
6) | | >   sau    <   => se respinge H0 6) |=
| >   sau    <  => se respinge H0
Testarea
|| ≤   sau    ≥  => se acceptă H0  || ≤   sau    ≥  => se acceptă H0 
indicatorilor
7) Decizie și interpretare  7) Decizie și interpretare 
corelație: 
de corelație  Testarea raportului de corelație: 
1) Definirea ipotezelor:
 :  = 0 
 :  > 0 
2) Pragul de semnificație:  
3) Alegerea testului: F
4)  =  ∙ −  
 −
5)  = ,−,−  
6)  >   sau    <   => se respinge H0
 ≤   sau    ≥   => se acceptă H0 
7) Decizie și interpretare 
testării: 
 Etapele testării: 
1) Definirea ipotezelor:
 : modelul nu este semnificativ statistic
Testarea
modelului  :Pragul
2)  modelul
de este semnificativ
semnificație:   statistic
3) Alegerea testului: F
 −
4)  = ∙  
 −
 

5)  = ,−,−  
6)  >   sau    <   => se respinge H0
 ≤   sau    ≥   => se acceptă H0 
7) Decizie și interpretare 
testării: 
 Etapele testării: 
Testarea 1) Definirea ipotezelor:
influenței : variabila independentă adăugată/exclusă din model nu
marginale a influențează semnificativ variația variabilei dependente 
unei  : variabila independentă adăugată/exclusă din model
variabile influențează semnificativ variația variabilei dependente
independente 2) Pragul de semnificație:   
asupra 3) Alegerea testului: F
variabilei 4)  <  => se respinge H0
dependente    ≥  => se acceptă H0 
5) Decizie și interpretare 
Model Summary 
Summary 
Tabel Model Model R R Square Adjusted R Square Std. Error of the Estimate
Summary
1 raportul de corelație  raportul de determinație  raportul de determinație ajustat  

ANOVAa 

Model Sum of Squares df Mean Square F Sig.

Tabel Regression ESS k-1 F calculat Sig

ANOVA 1 Residual RSS n-k

Total TSS n-1

Coefficientsa 

Model Unstandardized Standardized t Sig. 95.0% Confidence Interval for B Correlations

Coefficients Coefficients

B Std. Error Beta (IERARHIZARE Lower Bound Upper Bound Zero- Partial Part
Tabel
VARIABILE) order
Coefficients
(Constant) b0 ̂   t calculat pt b0 Sig pt b0   /,− ∙ ̂    + /,− ∙ ̂  
1 X1 b1
̂   Beta 1 t calculat pt b1 Sig pt b1
  /,− ∙ ̂    + /,− ∙ ̂   ry1 ry1.2
X2 b2 ̂   Beta 2 t calculat pt b2 Sig pt b2   /,− ∙ ̂    + /,− ∙ ̂   ry2 ry2.1

a. Dependent Variable: Y
 

Correlations  
Correlations

X Y

Pearson Correlation 1 r

Tabel X Sig. (2-tailed) sig pt r

Correlations N n n
(R.l.s.)
Pearson Correlation r 1
Y Sig. (2-tailed) sig pt r

N n n

Coeficiențiii de corelație simplă: 

Coeficienți simplă: r 21
21 = r 
12, r 2y
12 2y = r 
y2, r 
y2 y1 
1y = r 
1y y1

Correlations  
Correlations

X2 X1 Y

Pearson Correlation 1 r 21

21  r 2y
2y 

X2 Sig. (2-tailed) sig pt r 21

21  sig pt r 2y
2y 

N n n n
Pearson Correlation r 12
12  1 r 1y
1y 

X1 Sig. (2-tailed) sig pt r 12

12  sig pt r 1y
1y 

N n n n
Pearson Correlation r y2
y2  r y1
y1  1
Tabele
Y Sig. (2-tailed) sig pt r y2
y2  sig pt r y1
y1 
Correlation
(R.l.m.) N n n n
parțială:  r 11y.2
Coeficienții de corelație parțială:  y.2 = r 
y 1.2, r 2
y1.2 y.1 = r 
2y.1 y 2.1 
y2.1

Correlations  
Correlations Correlations  
Correlations
Control Variables X1 Y Control Variables X2 Y
Correlation 1.000 r 11y.2
y.2  Correlation 1.000 r 2y.1
2y.1 

X1 Significance (2-tailed) . sig pt r 11y.2

y.2  X2 Significance (2-tailed) . sig pt r 2y.1
2y.1 

df df
X2 X1
Correlation r y1.2
y1.2  1.000 Correlation r y2.1
y2.1  1.000

Y Significance (2-tailed) sig pt r y1.2  . Y Significance (2-tailed) sig pt r y2.1  .

df df
 Girle Econometrie - Baza de date

1.
Pentru un risc de 5%, pe baza datelor din tabelul Correlations, se poate afirma ca :
a) errorile sunt necorelate
b) erorile sunt heteroscedastice
c) erorile sunt normal distribuite

2.
Au loc enunturile :
a) repartitia erorilor modelului este normala
b) cu un risc de 5%, erorile nu au o repartitie normala
c) erorile au aceeasi dispersie, cu o incredere de 95%
d) erorile sunt autocorelate, cu un risc de 5%

3.
Pe baza datelor din tabel si cunoscand faptul ca pragul de semnificatie este de 5%
iar 𝑋 2 a, 2= 5,99 se cere sa se selecteze afirmatiile adevarate :
a) Distributia erorilor de modelare difera semnificativ de distributia normala
b) Distributia erorilor de modelare nu difera semnificativ de distributia normala
 c) Pe baza datelor din tabel nu putem formula nici o afirmatie cu privire la forma
distributiei erorilor de modelare

4.
Este corect raspunsul :
a) erorile sunt homoscedastice
b) erorile sunt normal repartizate
c) erorile nu sunt normal repartizate
5. Testarea normalitatii erorilor unui model de regresie estimat se realizeaza cu ajutorul
testului :
a) Kolmogorov-Smirnov
b) Jarque-Bera
c) Runs
6. Verificarea normalitatii erorilor se realizeaza cu ajutorul :
a) testului Student
b) testului Kolmogorov-Smirnov
c) diagramei PP-Plot
d) dreptei de regresie
7. Ipoteza de normalitate a erorilor se verifica cu ajutorul :
a) testului Fisher
b) testului Jarque-Bera
c) testului Durbin-Watson
d) diagramei Q-Q Plot
8. Ipoteza de normalitate a erorilor vizeaza :
a) legea de repartitie normala a estimatorilor parametrilor de regresie
b) independenta variabilelor din model

c) proprietatea
9. Validarea unui model de regresie presupune verificarea unor ipoteze precum :
a) erorile sunt independente
b) erorile urmeaza o lege de repartitie Fisher
c) Erorile sunt homoscedastice
d) varianta erorilor este egala cu zero
10.
In urma modelarii relatiei dintre doua variabile printr-un model liniar rezulta o eroare
de modelare pentru care s-au calculat urmatorii indicatori statistici.
Pe baza rezultatelor de mai sus, pentru o probabilitate de 0,95, se poate considera
ca:
a) Media erorilor nu difera semnificativ de zero
b) Erorile sunt normal repartizate
c) Media erorilor este semnificativa
11. Pentru erorile unui model de regresie s-au obtinut urmatoarele rezultate :

Pentru exemplul dat, se poate considera, pentru un risc de 5%, ca :

a) se respecta ipoteza cu privire la media erorilor
b) media erorilor nu difera semnificativ de zero
c) media erorilor difera semnificativ de zero
12. Cu privire la erorile unui model de regresie liniara simpla s-au obtinut urmatoarele
rezultate :

Pentru exemplul dat, pentru un risc de 0,05, se poate considera ca :

a) se respinge ipoteza

b) se accepta ipoteza

c) se accepta ipoteza
13. Tabelele de mai jos contin rezultatele necesare pentru testarea ipotezei ce
presupune ca media erorilor este egala cu zero. Selectati tabelul/tabelele pentru care
putem afirma ca media estimata a erorilor unui model de regresie este egala cu zero
a)

b)

c)

14. In demersul testarii ipotezei ce presupune ca media erorilor este egala cu zero se
poate utiliza :
a) testul Student
b) testul Runs
c) testul Goldfeld-Quandt
15. Se analizeaza erorile modelului de regresie dintre castigul salarial si vechimea la
locul actual de munca. Rezultatele partiale sunt prezentate in tabelul de mai jos

In conditiile unui risc 𝛼 = 0,05, se poate afirma ca :

a) succesiunea runs-urilor este aleatoare
 b) erorile nu sunt autocorelate
c) se accepta ipoteza Ho

16.
Pentru exemplul dat se poate considera, cu o probabilitate de 0,95, ca erorile :
a) sunt corelate
b) nu sunt corelate
c) respecta ipoteza de normalitate

17. In cadrul demersului testarii ipotezei ce presupune ca media erorilor este egala cu
zero, ipoteza nula si ipoteza alternativa se scriu astfel :
?????????
H0:M(𝞮𝑖 )=0
H1:M(𝞮𝑖 )≠0

18. In testarea semnificatiei statistice a mediei erorilor modelului de regresie, valoarea

teoretica a statisticii Student, pntru un test bilateral, este :

19. Pentru erorile estimate ale unui model de regresie liniara multipla cu doua variabile
independente si n=25 s-a obtinut valoarea calculata a testului Durbin Watson egala
cu 1,1. Pentru un risc de 0,05 se poate considera ca erorile sunt :
a) autocorelate negativ
b) autocorelate pozitiv
c) heteroscedastice
20. Ipoteza de necorelare a erorilor unui model de regresie presupune :
21. Studiati homoscedaticitatea erorilor de modelare pe baza rezultatelor din tabelul de
mai jos :
?????
22. In demersul verificarii ipotezelor formulate asupra erorilor unui model de regresie
liniara simpla, se aplica testul Glejer si se obtin rezultatele din tabelul de mai jos :

Cunocand volumul esantionului observat n=25 si riscul admis de alfa= 0,1, se poate
afirma că:
a. (t calculat = 7,551)>(t teoretic = 1,714), exista o legatura liniara semnificativa intre
erori in marime absoluta si valorile variabilei independente
b. (t calculat = 7,551)>(t teoretic = 1,714), erorile sunt heteroscedastice
?????

23.
Se cere sa se aleaga afirmatiile adevarate cu privire la ipoteza de
homoscedasticitate, pentru un risc de 0,05/0,01
-variabila 𝞪1 este semnificativ statistica =se respinge ipoteza nula =modelul initial
este heteroscedastic= modelul trebuie corectat
24. Ipoteza de corelare a erorilor unui model de regresie presupune :

25. Pentru testarea ipotezei de necorelare a erorilor se folosesc testele :

??????
26. In urma analizei coliniaritatii variabilelor independente ale unui model de regresie s-
au obtinut urmatoarele rezultate :
 Valoarea indicatorului VIF pentru variabila Nr. de angajati semnifica :
a) 24,5% din variatia variabilei Nr. de angajati este explicata liniar de variatia
celorlalte variabile independente
b) exista coliniaritate intre variabilele independente
c) variabila Nr. de angajati nu introduce fenomenul de coliniaritate
27. Norul de puncte al variabilelor independente X1 si X2 ale unui model de regresie
multipla este reprezentat in figura de mai jos :

a. exista coliniaritate perfecta intre variabilele X1 si X02

b. exista coliniaritate imperfecta intre variabilele X1 si X2
c. coeficientul de corelatie liniara dintre variabile independente este egal cu unu

28.
Se poate considera ca :
a) Ipoteza de necoliniaritate este respectata
b) Ipoteza de necoliniaritate este incalcata
c) Variabilele independente sunt normal distribuite
29.
In aceasta situatie se poate considera ca :
a) exista coliniaritate perfecta intre variabilele X1 si X2
b) exista coliniaritate imperfecta intre variabilele X1 si X2
c) coeficientul de corelatie liniara dintre variabilele independente este egal cu unu
30. Daca se doreste estimarea variatiei medii absolute a variabilei dependente la o
variatie relativa a variabilei independente, se utilizeaza un model de tipul :

31. In economie, modelul cubic este folosit pentru :

a) descrierea relatiei dintre costul total si valoarea productiei
b) descrierea relatiei dintre costul unitar si valoarea productiei
c) descrierea relatiei dintre rata inflatiei si rata somajului

32.
a) liniar
b) exponential
c) polinomial
33. Pentru un esantion de 50 de tari s-au inregistrat urmatoarele variabile: ponderea
persoanelor care stiu sa citeasca si rata mortalitatii infantile. In urma modelarii
legaturii dintre cele doua variabile a rezultat tabelul de mai jos :
 Care dintre urmatoarele afirmatii sunt corecte ? :

a) Ecuatia este regresie este de forma :

b) Ecuatie de regresie este de forma :
c) La o crestere cu 1% a ponderii persoanelor care stiu sa citeasca, rata mortalitatii
scade, in medie cu 2,018% (CRED) ?????

d) Ecuatie de regresie este de forma : (CRED ?????)

34. In urma prelucrarii datelor privind volumul vanzarilor (X) si cifra de afaceri (Y), pentru
un esantion de 50 firme, s-au obtinut urmatoarele rezultate :

In aceasta situatie, se poate considera ca :

a) modificarea cu 1% a volumului vanzarilor determina, in medie, modificarea cu
1,853% a cifrei de afaceri.
b) modificarea cu 1% a cifrei de afaceri determina, in medie, modificarea cu 1,853%
a volumului vanzarilor
c) modificarea cu 1,853% a volumului vanzarilor determina, in medie, modificarea cu
1% a cifrei de afaceri.
35. Datele privind Costul unitar (Y, u.m) si Valoarea productiei realizate (X, u.m),
inregistrate pentru un esantion de firme dintr-o localitate, sunt reprezentate in figura
de mai jos :
??????
36. In studiul legaturii dintre costul unitar si productia realizata s-au obtinut urmatoarele
rezultate :
 Pentru exemplul dat, ecuatia estimata a legaturii dintre variabile este de forma:

37. In demersul verificarii ipotezelor formulate asupra erorilor unui model de regresie
liniara simpla, se aplica testul Glejer si se obtin rezultatele din tabelul de mai jos.

Cunoscand volumul esantionului observat n=25 si riscul admis 𝛼 = 0,1, se poate

afirma:

38. Pentru erorile estimate ale unui model de regresie s-au obtinut rezultatele:

Sunt valabile enunturile:

a) se respecta ipoteza de normalitate a erorilor, cu un risc de 5%
b) nu respecta ipoteza de necorelare a erorilor, cu un risc de 5%
c) estimatorii parametrilor modelului de regresie urmeaza o lege normala
d) cu un risc de 5%, erorile au media diferita semnificativ de zero
39. Rezultatele de mai jos vizeaza erorile estimate ale unui model de regresie

Au loc enunturile :
a) repartitia erorilor modelului este normala
b) cu un risc de 5%, erorile nu au o repartitie normala
c) erorile au aceeasi dispersie, cu o incredere de 95%
d) erorile sunt autocorelate, cu un risc de 5%
40. In urma analizei erorilor de estimare ale unui model de regresie liniara simpla, s-au
obtinut rezultatele de mai jos :

Se cunoaste valoarea statisticii X2, pentru un risc admis 𝛼 = 0,05 si doua grade de
libertate, egala cu 𝑥 2 0,05; 2 = 5,991 . In aceasta situatie se poate afirma ca :
a) (JB=0,429) < (𝑥 2 =5,991)
b )(JB=10,352) > (𝑥 2 0,05; 2 = 5,991) ,erorile nu sunt normal distribuite
c) ipoteza de normalitate a erorilor nu se verifica folosindtestul Jarque-Bera
41. Valorile teoretice ale statisticii Durbin Watson sunt calculate si tabelate in functie de :
a) pragul de semnificatie
b) volumul esantionului
c) numarul de parametri ai modelului
42. In urma analizei coliniaritatii pentru un model liniar multivariat, s-au obtinut rezultatele
din tabelul de mai jos ;

Pe baza datelor din tabelul de mai sus alegeti afirmatiile corecte :

a) rapoartele de determinatie (R2) pentru cele 3 modele de regresie auxiliare sunt
 0,494; 0,353 si 0,393
b) exista variabile independente care introduc fenomenul de coliniaritate
c) nu exista variabile independente care introduc fenomenul de coliniaritate
43. In urma analizei coliniaritatii pentru un model liniar multivariat, s-au obtinut rezultatele
din tabelul de mai jos

Pe baza datelor din tabelul de mai sus, alegeti afirmatiile corecte:

a) variabila Greutatea Batonului poate fi considerata coliniara cu celelalte variabile
independente din model;
b) variabila Val energ/100gr poate fi considerata coliniara cu celelalte variabile
independente din model
c) raportul de determinatie (R2) pentru modelul de regresie auxiliar :

44.
Pe baza datelor din tabelul de mai sus, alegeti afirmatiile corecte :
a) raportul de determinatie pentru modelele de regresie auxiliare (Rj2) este 0,393
b) variabilele independente sunt coliniare
c) variabilele independente nu sunt coliniare
45. In urma analizei coliniaritatii pentru un model liniar multivariat s-au obtinut rezultatele
din tabelul de mai jos :

?????
46. In urma analizei coliniaritatii variabilelor independente ale unui model de regresie s-
au obtinut urmatoarele rezultate :
 Valoarea indicatorului VIF pentru variabila Nr. de angajati semnifica :
a) 24,5% din variatia variabile Nr. de angajati este explicata liniar de variatia
celorlalte variabile independente
b) exista coliniaritate intre variabilele independente
c) variabila Nr. de angajati nu introduce fenomenul de coliniaritate
47. Daca pentru un model de regresie multipla cu 2 variabile independente s-a obtinut
valoarea modelul de regresie auxiliar, atunci :
a) variabila X1 introduce fenomenul de coliniaritate
b) variabila X1 nu introduce fenome de coliniaritate
c) raportul VIF este 1,67
48. In vederea testarii coliniaritatii dintre variabilele independente ale unui model de
regresie, s-au obtinut urmatoarele rezultate

Pentru exemplul dat, se poate considera ca :

a) exista coliniaritate intre variabilele independente
b) nu exista coliniaritate intre variabilele independente
c) valoarea coeficientului de corelatie dintre variabilele independente este egala cu
unu
d) Rj2 = 0,05
49. Selectati afirmatiile adevarate cu privire la indicatorii de coliniaritate
a) coliniaritatea este cu atat mai pronuntata cu cat valoarea lui VIF este mai mare
b) coliniaritatea este cu atat mai pronuntata cu cat valoarea lui TOL este mai mare
c) coliniaritatea este cu atat mai pronuntata cu cat valoarea lui TOL este mai mica
50. Ipoteza de coliniaritate se refera la :
a) existenta unei legaturi liniare intre variabilele independente
b) existenta unei legaturi liniare intre variabila dependenta si variabilele independente
c) existenta unei legaturi intre variabile reziduala si cea independenta
51. Care dintre urmatoarele afirmatii, cu privirea la indicatorul Tolerance (TOL) utilizat in
analiza coliniaritatii sunt adevarate :
a) pentru TOL = 0 exista coliniaritate intre variabilele independente
b) pentru TOL = 1 nu exista coliniaritate intre variabilele independente
c) daca TOL tinde spre ∞, exista coliniaritate intre variabilele independente
52. In testarea coliniaritatii dintre variabilele independente, daca legaturile dintre aceste
variabile sunt puternice,atunci :
a) valoarea raportului de determinatie se apropie de unu
b) raportul VIF tinde spre zero
c) indicatorul TOL tinde spre zero
53. Forma generala a modelului polinomial este :

54. Daca norul de puncte rezultat prin reprezentarea grafica a variabilei X (X-variabila
independenta) si a variabilei In(Y) (Y variabila dependenta) poate fi aproximat printr-o
dreapta, modelul de regresie este :
a) exponential
b) putere
c) hiperbolic
55. Elasticitatea cererii in raport cu pretul se poate estima cu ajutorul :
a) unui model log-liniar
b) unui model semilogaritmic
c) unui model putere

56. Modelul semilogaritmic permite estimarea :

a) variatiei relative a lui Y la o variatie cu o unitate a lui X
b) variatiei relative a lui Y cand X=0
c) variatei absolute a lui Y la o variatie relativa cu o unitate a lui X
57. Functia de productie cu doi factori :
?????
58. Intre variabilele cost unitar si nivelul productiei exista o legatura de tip
a) hiperbolic
b) parabolic
c) putere
59. Conform teoriei economice, intre Nivelul de educatie si Salariul anual (mii Euro)
exista o legatura. In urma prelucrarii datelor inregistrate pe un esantion format din
474 persoane s-au obtinut urmatoarele rezultate :
 Modelul de regresie folosit pentru aproximarea legaturii dintre variabilele studiate
este :
a) un model liniar
b) un model logistic
c) un model parabolic
60. Daca se doreste estimarea variatiei medii relative a variabilei dependente la o
variatie absoluta cu o unitate a variabilei independente, se uitlizeaza un model de
tipul :

61. Rezultatul estimarii parametrilor modelului care exprima legatura dintre variabila
Speranta medie de viata (Y) exprimata in ani si variabila PIB pe locuitor (X)
exprimata in $/loc., pentru un esantion de 5 tari, este prezentat in tabelul de mai jos.

Se poate spune ca modelul estimat are urmatoarea ecuatie :

a) In(Y) = In0,269 + 0,105 In(X)
b) Y = 0,269 * 𝑋 0,105
c) Y = 0,269 + 𝑋 0,105
62. Pentru testul Jarque-Bera se utilizeaza
a)estimatorii indicatorilor formei repartitiei erorilor modelului de regresie
b)repartitia student
c)estimatorii parametrilor modelului de regresie
d)repartitia chi-patrat

63.
Daca
64. Validarea unui model de regresie presupune verificarea unor ipoteze, precum:
a)erorile sunt independente
b)erorile urmeaza o lege de repartitie fisher
c)erorile sunt homoscedastice
d)variatia erorilor este egala cu zero
65. Un model de regresie este homoscedastic daca:
 a)erorile de modelare sunt independente
b)variantele erorilor de modelare sunt egale
c)erorile au dispersia cuprinsa in intervalul(0,1)
66. Ipoteza de homoscedasticitate cu privire la erorile de modedlare ale unui model
econometric asigura:
a) nedeplasarea estimatorilor parametrilor modelului
b) convergenta estimatorilor parametrilor modelului
c) eficienta estimatorilor modelului
67. Ipoteza de homoscedasticitate, verificate cu testul Glejer, se respinge daca

a)coeficientul variabilei independente din modelul de regresie

este semnificativ statistic.
b)coeficientul de corelatie neparametrica dinstre erorile estimate si valorile variabilei
independente este semnificativ statistic
68. ______ normalitatii erorilor unui model de regresie estimat se realizeaza cu ajutorul
testului :
a)kolmogorov-Smirrov
b)arque-Bera
69. Cu privire la erorile unui model de regresie liniara simpla s-au abtinut urmatoarele
rezultate:

70. Pentru erorile estimate ale unui model de regresie s-au obtinut rezultatele:

a)se respecta ipoteza de normalitate a erorilor cu un risc de 5%

b)nu se respecta ipoteza de normalitate a erorilor cu un risc de 5%
c)estimatorii parametrilor modelului de regresie urmeaza o lege normala
d)cu un risc de 5%, erorile au media diferita semnificativ de zero
71. Pentru erorile estimate ale unui model de regresie, constitruit pentru un esantion de
100 de firme, s-au obitinut rezultatele:
 JB calculat=32.821 >JB teoretic=5.991=Respinge H0=>Accepta H1=>ipoteza de
normalitate nu este respectata

72.
Se cere sa se aleaga afirmatiile adevarate cu rpivire la ipoteza de
homoscedasticitate, pentru un risc de 5%
a)eroare de modelare este homoscedastica
b)eroare de modelare este heteroscedastica
c)nu ne putem pronunta cu privire la homoscedasticitatea erorii de modelare pe baza
datelor din tabel

73.
Pentru un risc de 5%, pe baza datelor din tabelul Correlations, se poate afirma ca:
a. erorile sunt necorelate
b. erorile sunt heteroscedastice
c. erorile sunt normal distribuite

74.
Se aplica testul Glejser
???
75.
Se cere să se aleaga afirmatiile adevarate cu privire la ipoteza de homoscedasticitate,
pentru un risc.
???

76.
Pentru exemplul dat, se poate considera, pentru un risc de 5%, că:
a. sa respecta ipoteza cu privire la media erorilor
77. In demersul testarii ipotezei ce presupune ca media erorilor este egala cu zero se poate
utiliza :
a. testul Student
b. tstul Runs
c. testul Goldfeld- Qvandt
78. ?????
a. elasticitatea variabilei 1 in raport cu variabila X
b. panta dreptei de regresie
c. variatia medie relativa a variabilei dependente la o variatie relativa cu o unitate a
variabilei independente
79.

Pentru exemplul dat, se poate considera că:

a. legatura de tip parabolic admite un punct de minim
b. legatura de tip parabolic admite un punct de maxim
c. legatura de tip parabolic admite un punct de inflexiune
80. In studiul legaturii dintre variabilele PIB pe cap de locuitor (u.m.) si Rata inflatiei (%),
pentru datele inregistrate in diferite tari ale Uniunii Europene in anul 2012, s-au obtinut
urmatoarele rezultate:
Ecuatia modelului estimat al legaturii dintre cele doua variabile este de forma:

81. Rezultatele modelarii legaturii dintre variabilele PIB pe locuitor ($/loc.) si Rata mortalitatii
(%), pentru un esantion de 109 tari, se prezinta in tabelul de mai jos:

Ecuatia modelului estimat este:

82. Rezultatele modelarii pentru variabilele Pib/loc ($) si speranta medie de viata (ani) pentru
un esantion de tari, in anul 2012, sunt prezentate in tabelul de mai jos:

a. elascitatea sperantei de viata in raport cu PIB/loc este de 0,095

b. nivelul mediu estimat al sperantei de viata creste cu 0,095% la o crestere a PIB/loc
cu 1%.
c. nivelul mediu estimat al sperantei de viata creste cu 9,5% la o crestere a PIB/loc cu
1%
83. Rezultatul modelarii pentru variabilele PIB/loc ($) si speranta medie de viata (ani),
pentru un esantion de tari, in anul 2012 sunt prezentate in tabelul de mai jos:

Au loc interpretarile:
84. In studiul legaturii dintre variabilele cost unitar ($) si nivelul productiei (mil. $) s-a obtinut
urmatoarea ecuatie estimata:
Y= 8,1-2,6X+0,19x^2
Au loc enunurile:
a. modelul de regresie estimat admite un punct de maxim
b. nivelul optim al costului unitar se atinge pentru un nivel al productiei de 6,84 mil. $
c. costul unitar maxim este de 3,2 $
85. Pentru variabilele mortalitate infantila (numar de copii decedati sub un an la o mie de
nascuti) si PIB/loc ($), utilizand modelul Compound, s-au obtinut rezultatele:

Modelul estimat este de foorma:

86. Ecuatia teoretica a curbei care ajusteaza legatura dintre variabile este:

87. In studiul legaturii dintre costul unitar si productia realizata s-au obtinut urmatoarele
rezultate:

Pentru exemplul dat, ecuatia estimata a legaturii dintre variabile este de forma:
[Link] studiul legaturii dintre nivelul investitiilor si productia realizata s-au obtinut urmatoarele
rezultate:
???
I. MODELE DE REGRESIE NELINIARĂ
(exemple de întrebări grilă)

1. Cele mai importante modele liniarizabile sunt:

a) modelul putere
b) modelul cubic
c) modelul parabolic
d) modelul semi-logaritmic
e) modelul exponenţial

2. Forma generală a modelului Putere este:

3. Ecuaţia estimată a modelului Compound este:

4. Elasticitatea cererii în raport cu preţul se poate estima cu ajutorul:

a) unui model semi-logaritmic
b) unui model de tip putere
c) unui model log-liniar
d) unui model polinomial

5. Cu privire la modelul semi-logaritmic, cu variabila independentă logaritmată, sunt corecte

următoarele afirmaţii:
a) arată variaţia medie absolută a lui Y la o variaţie absolută a lui X cu o unitate
b) forma generală a modelului este:
 c) panta dreptei de regresie indică variaţia medie absolută a lui Y la o variaţie relativă
a lui X cu o unitate
d) ordonata la orgine reprezintă valoarea medie a lui Y, atunci când variabila X ia
valoarea 0
e) la o creştere a lui X cu un procent, variabila Y variază, în medie, cu unităţi

6. Funcţia de producţie Cobb-Douglas:

a) este un model de regresie liniară multiplă
b) permite estimarea elasticităţilor parţiale ale producţiei în raport cu factorii muncă şi
capital
c) este un model log-liniar multiplu

7. Considerând modelul Exponential în vederea studierii legăturii dintre două variabile, se

poate afirma că:
a) arată variaţia medie relativă a lui Y la o variaţie absolută a lui X cu o unitate
b) este valoarea medie a lui Y pentru X=0
c) indică rata de creştere sau de scădere a variabilei Y în raport cu variabila X
d) la o creştere a lui X cu o unitate, Y variază, în medie, cu
e) dacă , adică , atunci legătura dintre cele două variabile este directă
f) la o creştere a lui X cu o unitate, Y variază, în medie, cu o rată de creştere sau scădere
de

8. Ştiind că ecuaţia modelului de regresie dintre valoarea vânzărilor (Y) şi preţ (X) este , să se
precizeze care din afirmaţiile următoare sunt corecte:
a) dacă preţul creşte cu 1%, valoarea vânzărilor creşte cu 48%
b) dacă preţul creşte cu un procent, valoarea vânzărilor creşte cu 9%
c) dacă preţul creşte cu o unitate, valoarea vânzărilor scade cu ln(0,09)%

9. Dacă norul de puncte rezultat prin reprezentarea grafică a variabilei şi a variabilei poate fi
aproximat printr-o dreaptă, modelul de regresie este:
a) putere
b) parabolic
c) exponenţial

10. În modelul de tip putere simplu, parametrul reprezintă:

a) panta dreptei de regresie
b) elasticitatea variabilei în raport cu variabila
c) variaţia medie relativă a variabilei dependente la o variaţie relativă cu o unitate a
variabilei independente
11. În urma analizei legăturii dintre Produsul Intern Brut (euro) şi Rata inflaţiei (%), folosind
modelul Growth, s-au obţinut următoarele rezultate:

Coefficients(a)

Unstandardized Standardized
Coefficients Coefficients

Std.
Model B Error Beta t Sig.

1 (Constant) 9,910 ,212 46,639 ,000

Rata inflatiei (%) 1,002 ,042 ,451 23,457 ,000

a Dependent Variable: lnPIB

Pentru exemplul considerat, modelul estimat al legăturii dintre cele două variabile este de
forma:
a)
b)
c)
d)
e)

12. În studiul legăturii dintre două variabile, Puterea motorului (CP) şi Numărul de cilindri, s-
au obţinut următoarele rezultate:

Ecuaţia estimată a modelului este de forma:

13. Se consideră legătura dintre Timpul de accelerare de la 0 la 100 km/h (secunde) şi Numărul
de cilindri.
Valorile estimate ale parametrilor modelului Growth arată că:

a) numărul de cilindri mediu estimat este de 3,054, când timpul de accelerare ia

valoarea 0
b) la o creştere a numărului de cilindri cu 1%, timpul de accelerare scade, în medie, cu
0,060 secunde
c) valoarea medie estimată a timpului de accelearea este de , atunci când numărul de
cilindri este egal cu 1
d) timpul de accelerare scade în medie cu 6%, când numărul de cilindri creşte cu 1
cilindru
e) la o creştere a numărului de cilindri cu 1 cilindru, timpul de accelerare scade, în
medie, cu ln6%
f) valoarea medie estimată a timpului de accelerare este de secunde, atunci când
numărul de cilindri este 0

14. În studiul legăturii dintre Rata mortalităţii infantile (%) şi Rata de alfabetizare (%), realizat
pentru un eşantion format din 100 de ţări, s-au obţinut următoarele rezultate:

Coefficients(a)

Unstandardized Standardized
Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 ln(Rata de -87,861 4,460 -,887 -19,701 ,000

alfabetizare)

Constant 420,511 19,255 21,839 ,000

a Dependent Variable: ln(Rata mortaliăţii)

Sunt valabile afirmaţiile:

a) parametrii modelului sunt semnificativi pentru un risc de 5%
b) ecuaţia estimată este
c) la o creştere cu 1% a ratei de alfabetizare, rata mortalităţii infantile scade, în medie,
cu 87,861%
15. Pentru un eşantion format din 109 ţări ale lumii, s-au înregistrat date pentru mortalitatea
infantilă (decese la o mie de născuţi vii) şi PIB/locuitor ($).
Ecuaţia estimată a modelului este de forma:

16. Folosind rezultatele obţinute la punctul 15, valorile estimate ale parametrilor modelului de
regresie arată că:
a) valoarea medie estimată a mortalităţii infantile este de 8,231 decese la o mie de
născuţi vii, atunci când PIB/locuitor este 0
b) elasticitatea mortalităţii infantile în raport cu PIB/locuitor este egală cu 8,231
c) estimaţia indică mortalitatea infantilă când valoarea PIB/locuitor este egală cu 1$
d) mortalitatea infantilă scade în medie cu 62,8%, când PIB/locuitor creşte cu 1$
e) la o creştere a PIB/locuitor cu 1%, mortalitatea infantilă scade, în medie, cu 0,628%

17. Se consideră legătura dintre valoarea investiţiilor (mii lei) şi valoarea producţiei (mil. lei).
Pentru rezultatele obţinute, sunt adevărate următoarele afirmaţii:
a) la o creştere a investiţiilor cu un procent, producţia creşte, în medie, cu 20.535%
b) ecuaţia estimată a modelului este de forma:
c) valoarea medie estimată a producţiei este egală cu -1.799 mil. lei, când valoarea
investiţiilor este de 1000 de lei
d) la o creştere a investiţiilor cu 1%, producţia creşte, în medie, cu 0.20535 mil. lei

18. Se consideră Gradul de urbanizare (%), variabila dependentă, şi PIB/locuitor ($), variabilă
independentă, înregistrate pentru 195 de ţări ale lumii.
19. În studiul legăturii dintre două variabile, X (mii lei) şi Y (mil. lei), folosind modelul
Exponenţial, s-au obţinut următoarele rezultate:
La o creştere a variabilei X cu 1000 de lei:
a) variabila dependentă creşte, în medie, cu 8.086 mil. lei
b) Y creşte, în medie, cu 20,9%
c) Y creşte, în medie, cu ln20,9%
d) variabila independentă creşte, în medie, cu 0,209%

20. Pentru a exemplifica modelul de regresie Compound, se consideră Salariul ($), ca

variabilă dependentă, şi Nivelul de educaţie (ani), ca variabilă independentă.
Pentru exemplul considerat, sunt corecte afirmaţiile:
a) rata de scădere a salariului în raport cu nivelul de educaţie este de
b) pentru 1 an de şcoală, salariul mediu estimat este 9,062 $
c) modelul estimat este:
d) la o creştere a nivelului de educaţie cu 1 an, salariul creşte, în medie, cu
e) valoare medie estimată a salariului este egală cu , atunci când nivelul de educaţie
este 0
f) ecuaţia modelului estimat a legăturii dintre cele două variabile este de forma:
g) rata de creştere a salariului în raport cu nivelul de educaţie este de
h) la o creştere a nivelului de educaţie cu un procent, salariul creşte, în medie, cu $
i) la o creştere a nivelului de educaţie cu 1 an, salariul scade, în medie, cu

1. Când avem modelul Compound, spuneam că nu are interpretare directă, ci avem care indică variaţia
medie relativă sau procentuală a lui Y în raport cu X
Exprimat în procente, spunem că la o creştere a lui X cu 1 unitate, Y variază în medie cu . De exemplu,
dacă estimaţia parametrului este egală cu 5, pentru a determina variaţia medie a lui Y, la o modificare
a lui X cu 1 unitate, calculam: .
Greşeala apare la problemele 20 şi 24 din documentul cu grile la modelele neliniare!!!
21. Legătura dintre costul unitar (unităţi monetare) şi producţia unui bun (bucăţi), înregistrate
pentru un eşantion de firme, este ilustrată prin graficul de mai jos:

Pe baza reprezentării grafice a legăturii dintre cele două variabile, se poate afirma că:
a) legătura dintre cele două variabile poate fi explicată printr-un model cubic
b) parametrul din modelul de regresie este negativ
c) legătura dintre cele două variabile poate fi explicată printr-un model quadratic
d) parabola admite un punct de minim
e) parametrul din modelul de regresie este pozitiv
f) legătura de tip parabolic admite un punct de maxim
g) legătura dintre cele două variabile poate fi explicată printr-un model de tip
polinomial

22. Se consideră PIB/locuitor (euro), variabila dependentă, şi Indicele Dezvoltării Umane

(IDU), variabilă independentă, înregistrate pentru diferite ţări ale UE. În urma studierii legăturii
dintre cele două variabile, s-au obţinut următoarele rezultate:

Coefficients(a)

Unstandardized Standardized
Coefficients Coefficients

Std.
Model B Error Beta t Sig.

1 (Constant) 192,769 ,212 46,639 ,000

ln(IDU) 0,813 ,042 ,451 23,457 ,000

a Dependent Variable: lnPIB

Pentru exemplul dat, sunt corecte afirmaţiile:

a) legătura dintre cele două variabile este explicată printr-un model de tip exponenţial
b) o creştere cu un procent a indicelui de dezvoltare umană duce la creşterea medie cu
0,813% a PIB-ului
c) modelul de tip putere construit explică semnificativ legătura dintre cele două
variabile
d) valoarea subunitară a estimaţiei arată că variabila PIB/locuitor scade pe măsură ce
variabila IDU creşte
e) elasticitatea variabilei PIB/locuitor în raport cu variabila IDU este dată de estimaţia

23. În studiul legăturii dintre costul unitar (unităţi monetare) şi producţia unui bun (100 de
bucăţi), înregistrate pentru un eşantion de firme, s-au obţinut următoarele rezultate:
 a) ecuaţia estimată a modelului parabolic este:
b) abscisa punctului de minim este egală cu 6,11 şi corespunde unei producţii de 611
bucăţi din produsul A
c) semnul estimaţiei indică un punct de minim
d) modelului estimat este de forma:
e) abscisa punctului critic se determină după relaţia
f) pentru o producţie de 611 bucăţi din produsul A, costul maxim este de 10,361 unităţi
monetare
g) producţia la care costul unitar este minim este de 88 bucăţi din produs A

24. 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:
a) considerând modelul Exponential pentru studiul legăturii dintre cele două variabile,
se poate afirma că: la o creştere a investiţiilor cu 1000 de euro, valoarea producţiei
creşte, în medie, cu 176,9%
b) folosind modelul Compound, estimaţia arată că valoarea medie estimată a
producţiei este de 1,322 mil. lei, când valoarea investiţiilor este egală cu 1000 de
euro
c) utilizând modelul Growth, se poate afirma că: valoarea medie estimată a producţiei
este egală cu mil. lei, atunci când valoarea investiţiilor este 0
d) considerând modelul Compound pentru studiul legăturii dintre cele două variabile,
se poate afirma că: reprezintă rata de creştere a valorii producţiei în raport cu
valoare investiţiilor şi arată că la o creştere a investiţiilor cu o mie de euro, valoarea
producţiei creşte, în medie, cu
e) folosind modelul Growth, valoarea estimaţiei arată că: valoarea producţiei creşte,
în medie, cu o rată de 176,9, la o creştere a valorii investiţiilor cu mie de euro

25. În urma prelucrării datelor privind valoarea input-urilor (L, forţa de muncă; K, valoarea
capitalului fix) şi a output-urilor obţinute într-un anumit domeniu de activitate (Y, valoarea
producţiei), s-au obţinut următoarele rezultate:
 şi
a) pentru perioada analizată, dacă se consideră constantă valoarea capitalului fix (K),
atunci o creştere cu un procent a nivelului variabilei L duce la creşterea medie cu
1,35% a valorii producţiei obţinute
b) suma elasticităţilor parţiale este egală cu 1,98 ceea ce arată că, în perioada analizată,
procesul de producţie s-a caracterizat printr-un randament de scară crescător
c) estimaţia indică valoarea medie estimată a producţiei la un input K=0 şi L=0
d) 87,8% din variaţia producţiei este datorată influenţei simultane a forţei de muncă şi
a valorii capitalului fix în domeniul considerat
e) la o creştere cu un procent a valorii capitalului fix (K), valoarea producţiei obţinute
creşte, în medie, cu 0,63%, în condiţiile în care valoarea forţei de muncă (L) este
constantă
f) estimaţia reprezintă elasticitatea parţială a producţiei, în raport cu factorul capital
g) elasticitatea totală înregistrată indică un randament de scară descrescător

26. Pe baza graficului ce ilustrează legătura dintre gradul de urbanizare şi PIB/locuitor, alegeţi
variantele de răspuns corecte.

a) legătura dintre cele două variabile poate fi explicată printr-un model parabolic de
forma:

b) legătura dintre cele două variabile poate fi explicată printr-un model cubic de forma
c) parabola admite un punct de inflexiune minim
d) abscisa punctului critic este determinată după relaţia:
e) legătura dintre cele două variabile poate fi explicată printr-un model quadratic de
forma:

f) ordonata punctului de inflexiune este determinată după relaţia:

 II. VERIFICAREA IPOTEZELOR MODELULUI DE REGRESIE
(exemple de întrebări grilă)

1. Ipotezele modelului clasic de regresie care se formulează cu privire la componenta

deterministă sunt:
a) variabilele reziduale sunt necoliniare
b) variabilele independente sunt nestochastice
c) variabilele independente sunt necoliniare
d) variabilele independente şi variabila eroare sunt necorelate:
e) variabilele independente şi variabila dependentă sunt corelate:

. Variabilele independente şi variabila eroare sunt necorelate, ceea ce înseamnă că:

Greşeala apare la problema 1 din documentul cu grile la ipotezele modelului!!!

2. Ipotezele modelului clasic de regresie care se formulează cu privire la componenta aleatoare

sunt:
a) erorile sunt normal distribuite
b) erorile sunt homoscedastice
c) erorile sunt necorelate
d) erorile sunt independente
e) erorile au media egală cu zero

3. Ipotezele statistice care se formulează în cazul testării mediei erorilor sunt:

4. În cadrul demersului testării ipotezei ce presupune că erorile sunt homoscedatisce, ipoteza

nulă şi ipoteza alternativă se scriu astfel:
5. În vederea testării ipotezei ce presupune că erorile sunt independente, sunt formulate
următoarele ipoteze:

6. Ipoteza de homoscedasticitate presupune ca varianţa erorilor la nivelul distribuţiilor

condiţionate de forma este:

7. În vederea testării ipotezei de necorelare a erorilor, sunt adevărate următoarele afirmaţii:

a) dacă valoarea calculată a statisticii Durbin-Watson este , între erori există
autocorelare pozitivă maximă
b) valoarea coeficientului de autocorelaţie arată că erorile nu sunt dependente
c) dacă valoarea calculată a statisticii Durbin-Watson este , între erori există
autocorelare pozitivă maximă
d) valoarea calculată a statisticii Durbin-Watson de indică lipsa autocorelării erorilor
e) valoarea coeficientului de autocorelaţie arată că între erori nu există o legătură
liniară
f) valoarea coeficientului de autocorelaţie arată că erorile sunt perfect corelate

8. Considerând că ipoteza cu privire la normalitatea erorilor este verificată, sunt adevărate

următoarele afirmaţii:
a) erorile sunt heteroscedastice
 b) erorile sunt autocorelate
c) erorile urmează o lege de repartiţie normală, de medie zero şi varianţă constantă
d) media erorilor este diferită semnificativ de zero
e) estimatorii parametrilor modelului de regresie urmează o lege de repartiţie normală

9. Dacă este încălcată ipoteza de homoscedasticitate a erorilor de modelare, se consideră că:

a) între variabila reziduală şi variabila independentă există o legătură semnificativă
b) estimatorul parametrului îşi pierde proprietatea de eficienţă
c) erorile nu sunt independente
d) parametrii sunt estimaţi cu o varianţă mai mare
e) erorile sunt heteroscedastice

10. În condiţiile în care ipoteza de normalitate a erorilor nu este verificată, se consideră că:
a) coeficientul de corelaţie neparametrică Spearman nu este semnificativ
b) estimatorii parametrilor modelului de regresie îşi pierd proprietatea de normalitate
c) este indus fenomenul de multicoliniaritate
d) nu se pot construi intervale de încredere pentru estimatorii parametrilor
e) estimatorii parametrilor modelului de regresie îşi pierd proprietatea de eficienţă
f) nu se cunosc legile de repartiţie ale estimatorilor parametrilor modelului de regresie

11. Dacă nu se verifică ipoteza de independenţă a erorilor, sunt adevărate următoarele afirmaţii:
a) între erori există următoare relaţie:
b) prin aplicarea metodei celor mai mici pătrate, pentru parametrul se obţine un
estimator eficient
c) modelul de regresie admite fenomenul de autocorelare
d) nu există autocorelare a erorilor

12. Un model de regresie este heteroscedastic dacă:

a) estimatorii parametrilor modelului de regresie nu îndeplinesc proprietatea de
eficienţă
b) erorile de modelare sunt necoliniare
c) coeficientul variabilei independente din modelul de regresie auxiliar: , este
semnificativ diferit de zero
d) erorile au dispersia cuprinsă în intervalul (0,1)
e) variabila independentă are o influenţă semnificativă asupra variabilei reziduale

13. Într-un model de regresie liniară multiplă, dacă variabilele independente sunt perfect
coliniare, atunci:
a) varianţa estimatorilor parametrilor moelului de regresie este mare
b) dispersia estimatorilor parametrilor este infinită
c) parametrii pentru aceste variabile independente nu pot fi estimaţi
 d) varianţa estimatorilor parametrilor este mare
e) erorile de modelare sunt minime

14. Într-un model de regresie liniară multiplă, dacă variabilele independente sunt imperfect
coliniare, atunci:
a) între variabilele independente există o legătură liniară stochastică de forma:
b) între variabilele independente există o legătură liniară deterministă de forma:
c) între variabilele independente există o legătură liniară nestochastică de forma:
d) între variabilele independente există o legătură liniară stochastică de forma:

15. Testul Jarque-Bera se bazează pe:

a) utilizarea repartiţiei Chi-pătrat
b) verificarea simultană a proprietăţilor de asimetrie şi boltire a seriei rezidurilor
c) utilizarea estimatorilor parametrilor modelului de regresie
d) utilizarea repartiţiei Student
e) utilizarea estimatorilor indicatorilor formei repartiţiei erorilor modelului de regresie

16. Dacă între erorile de modelare există o corelaţie serială semnificativă şi au media egală cu
zero, se poate afirma că:
a) erorile sunt dependente:
b) erorile sunt corelate:
c) erorile nu sunt corelate:
d) se verifică relaţia:
e) erorile nu sunt corelate:

17. Ipoteza de coliniaritate se referă la:

a) existenţa unei legături liniare între variabila dependentă şi variabilele independente
b) existenţa unei legături liniare între variabila reziduală şi variabilele independente
c) existenţa unei legături liniare între variabilele independente

18. Verificarea normalităţii erorilor se poate realiza pe baza:

a) diagramelor Box-Plot, Q-Q Plot şi P-P Plot
b) histogramei
c) testului Glejser
d) curbei frecvenţelor
e) testului Jarque-Bera
f) testului Kolmogorov-Smirnov

19. Sursa autocorelării erorilor este:

 a) neincluderea în modelul de regresie a uneia sau a mai multor variabile explicative
importante
b) inerţia fenomenelor în timp şi decalajul, în cazul seriilor de timp
c) nerespectarea proprietăţii de eficienţă a estimatorilor parametrilor modelului de
regresie
d) modelul de regresie nu este corect specificat
e) estimatorii parametrilor modelului de regresie nu urmează o lege de repartiţie
normală

20. Selectaţi tabelul/tabelele pe baza căruia/cărora se poate verifica ipoteza media erorilor de
modelare este zero.

a)

b)

c)
d)

21. În vederea testării ipotezei de necoliniaritate a variabilelor independente, sunt adevărate

afirmaţiile:
a) dacă tinde spre , , variabilele independente nu sunt coliniare
b) dacă , , există coliniaritate între variabilele independente
c) dacă , , variabilele independente nu sunt coliniare
d) dacă , , nu există coliniaritate între variabilele independente

22. Cu privire la erorile unui model de regresie liniară simplă, s-au obţinut următoarele
rezultate:
Considerând un risc de 5%, se poate afirma că:
a) se respinge ipoteza:
b) media erorilor este zero
c) nu se respinge ipoteza:
d) erorile au media diferită semnificativ de zero

23. În urma modelării a două variabile, s-au obţinut, pentru erorile estimate, următoarele
rezultate:
Pe baza rezultatelor de mai sus, pentru o probabilitate de 95%, se poate afirma că:
a) media erorilor este semnificativă
b) erorile sunt normal distribuite
c) media erorilor nu diferă semnificativ de zero
 d) distribuţia erorilor nu diferă semnificativ de distribuţia normală
e) se respectă ipoteza cu privire la media erorilor

24. Să se studieze ipoteza cu privire la media erorilor de modelare pe baza rezultatelor din
tabelul de mai jos:
One-Sample Kolmogorov-Smirnov Test

Unstandardiz
ed Residual

N 45

Normal Mean 2.1541967

Parameters(a,b)

Std. Deviation 10.91300542

Most Extreme Absolute .094

Differences

Positive .042

Negative -.094

Kolmogorov-Smirnov Z .629

Asymp. Sig. (2-tailed) .824

Pentru un risc asumat de 0.10, sunt adevărate următoarele afirmaţii:

a)
b)
c)
d)

25. Pentru rezultatele obţinute la aplicaţia 24, se poate considera că:

a) se respinge ipoteza de normalitate, cu un risc asumat de 10%
b) cu o încredere de 90% se poate afirma că erorile sunt normal distribuite
c) media erorilor este nulă, cu o probabilitate de 90%
d) distribuţia erorilor de modelare nu diferă semnificativ de distribuţia normală
e) estimatorii parametrilor modelului de regresie urmează o lege normală
f) cu un risc de 10% se poate afirma că erorile au media diferită semnificativ de zero
g) distribuţia erorilor de modelare diferă semnificativ de distribuţia normală
26. În urma testării ipotezei de homoscedasticitate a erorilor modelului de regresie liniară
simplă, s-au obţinut următoarele rezultate:
Correlations

Rata inflatiei

Spearman's Rata Correlation 1.000 -.063

rho inflatiei Coefficient

Sig. (2-tailed) . .683

N 45 45

Correlation -.063 1.000

Coefficient

Sig. (2-tailed) .683 .

N 45 45

Cu o probabilitate de 90%, se poate afirma că:

a) nu ne putem pronunţa cu privire la homoscedasticitatea erorilor de modelare pe baza
datelor din tabel
b) coeficientul de corelaţie neparametrică dintre erorile estimate şi valorile variabilei
independente este semnificativ statistic
c) erorile sunt heteroscedastice deoarece probabilitatea asociată statisticii test este mai
mare decât riscul asumat de 5%
d) având în vedere că probabilitatea asociată statisticii test este mai mare decât riscul
asumat de 0.10, se ia decizia de a accepta ipoteza de homoscedasticitate

27. Se analizează erorile de estimare ale unui model de regresie liniară simplă, obţinându-se
rezultatele din tabelul de mai jos:
Cu o probabilitate de 95%, se poate afirma că:
a) variaţia erorii de modelare este influenţată semnificativ de variaţia variabilei
independente
b) este verificată ipoteza de homoscedasticitate a erorilor
c) erorile au aceeaşi varianţă
 d) între erorile de modelare şi variabila independentă nu există o legătură liniară
semnificativă

28. Se analizează erorile modelului de regresie dintre rata de ocupare a forţei de muncă şi rata
inflaţiei. Rezultatele obţinute sunt prezentate în tabelul de mai jos.

Runs Test

Unstandardize
d Residual

Test Value(a) .77738

Cases < Test Value 22

Cases >= Test 23

Value

Total Cases 45

Number of Runs 26

Z .607

Asymp. Sig. (2- .544

tailed)

a Median

În condiţiile unui risc , sunt adevărate următoarele afirmaţii:

a) succesiunea runs-urilor este aleatoare
b) se acceptă ipoteza
c) erorile de modelare sunt independente
d) se acceptă ipoteza
e) variabila numărul de runs urmează o lege de repartiţie normală
f) erorile de modelare sunt corelate
g) variabila numărul de runs nu este repartizată normal

29. În demersul verificării ipotezelor asupra erorilor unui model de regresie liniară simplă, s-a
obţinut estimaţia coeficientului Spearman, . Cunoscând volumul eşantionului observat şi riscul
admis , se poate afirma că:
a) erorile sunt homoscedastice
 b) erorile sunt autocorelate
c) erorile sunt heteroscedastice
d) erorile de modelare sunt normal repartizate
e) erorile au aceeaşi dispersie
f) erorile verifică ipoteza de coliniaritate

30. În urma analizei erorilor de estimare ale unui model de regresie liniară simplă, s-au obţinut
rezultatele următoare:
Descriptive Statistics

Skewness Kurtosis

N Std. Std.
Statistic Error Statistic Error

Unstandardized 15 1,764 ,112 5,798 ,224

Residual

15
Valid N listed

a) : se respinge ipoteza de normalitate

b) ipoteza de normalitate a erorilor nu se verifică folosind testul Jarque-Bera
c) : erorile nu sunt normal repartizate
d) se respectă proprietatea
e) : nu se respinge ipoteza nulă

31. Pentru erorile estimate ale unui model de regresie cu două variabile independente şi s-a
obţinut valoarea calculată a statisticii Durbin-Watson egală cu . Considerând un risc asumat de
, sunt adevărate următoarele afirmaţii:
a) valorile teoretice sunt şi
b) se respinge ipoteza nulă: erorile nu sunt autocorelate
c) se respinge ipoteza nulă: erorile de modelare sunt autocorelate negativ
d) se respinge ipoteza nulă: erorile de modelare sunt autocorelate pozitiv
e) valorile teoretice sunt şi
f) se acceptă ipoteza nulă: nu există autocorelare a erorilor

32. Se consideră un model de regresie liniară multiplă cu două variabile independente. Ştiind
că pentru modelul auxiliar s-a obţinut , se poate afirma că:
a) modelul de regresie admite fenomenul de coliniaritate
b) valoarea indicatorului este de şi indică lipsa coliniarităţii
c) modelul de regresie nu admite fenomenul de coliniaritate
d) 56% din variaţia variabilei dependente este explicată de variaţia simultană a
variabilelor independente
e) valoarea indicatorului este şi indică verificarea ipotezei de necoliniaritate
 f) variaţia variabilei este explicată în proporţie de 56% de variaţia variabilei
independente

33. În studiul legăturii dintre variabila dependentă, salariul (Euro), şi variabilele independente,
nivelul de studii (ani), salariul de început (euro), experienţa anterioară (luni), perioada de
angajare (luni), s-au obţinut următoarele rezultate:
Pe baza rezultatelor obţinute cu privire la ipoteza de necoliniariate, sunt valabile afirmaţiile:
a) 44,9% din variaţia variabilei nivelul de studii este explicată liniar de variaţia
celorlalte variabile independente
b) variabila perioada de angajare poate fi considerată coliniară cu celelalte variabile
independente din model
c) există variabile independente care introduc fenomenul de coliniaritate
d) raportul de determinaţie pentru modelul auxiliar: , este de aproximativ 0,484
e) nu există variabile independente care introduc fenomenul de coliniaritate

34. În urma testării ipotezei de necorelare a erorilor unui model de regresie liniară simplă
estimat prin prelucrarea datelor pentru un eşantion de volum , s-au obţinut următoarele
rezultate:
Cunoscând valorile şi , şi riscul asumat , se poate afirma că:
a) erorile înregistrează o autocorelare pozitivă
b) nu se poate lua o decizie cu privire la ipoteza de necorelare a erorilor
c) nu există autocorelare a erorilor
d) erorile de modelare sunt autocorelate negativ
e) erorile sunt independente
f) valoarea calculată a testului se află în regiunea de nedeterminare

Când există coliniaritate perfectă între variabilele independente, coeficientul de

corelaţie dintre aceste variabile este egal cu 1.
1 Venitul mediul anual al gospodării(mii euro) și Nivelul de educație(anii) înregistrat pe un eșantion de 5000 de
persoane,s-au obținut următoarele rezultate.

Model B [Link] Beta t Sig

(Constant) 11,734 3,499 - 3,354 0,001
Nivelul de 2,979 0,235 0,177 12,692 0,000
educație
[Link] variable- Venitul m.În studiul legăturii dintre ediul annual

Pentru exemplu dat,sunt corecte afirmațiile

[Link]ția de regresie estimate este de forma: Y=2,979+11,734X

b.între cele două variabile există o legătura directă și foarte puternică

[Link] un Nivel de educație de 18 ani, Venitul mediul anual al gospodării este egal cu 65,356 mii euro

d. Nivel de educație are o influență semnificativă statistic asupra Venitul mediul annual,în condițiile unui risc asumat
de 0,05

2. .În studiul legăturii dintre variabile Valoarea lunară a facturii(euro)și Vechimea abonamentului (luni),înregistrate
pentru 1000 de clienți ale unei companii de telecomunicații,s-au obținut rezultatele prezentate în tabelul următor.

Model R R Square Adjusted R Square Std. Error of the

Estimate
1 0,227 0,051 0,050 16,47099
[Link]-(Constant) Vechimea abonamentului

Pentru exemplu dat,sunt corecte afirmațiile

a.5% din variația variabilei dependente Valoarea lunară a facturii este explicate de variația variabilei independente
Vechimea abonamentului

b.R=0,277 și arată că legătura dintre cele două variabile este foarte puternică

[Link]ă Vechimea abonamentului crește cu 10 luni ,atunci Valoarea lunară a facturii cresște,în medie cu 16,47 euro

d.5,1% din variația variabilei dependente Valoarea lunară a facturii este explicate de factori reziduali

[Link]țiile b0 și b1 ale parametrilor B0 și B1,calculate pe baza datelor unui eșantion de volum n prin metoda celor
mai mici pătrate,reprezintă

[Link] reale și semnificative

[Link] aleatoare de selecție

[Link] reale și cunoscute

4. În studiul legăturii dintre Valoarea vânzărilor (Y) ,Cheltuieli de publicitate (X1),Cheltuieli ocazionale de diferite
promoții(X2) și Vânzăriile anuale realizate de principalul concurent (X3),pentru un eșantion de 15 firme s-au obținut
rezultatele prezentate în tabelul următor.

Model B Std. Error Beta T Sig

Constant 65,705 27,731 - 2,369 0,037
X1 48,979 10,658 0,581 4,596 0,001
X2 59,654 23,625 0,359 2,525 0,028
X3 -1,838 0,814 -0,324 -2,258 0,045
dependent variable-Variable Y

Considerând un risc de 10% se poate afirma că parametrul de regresie corespunzător variabilei Cheltuielile ocazionale
de diferite promoții

[Link] este semnificativ diferit de 0

[Link] semnificativ statistic

[Link]ă o legătură liniară semnificativă între Valoarea vânzărilor și Cheltuieli ocazionale de diferite promoții,atunci
când celalte variabile independente se mențin constante

5.În urma prelucrării datelor privind legătura dintre variabilele rata sărăciei și ponderea persoanelor cu studii
superioare în totalul populației ,la nivelul unui eșantion format din 30 de țări,s-au obținut rezultatele din tabelul de
mai jos

Model b Std. Error Beta t Sig

Constant 9,823 6,654 - 1,413 0,169
Rata sărăciei 658 274 0,414 2,406 0,023
dependent variable- ponderea persoanelor cu studii superioare

Se poate afirma că

[Link]ă la origine este semnificativ statistic,în condițiile unui risc asumat de 1%

b. ordonată la origine nu este semnificativ statistic,legătura dintre cele două variabile este reprezentată printr-un
model de regresie liniară prin origine

c,ordonata la origine este semnificativ statistică, în condițiile unui risc asumat de 10%

6. Pentru un esantion de 109 tari ale lumii, s-a studiat legatura dintre speranța de viață a populației
femenine(ani).Rata de alfabetizare a populației femenine(%),Aportul zilnic de calorii(kcal) și Ponderea
populației din mediul urban(%). rezultatele analizei sunt prezenatate în tabelul de mai jos
Model b Std. Beta t Sig Zero-order Partial part
Error
Constant 32,064 3,745 - 8,561 0,000 - - -
Ponderea 0,097 0,041 0,221 2,363 0,021 0,741 0,306 0,147
populației
din urban
Aportul 0,006 0,002 0,262 3,294 0,002 0,715 0,406 0,204
calori
Rata 0,213 0,034 0,520 6,394 0,000 0,615 0,651 0,393
alfabetizare
dependent variable- speranța de viață a populației femenine

[Link] un risc de 1%, Rata de alfabetizare a populației femenine are o influență parțială directă semnificativă
asupra speranța de viață feminine
[Link] calculată a statisticii Student pentru testarea semnificației corelației parțiale dintre Rata de
alfabetizare a populației femenine și Speranța de viață feminine 8,79
[Link] populației din urban are o influență parțială semnificativă asupra Speranței de viață feminine în
condițiile unui risc de 1%
[Link] medie a Speranței de viață feminine este egală cu 32,064 ani,în condițiile în care factorii de
influență din model ar fi ipotetic egali cu 1.
7. Pentru un esantion de 109 tari ale lumii, sa studiat legatura dintre rata de fertilitate(nr. De copii) , speranta
de viata a populatiei feminine(ani).Aportul zilnic de calorii (kcal) și Rata de alfabetizare a populației
femenine(%).rezultatele analizei sunt prezenatate în tabelul de mai jos
Rata de Rata de Aport calori Speranța
fertilizare alfabetizare medie de viață
Rata de pearson 1 -0,839 -0,695 -0835
fertilizare corelation
Sig(2-
tailed) 0,000 0,000 0,000
N
107 85 75 107
Rata de pearson -0,639 1 0,548 0,819
alfabetizare corelation
Sig(2-
tailed) 0,000 0,000 0,000
N
95 85 75 85
Aport calori pearson -0,698 0,548 1 0,775
corelation
Sig(2-
tailed) 0,000 0,000 0,000
N
75 59 75 75
Speranța pearson -0,938 0.619 0,775 1
medie de viață corelation
Sig(2-
tailed) 0,000 0,000 0,000
N
107 65 75 109
Correlation is significant at the 0,01 level(2-tailed)

[Link]ând influența celorlalte variabile independente,între rata de fertilitate și Rata de alfabetizare există o
corelație egală cu -0,839
b.între Rata de fertilizare și Rata de alfabetizare există o corelație simplă semnificativ statistic ,în condițiile
unui risc de 1%
c. între Rata de fertilizare și Rata de alfabetizare există o legătură inversă și slabă,în condițiile în care influența
celorlalte variabile independente se menține constantă.
[Link]ățiile unui estimator sunt
[Link]
[Link]ța
[Link]
 9. Variabila reziduala in modelul econometric include efecte datorate:
[Link] modelului
[Link] in model a unor variabile independente importante
[Link] erorilor in masurarea datelor
10. În studiul legaturii Valoarea mediu anuala al gospodăriei (mii lei) si nivelul de educatie (ani), sau obtinut
rezultatele prezentate in tabelul urmator
Correlations
Nivelul Valoarea împrumutului bancar
de
educație
Nivelul de educație pearson corelation 1 105
Sig(2-tailed) .000
N 5000 5000
Valoarea î[Link] pearson corelation .105 1
Sig(2-tailed) .000
N 5000 5000
Correlation is significant at the 0,01 level(2-tailed)

Pentru un risc de 5% sunt corecte afirmațiile

a.între cele două variabile există o corelație directă și puternică

[Link] calculată a statisticii test pentru testarea semnificației intensității legăturii dintre cele două variabile,este
egală cu 0,998

[Link] calculată a statisticii test pentru testarea semnificației intensității legăturii dintre cele două variabile,este
egală cu 7,5

d. se respinge ipoteza H0: ro=0, cu un risc de 5%

[Link] consideră un model econometric de forma Y=BO+B1X1+B2X2+έ.Sunt corecte afirmațiile

[Link] trebuie să fie logaritmate pentru a construi un model semnificativ

[Link] variabilei dependente a modelului econometric sunt B0,B1 și B2

[Link] modelului sunt Y,X1,X2, έ

[Link] un eșantion de 10 angajați ai unei bănci s-au observat următoarele variabile:salariu curent,vechimea în
muncă și numărul de ani de școală.Pentru aceste variabile s-a verificat un model liniar [Link] dintre
următoarele afirmații sunt corecte?

[Link]ții de regresie Bi sunt de semne contrare

b. coeficienții de regresie Bi au valori negative

c. coeficienții de regresie Bi au valori pozitive

[Link] dependentă este salariu curent

[Link] un eșantion de angajați ,se analizează legătura dintre salariu curent(dolari),salariu la angajare
(dolari),nivelul de educație (ani) și vechimea în muncă(luni).Rezultatul modelării este prezentat în modelul de mai josb
Model B [Link] Beta t Sig Zero- Partial Part
Order
constant - 3421,807 - -6,136 0,000 - - -
19891,433
salariu la 1,689 0,058 0,778 29,180 0,000 0,680 0,803 0,801
angajare
Nivelul 970,449 158,158 0,164 6,136 0,000 0.551 0,273 0,126
de
educație
Vechimea 154,042 35,167 0,091 4,380 0,000 0,084 0,198 0,090
în muncă
Dependent variable-salariu curent

[Link]șterea cu un dolar a salariului la angajare determină o creștere medie de 1,689 dolari a salariului curent,în
condițiile în care nivelul de educație și vechimea în muncă rămân constante

[Link]șterea cu un an a nivelului de educație determină o creștere medie de 970,449 dolari a salariului curent,în
condițiile în care salariul la angajare și vechimea în muncă rămân constante

[Link]șterea cu o lună a vechimii în muncă determină o creștere de 154,042 dolari a salariului curent

[Link] nivelul uneui eșantion de 75 țări,s-a studiat legătura dintre aportul zilnic de calorii(kcal) și Produsul intern brut
cap de locuitor(dolari).Rezultatele modelării sunt prezentate în tabelul de mai jos

Model B Std Error Beta t sig

Constant 2404,613 56,466 42,585 0,000
Pib pe cap de 0,060 0,006 0,751 9,724 0,000
locuitor
Dependent variable-aportul zilnic de calorii

Pentru exemplul dat sunt corecte afirmatiile :

[Link] variabile nu exista o legatura semnificativa statistic
[Link] o crestere cu 60 De dolari a PIB-ului variabila dependenta Aportul caloric creste , in medie cu 2404,613
kcal
[Link] o crestere cu o abatere standard a PIB-ului , variabila dependenta Aportul caloric creste , in medie cu
0.751 abateri standard
[Link] cele doua variabile exista o legatura directa
15. Intr-un model econometric, componenta determinista este :
a) M(Y(X)
b) Combinatia liniara intre variabilele independente si
c) Variabila reziduala
d) Regresia sau media conditionata
16. Raportul de determinare este egal cu 1 daca :
a) Erorile de modelare sunt nule
b) Modelul explica in totalitate legatura dintre variabile
c) Variabilele din modelul sunt independente
17.
18. Pentru un esantion de 109 tari ale lumii, sa studiat legatura dintre rata de fertilitate(nr. De copii) , speranta
de viata a populatiei feminine(ani)si rata de alfabetizare a populatiei feminine(%). Rezultatele analizei sunt
prezentate in tabelul de mai jos .
Coefficients
Model Unstandardized Standardized
coefficients coefficients
B [Link] Beta t Sig
1(constant) 10,908 ,832 13,109 ,000
Rata de alfabetizare -,034 ,006 -,518 -5,434 ,000
Speranta medie de viata -,069 ,017 -,393 -4,121 ,000
aDependent variable: Rata de fertilitate
a) Speranta de viata are o importanta mai mare decat rata de alfabetizare asupra ratei de fertilitate
b) Cu un risc de 1% variabila Rata de alfabetizare are o influenta partiala semnificativa statistic asupra
variabilei Rata de fertilitate
c) La o crestere cu 10% a ratei de alfabetizare, rata de fertilitate scade in medie cu 0,34 unitati, atunci
cand speranta de viata se mentine constanta
[Link] un eșantion de angajați se studiază legătura dintre variabilele salariu(lei),număr de piese produse și
educație(ani).Rezultatele obținute sunt prezentate în tabelul de mai jos
Model b Std. Beta t Sig Zero-order Partial part
Error
Constant -7,689 1,778 - -4,330 0,000 - - -
Prod 1,671 0,059 0,773 28,158 0,000 0,881 0,800 0,603
Educație 1,022 0,162 0,173 6,295 0,000 0,656 0,285 0,135

????

[Link] deterministă a modelului econometric liniar simplu este reprezentata de

a.M(Y/X=xi)=

b. M(Y/X=xi)=B0+B1X1
C. M(Y/X=xi)= B0+B1X1+

21. Estimatorul unui parametru al modelului de regresie este

a) valoare reala si necunoscuta

b)variabila aleatoare
c.o mărime fixă calculată la nivel de eșantion
[Link] un model liniar multiplu de forma Y=BO+B1X1+B2X2+έ,dacă parametrul B1 este semnificativ statistic
,atunci
[Link] sunt nule
[Link] B2 nu este semnificativ statistic
[Link] de regresie are cel puțin un factor care explică semnificativ variația variabilei dependente
1 Pentru variabilele salariu (lei), productia de salariat(piese), experienta(luni), si educatia (ani), s-au obtinut
rezultatele:
coefficients
Model Unstandardized Standardized
coefficients coefficients Correlations
B [Link] Beta t Sig Zero- partial Part
order
1(constant) -3,695 1,960 -1,885 ,060
Prod 1,747 ,061 ,808 28,831 ,000 ,881 ,807 ,605
Educatie ,745 ,171 ,126 4,362 ,000 ,656 ,202 ,092
exp -,016 ,004 -,100 -4,449 ,000 ,084 -,206 -,093
a;Dependent variable:salariu
Sunt variabile enunturile :
a) In raport cu intensitatea influentei exercitate asupra variabilei dependente, factorii independenti se
ierarhizeaza astfel: productia, experienta, educatia
b) In raport cu intensitatea influentei exercitate asupra variabilei dependente, factorii independenti se
ierarhizeaza astfel: productia, educatia, experienta
c) Legatura bivariata dintre salariu si educatie este directa

2 Pentru un esantin de 474 de angajati , sau obtinut rezultatele prezenatate in tabelul de mai jos , cu privire la
legatura dintre educatie si salariu :
coefficients
Unstandardized coefficients
Model
B [Link]
1 (constant) -6290.967 1340.920
Educational level(years) 1727.528 97.197
aDependent Variable: Beginning Salary
Considerand un nivel de semnificatie egal cu 5%, valoarea calculata a statisticii test t Student, folosita pentru
testarea pantei dreptei de regresie, si interpretarea corecta sunt :
a) t=177,73 si arata ca Educatia nu influenteaza in mod semnificativ variatia Salariului
b) t= -4,692 si arata ca Educatia influenteaza semnificativ variatia Salariului
c) t= 17,773 si arata ca Educatia influenteaza in mod semnificativ variatia Salariului

3
Model Sum of df Mean F Sig
Square
Squares
Regression 126,186??? 2 62.503 9076.000 000
Residual 0.14 2 ,057??
Total 125,200 4

Sunt adevarate afirmatiile :

a) Modelul contine 3 variabile independente
b) Volumul esantionului este n=5
c) Modelul contine 2 variabile independente
4 Estimatiile sunt :
a) Variabile aleatoare
b) Marimi fixe calculate la nivel de esantion
c) Valori posibile ale estimatorilor

5 Variabila reziduala in modelul econometric include efecte datorate:

a) Parametrilor modelului
b) Neincluderii in model a unor variabile independente importante
c) Existentei erorilor in masurarea datelor
6 Intr-un model de regresie multipla, coeficientul de corelatie bivariata indica:
a) Intensitatea legaturii dintre variabila dependenta si o variabila independenta, fara a lua in considerare
influenta celorlalte variabile
b) Intensitatea legaturii dintre variabila dependenta si o variabila independenta, in conditiile in care
celelalte variabile independente sunt considerate aleatoare
c) Intensitatea legaturii dintre variabila dependenta si o variabila independenta , in conditiile in care
celelalte variabile independente sunt considerate constante

7 Estimatorul unui parametru al modelului de regresie este

b) valoare reala si necunoscuta
c) valoare reala si cunoscuta, calculata
d) variabila determinista
e) variabila aleatoare

8 Sa studiat legatura dintre Valoare facturii (euro), vechimea abonamentului(ani) si durata totala a
convorbirilor (minute), pe un esantion de 250 de clienti ai unei companii de telecomunicatii. Rezultatele
obtinute sunt prezenatate in tabelul de mai jos.

Control variables Durata Valoarea facturii

convorbirilor
Vechimea Durata Corelation 1.000 .423
abonamentului convorbirii significance(2tailed) .000
df 0 247
Valoarea facturii Corelation .423 1,000
 significance(2tailed) .000 .
df 247 0

Sunt adevarate urmatoarele afirmatii :

a) Intre durata convorbirilor si valoarea facturii exista o corelatie partiala semnficativa statistic, pentru
un risc de 0,01
b) Intre durata convorbirilor si vechimea abonamentului exista o legatura directa, in conditiile in care
influenta variabilei Valoare facturii se mentine constanta
c) Valoarea calculata a statisticii Student este egala cu 7,34
d) Valoarea calculata a statisticii student este mai mare decta valoarea teoretica

9 In modelul de regresie liniara simpla de forma parametrul reprezinta

a) variabila aleatoare
b) Panta dreptei de regresie
c) Variatia medie absoluta a variabilei independente la o variatie absoluta cu o unitate a variabilei
dependente
10 in studiul legaturii dintre salariu (mii lei) si nivelul de educatie (ani), sau obtinut rezultatele prezentate in
tabelul urmator
Correlations
Y X
Y pearson corelation 1 .737
Sig(2-tailed) .015
N 10 10
X pearson corelation .737 1
Sig(2-tailed) .015
N 10 10
Correlation is significant at the 0.05 level(2tailed)
Pentru un rsic de 5% sunt corecte afirmatiile :

a) Intre salariu si educatie exista o corelatie inversa puternica

b) Pentru testarea semnificatiei intensitatii legaturii dintre cele 2 valori , valoarea teoretica a statisticii
test este 2,30e............?
c) Se respinge ipoteza : cu un risc de 5%

13 Raportul de determinare este egal cu 1 daca :

d) Erorile de modelare sunt nule
e) Modelul explica in totalitate legatura dintre variabile
 f) Variabilele din modelul sunt independente

15 Testarea influentei marginale a unei variabile independente in cadrul unui model multiplu presupune
a) Utilizarea unui test Fisher
b) Ipoteza ca reducerea/cresterea valorii raportului de determinatie nu este semnificativa
c) Utilizarea unui test Student
[Link] un esantion de 10 angajati al unei banci s-au observat urmatoarele variabile:salariu curent,vechimea
in munca si numarul de ani de [Link] aceste variabile s-au verificat un model liniar [Link]
dintre urmatoarele afirmatii sunt corecte?
[Link] de regresie B1 sunt de semne contrare
b. Coeficienti de regresie B1 au valori negative
c. Coeficienti de regresie B1 au valori pozitive
[Link] dependenta este salariu curent
[Link] urma prelucrarii datelor privind legatura dintre variabilele rata saraciei si ponderea persoanelor cu studii
superioare in totalul populatiei la nivelul unui esantion format din 30 de tari s-au obtinut rezulatatele din tabelul de
mai jos

a. nu se poate specifica variabila independent din modelul de regresie

b. variabila dependenta este ponderea persoanelor cu studii superioare si variabila independent este rata saraciei

c. variabila dependent este rata saraciei si variabila independenta este ponderea persoanelor cu studii superioare

[Link] determinista a modelului econometric liniar simplu este reprezentata de:

a. M(Y/X=x i) = э

b. M(Y/X= xi)= B0+B1 xi

c. M(Y/X=xi) = B0+B1xi+ э

3. Estimatorul unui parametru al modelului de regresie este

a. o valoare reala si necunoscuta

b. o variabila aleatoare

c. o marime fixa calculate la nivel de esantion

4. Pentru un model liniar multiplu de forma Y= B0+B1X1+B2X2+ э daca parametrul B1 este semnificativ statistic atunci

a. erorile sunt nule

b parametrul B2 nu este semnificativ statistic

c modelul de regresie are cel putin un factor care explica semnificativ variatia variabilei dependente

5, Pentru un esantion de tari se studiaza legatura dintre rata de crestere economica (RCE) rata somajului (RS) si
indicele preturilor de consum (IPC). Rezulatele obtinute sunt prezentate in tabelul de mai jos.

a. volumul esantionului pentru care s-a estimate coeficientul de corelatie partial este de 32 tari
b. intre rata de crestere economica si indicele preturilor de consum exista o legatura inversa, in conditiile in care
influenta variabilei rata somajului se mentine constanta
c. pentru un risc de 5% intre rata de crestere economica si indicele preturilor de consum exista o corelatie
partiala semnificativa statistic, in conditiile in care influenta variabilei rata somajului se mentine constanta

6. In urma prelucrarii datelor inregistrate la nivelul unui esantion , s-au obtinut rezultatele din tabelul de mai
jos:

Sunt adevarate urmatoarele afirmatii

a. raportul de corelatie este semnificativ, in conditiile unui risc de 5%
b. variatia totala a variabilei dependente Y este 4145,323
c. modelul de regresie este semnificativ , in conditiile unui risc de 1%

[Link] studiul legaturii dintre variabilele Valoarea lunara a facturii (euro) si vechimea abonamentului (luni) inregistrate
pentru 1000 de client a unei companii de telecomunicatii , s-au obtinut rezulatatele prezentate in urmatorul tabel :
a. R=0,227 si arata ca legatura dintre cele doua variabile este foarte puternica
b. 5% din variatia variabilei dependente Valoarea lunara a facturii este explicata de variatia variabilei
independente Vechimea Abonamentului
c. 5,1% din variatia variabilei dependente valoarea lunara a facturii este explicate de factorii reziduali
d. Daca vechimea abonamentului creste cu 10 luni, atunci valoarea lunara a facturii creste, in medie, cu 16,47 de
euro

[Link] coeficient de regresie intr-un model multiplu exprima:

a. variatia relativa a variabilei dependente daca o variabila independent variaza cu o unitate

b. variatia absoluta a variabilei dependente daca o variabila independenta, careia ii este atasat, variaza cu o
unitate si celelalte variabile raman constant

[Link] celor mai mici patrate , folosita pentru estimarea parametrilor modelului de regresie , presupune,

raspuns correct: B

10. Daca pentru un model de regresie de forma Y=Bo+B1 X + , ordonata la origine este semnificativa statistic
,atunci:

a. nu exista legatura statistica intre cele doua variabile

b. dreapta trece prin origine

c. media variabilei dependente este semnificativa chiar daca variabila independent la valoarea zero

11. Pentru examenul dat sunt corecte afirmatiile:

a. Intervalul de incredere pentru panta dreptei de regresie , considerand un risc de 0,05 este [0,132; 0,226]
 b. Constanta din modelul de regresie dintre cele doua variabile este semnificativa statistic, considerand un risc
de 0,05
c. Legatura dintre cele doua variabile este o legatura directa si slaba

12. Estimatiile sunt:

a. valori posibile ale estimatorilor

b. valori estimate la nivelul populatiei

c. marimi fixe calculate la nivel de esantion

13. Pentru un esantion de angajati se studiaza legatura dintre variabilele salariu (lei) numar de piese produse si
educatie (ani). Rezultatele obtinute sunt prezente in tabel:

Sunt corecte interpretarile:

a. Intre numarul de piese produse si salariu exista o legatura inversa

b. Intre educatie si salariu exista o legatura directa si slaba , atunci cand numarul de piese produse este
constanta
c. Intre educatie si salariu exista o legatura bivariate directa

14. In studiul legaturii dintre salariul current , vechimea in munca, salariul la angajare si nivelul de educatie
pentru un esantion de angajati, s-au obtinut urmatoarele rezultate:
Model R R square Adjusted r square Std, error of the
estimate
1 895 801 800 $ 7.650 626

a. R² 0,801 si arata ca 80,1% din variatia salariului curent este explicate prin variatia simultana a vechimii in
munca si a nivelul de educatie
b. R² 0,895 si arata ca 89,5% din variatia salariului curent este explicate prin variatia simultana a vechimii in
munca si a nivelul de educatie
c. R² 0,801 si arata ca 80,1% din variatia salariului curent este explicate prin variatia vechimii in munca si a
salariului la angajare, nivelul de educatie fiind mentinut constant

15. In stadiul legaturii dintre venitul mediu anual al gospodariei (mii euro) si valoarea imprumutului bancar (mii euro)
pe un esantion de 5000 persoane , s-au obtinut urmatoarele rezultate:

Model Sum of squares Df

[Link] 26053, 134 1
Residual 33150, 611
Total 59203, 744 4999

Dependent variable: valoarea imprumutului bancar

Pentru exemplul dat sunt corecte afirmatiile:

a. Raportul de corelatie estimate este egal cu 0,663

b. Valoarea calculate a statisticii test F (fisher) folosita pentru testarea raportului de corelatie este egala cu 3927,
939
c. 66,3% din variatia valorii imprumutului bancar este explicata de variatia venitului gospodariei
d. Numarul de parametri ai modelului este egal cu 2

16. Raportul de determinatie arata:

a. procentul variatiei variabilei dependente explicate de variatia variabilei independente

b. gradul de adecvare a modelului teoretic cu datele reale

c. gradul de intensitate a legaturii dintre 2 variabile

17. Modelele econometrice pot fi :

a. liniare

b. deterministe

c. neliniare

18. In urma prelucrarii datelor privind legatura dintre variabilele rata saraciei si ponderea persoanelor cu studii
superioare in totalul populatiei, la nivelul unui esantion format din 30 de tari , s-au obtinut rezultatele din tabelul de
mai jos

Se poate afirma ca:

a. Ordonata la origine este semnificativa statistic, in conditiile unui risc asumat de 1%

b. Ordonata la origine nu este semnificativa statistic, legatura dintre cele doua variabile este reprezentata
printr-un model de regresie liniara prin origine
c. Ordonata la origine este semnificativa statistic, in conditiile unui risc asumat de 10%

19. In studiul legaturii dintre variabilele Pretul autoturismului (euro) consumul de combustibil (litri/100km) si
capacitatea motorului (cm3) s-au obtinut rezulatele de mai jos
 Se poate aprecia ca:
a. Prin excluderea variabilei consumul de combustibil , valoarea R 2 scade cu 0,2%
b. Puterea explicative a modelului cu toate variabilele independente incluse este de 39,6%
c. Influenta marginala a consumului de combustibil asupra pretului nu este semnificativa statistic

20. Pentru un esantion de 109 tari ale lumii s-a studiat legatura dintre rata de fertilitate (nr de copii) speranta
de viata a populatiei feminine ( ani) si rata de alfabetizare a populatiei feminine (%) rezultatele analizei se afla
in tabelul de mai jos

Sunt adev arate:

a. La o crestere cu 10% a ratei de alfabetizare , rata de fertilitate scade in medie cu 0,34 unitati ,atunci cand
speranta de viata se mentine constanta
b. Speranta de viata are o importanta mai mare decat rata de alfabetizare asupra ratei de feritilitate
c. Cu un risc de 1% variabila rata de alfabetizare are o influenta partiala semnificativa statistic asupra
variabilei rata de fertilitate

21. La nivelul unui esantion de 25 tari , s-a studiat legatura dintre aportul zilnic de calorii (kcal) si produsul intern
brut(pib)

Model Unstand. Coef Standardized t Sig

B [Link] coeff
Beta
Constant 2404,613 56,466 42,585 0,0000
Pib pe cap de loc 0,060 0,006 0,751 9,724 0.0000

Pentru examenul dat sunt corecte affirm:

a. Intre cele doua variabile exista o legatura

b. Intre varibile nu exista nici o legatura semnificativa statistic
c. La o crestere cu o abatare standard a pib-ului variabila dependenta aportul caloric creste, I medie, cu 0,751
abateri standard
d. La o crestere cu 60 de dolari a pib-ului , variabila dependenta aportul caloric creste, in medi cu 2404, 613 kcal
22. in urma prelucrarii datelor pentru un esantion de persoane privind legatura dintre salariul curent (dolari) salariul la
angajare (dolari) –x1 nivelul de educatie (ani)-x2 si vechimea in munca –x3 s-au obtinut urm tab urmator:

Rs corect:

[Link] estimata a modelului legaturii dintre variabile este y= 1989.433 +1.689 X1+ 970.449 X2 +154.042 X3

1) În urma prelucrării datelor privind variabilele Y, X1 şi X2

seobţin următoarele rezultate:
Correlations

Control Variables Y X1
X2 Y Correlation 1.000 .956
Significance (2-tailed) . .003
df 0 4
X1 Correlation .956 1.000
Significance (2-tailed) .003 .
df 4 0

 0,956
Cu privire la coeficientul de corelaţie YX  X
r
, se poate 1 2

afirma că
a) măsoară legătura bivariată dintre variabilele Y şi X1
b) arată că între variabilele Y şi X1 există o legătură
directă, puternică, atunci când variaţia variabilei X2 se
menţine constantă
c) indică faptul că între variabilele Y şi X2 există o legătură
directă, puternică, atunci când variaţia variabilei X1 se
menţine constantă
--------------------------------------------------------------------
-
2) Rezultatele modelării legăturii dintre variabilele PIB/loc
($) şi Procentul de populaţie urbană (%), pentru un
eşantion de ţări în anul 2010, folosind modelul Compound, sunt
prezentate în tabelul de mai jos.
Coefficients

Unstandardized Standardized
Coefficients Coefficients
B Std. Error Beta t Sig.
 Pop_urbana 1,046 ,004 2,126 265,173 ,000
(Constant) 210,430 48,762 4,315 ,000
The dependent variable is ln(PIB).

Ecuaţia estimată a modelului de regresie este:

a) yx  210,43  1,046
X

b) yx  210,43x
1,046
c) yx  1,046 x
210,43

--------------------------------------------------------------------
-
3) Rezultatele modelării legăturii dintre variabilele PIB/loc
($) şi Procentul de populaţie urbană (%), pentru un
eşantion de ţări în anul 2010, folosind modelul Compound, sunt
prezentate în tabelul de mai jos.
Coefficients

Unstandardized Standardized
Coefficients Coefficients
B Std. Error Beta t Sig.
Pop_urbana 1,046 ,004 2,126 265,173 ,000
(Constant) 210,430 48,762 4,315 ,000
The dependent variable is ln(PIB).

Sunt corecte afirmaţiile:

a) la o creştere cu 1% a Populaţiei urbane, PIB/loc. scade în
medie cu (ln1,046 )  100%
b) la o creştere cu 1% a Populaţiei urbane, PIB/loc. creşte
în medie cu (ln 1,046 )  100%
c) la o creştere cu 1% a Populaţiei urbane, PIB/loc.
creşte în medie cu 104,6%.

4) În studiul legăturii dintre Rata inflaţiei (%) şi Rata

şomajului (%) înregistrate în România în perioada 1997-2008, s-au
obţinut următoarele rezultate:
Coefficients

Unstandardized Standardized
Coefficients Coefficients
B Std. Error Beta t Sig.
1/X 269,392 45,171 ,815 5,964 ,000
(Constant) 36,346 7,801 4,659 ,000

Sunt corecte afirmaţiile:

a) Rata inflaţiei scade în medie cu 269,392%, la o
creştere cu 1% a Ratei şomajului
b) Rata şomajului scade în medie cu 269,392%, la o
creştere cu 1% a Ratei inflaţiei
c) Rata medie a inflaţiei este de 36,346%, atunci când Rata
şomajului tinde spre infinit
--------------------------------------------------------------------
-
5) Rezultatele modelării legăturii dintre variabilele X (mii lei) şi
Y (mil. lei), pentru un eşantion de 109 ţări, se prezintă astfel:
Coefficients

Unstandardized Standardized
Coefficients Coefficients
B Std. Error Beta t Sig.
ln(X1) .697 .057 .944 12.164 .000
(Constant) 9.871 .898 10.994 .000
The dependent variable is ln(Y).

Sunt corecte afirmaţiile:

Y  9,871X 0,697
a) ecuaţia modelului estimat este x
b) ecuaţia modelului estimat este lnYx  ln 9,871  0,697  ln X
c) la o creştere cu 1% a valorii variabilei X, Y creşte
în medie cu 0,697 mil. lei.
--------------------------------------------------------------------
-
6) În studiul legăturii dintre valoarea cheltuielilor de
consum ale gospodăriilor (lei/lună) şi indicele preţurilor
de consum (IPC) din România (%), în perioada 1991-2010, s-
au obţinut următoarele rezultate:
Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta
1 (Constant) 133,816 8,009
X -7,390 1,016 -,864
a. Dependent Variable: Y

Pentru exemplul dat, sunt corecte afirmaţiile:

a) IPC are o influenţă puternică, inversă, asupra cheltuielilor
de consum
b) nivelul cheltuielilor de consum ale gospodăriilor scad,
în medie, cu 73,9 lei/lună, la o creştere cu 10% a
indicelui preţurilor de consum
c) pentru a asigura un consum de 120 lei/lună , IPC trebuie să
fie de 1,87%
--------------------------------------------------------------------
-
7) În studiul legăturii dintre consumul anual pentru un
produs (Y, kg/pers.), preţul produsului (X1, lei/kg) şi
venitul anual disponibil (X2, mii lei), s-a obţinut
următorul model
y  42  0,56  X 1  7 ,5  X 2
de regresie x
i

estimat:
Pentru exemplul dat, sunt corecte afirmaţiile:
a) consumul anual pentru acest produs scade, în medie, cu 3,92
kg/pers., dacă preţul creşte cu 7 lei/kg, considerând
constantă influenţa venitului
b) consumul anual pentru acest produs scade, în medie, cu 0,56
kg/pers., dacă preţul creşte cu 7 lei/kg,
considerând constantă influenţa venitului
c) consumul anual pentru acest produs creşte, în medie, cu
11,08 kg/pers., dacă preţul creşte cu 7 lei/kg şi venitul anual
creşte cu 2 mii lei.
--------------------------------------------------------------------
-
8) Datele privind variabilele X şi Y sunt reprezentate în figura de mai
jos:
 Y

60,00 Observed
Estimated

50,00

40,00

30,00

20,00

10,00

3,00 4,00 5,00 6,00 7,00 8,00 9,00 10,00

Ecuaţia teoretică a curbei care ajustează legătura dintre

variabile este
a) Y  0  1  X   2  X  
2

b) Y  0  1  X 1   2  X 2 
2


c) Y  0  1  e 
X

--------------------------------------------------------------------
-
9) În studiul legăturii dintre costul unitar (lei) şi producţia
realizată (tone) s-au obţinut următoarele rezultate:
Coefficients

Unstandardized Standardized
Coefficients Coefficients
B Std. Error Beta t Sig.
Productie -,009 ,001 -4,897 -14,094 ,000
Productie ** 2 7,73E-006 ,000 4,809 13,839 ,000
(Constant) 5,886 ,142 41,431 ,000

Pentru exemplul dat, sunt corecte afirmaţiile:

6
a) ecuaţia estimată este: YX  5,886  0,009 X  7 ,73  10  X
2

b) legătura de tip parabolic admite un punct de minim

6
c) ecuaţia estimată este: YX  5,886  0,009 X 1  7 ,73  10  X2
2

d) nivelul optim al costului se atinge pentru o producţie de 582,14

tone.
10) Rezultatele modelării legăturii dintre variabilele X
(mii lei) şi Y (mil. lei), printr-un model Growth, se prezintă în
tabelul de mai jos.
 Coefficients

Unstandardized Standardized
Coefficients Coefficients
B Std. Error Beta t Sig.
X1 .130 .014 .912 9.412 .000
(Constant) 2.720 .073 37.090 .000
The dependent variable is ln(Y).

Sunt corecte afirmaţiile:

a) ecuaţia modelului estimat este lnYx  2,72  0,13  X
b) atunci când X=0, nivelul mediu estimat al lui Y este e2,72
c) la o creştere a lui X cu o mie de lei, Y creşte în medie cu
13%

11) Rezultatele modelării legăturii dintre variabilele X (mii lei)

şi Y (mil. lei), printr-un model exponenţial, se prezintă în
tabelul de mai jos.
Coefficients

Unstandardized Standardized
Coefficients Coefficients
B Std. Error Beta t Sig.
X1 .130 .014 .912 9.412 .000
(Constant) 15.175 1.113 13.638 .000
The depend ent variable is ln(Y).

Sunt corecte afirmaţiile:

a) ecuaţia modelului estimat este lnYx  ln 15,175  0,13  X
b) la o creştere a lui X cu 1%, Y creşte în medie cu 13%
c) la o creştere a lui X cu o mie de lei, Y creşte în
medie cu 13%

12) Rezultatele modelării legăturii dintre variabilele X (mii lei) şi

Y (mil. lei) se prezintă în tabelul de mai jos.

Coefficients

Unstandardized Standardized
Coefficients Coefficients
B Std. Error Beta t Sig.
ln(X) 20.535 3.396 .961 6.047 .009
(Constant) -1.799 5.388 -.334 .760

Sunt corecte afirmaţiile:

a) ecuaţia modelului estimat este Yx  1,799  20,535  ln X
b) ecuaţia modelului estimat este ln Yx  1,799  20,535  ln X
c) la o creştere a lui X cu 1%, Y creşte în medie cu
20,535 mil. lei
d) la o creştere a lui X cu 1%, Y creşte în medie cu
0,20535 mil. lei

13) În studiul legăturii dintre Salariu (mii lei) şi Nivelul de

educaţie (ani), pentru un eşantion format din 25
persoane, s-au obţinut rezultatele prezentate în tabelul
următor:
 Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) -18331.2 2821.912 -6.496 .000
Nivel de educatie 3909.907 204.547 .774 19.115 .000
a. Dependent Variable: Salariu

Care dintre afirmaţiile următoare sunt corecte?

a) parametrul β1 este semnificativ diferit de zero
b) între cele două variabile există o legătură directă
c) Nivelul de educaţie are o influenţă semnificativă
asupra Salariului
????( din ANOVA)

14) În urma prelucrării datelor privind mai multe variabile se

obţin următoarele rezultate:

Model Summary

Change Statistics
Adjusted Std. Error of R Square
Model R R Square R Square the Estimate Change F Change df1 df2 Sig. F Change
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), Average female life expectancy, People living in cities (%), Daily calorie intake, People who read (% )
b. Predictors: (Constant), Average female life expectancy, Daily calorie intake, People who read (%)

Sunt corecte afirmaţiile:

a) prin excluderea variabilei People living in cities modelul a fost
 îmbunătăţit
b) excluderea variabilei People living in cities nu a
modificat semnificativ puterea explicativă a modelului
c) după excluderea variabilei People living in cities valoarea
R2 a scăzut cu 0.003
d) influenţa parţială a
variabilei People living in
cities
asupra variabilei dependente nu este
semnificativă
????
1 Pentru variabilele salariu (lei), productia de salariat(piese), experienta(luni), si educatia (ani),
s-au obtinut rezultatele:
coefficients
Model Unstandardized Standardized
coefficients coefficients Correlations
B [Link] Beta t Sig Zero- partial Part
order
1(constant) -3,695 1,960 -1,885 ,060
Prod 1,747 ,061 ,808 28,831 ,000 ,881 ,807 ,605
Educatie ,745 ,171 ,125 4,362 ,000 ,656 ,202 ,092
exp -,016 ,004 -,100 -4,449 ,000 -,084 -,206 -,093
Dependent variable:salariu

Au loc concluziile:
[Link] un risc de 1% productia are o influenta partiala directa semnificativa pentru salariu
[Link] o incredere de 0,95 nivelul mediu al salariului nu este semnificativ statistic,in conditiile in care
factorii de influenta d.. sunt nuli
[Link] modelului de regresie liniara multipla nu este semnificativa

[Link] testarea semnificatiei unui model de regresie liniara simpla ,sau obtinut datele prezentate in
tabelul de mai jos:
Model Sum of df Mean Square F Sig
Squares
Regression 310.083 1 310.083 205.061 0.000
Residual 24.194 16 1.512
Total 334.278 17

c.H0:B0=0;B1=0
H1=B0≠0;B1≠0
[Link] studiul legaturii dintre consumul anual pentru un produs (Y,kg/pers.),pretul produsului(X1,lei/kg) si
venitul anual disponibil (x2,mii lei),s-a obtinut urmatorul model de regresie estimat:𝑦𝑥𝑖 =37,54-
0.88X1+11.9X2
Pentru exemplu dat sunt corecte afirmatiile:
[Link] mediu anual pentru acest produs scade cu 0.88 kg/pers ,daca pretu creste cu 5 lei/kg
,considerand constanta influenta venitului
b. consumul anual pentru acest produs scade,in medie,cu 4,4 kg/pers, daca pretu creste cu 5
lei/kg,considerand constanta influenta venitului
c. consumul mediu anual pentru acest produs scade cu 119 kg/pers,daca venitul anual scade cu 10 mii lei
,daca pretul nu sa modificat
Scanned by CamScanner
Scanned by CamScanner
Scanned by CamScanner
Scanned by CamScanner
Scanned by CamScanner
Scanned by CamScanner
Scanned by CamScanner
Scanned by CamScanner
 Tipuri de întrebări grilă

1) Rezultatele modelării legăturii dintre variabilele PIB/loc ($) şi Procentul de populaţie urbană (%), pentru un
eşantion de ţări în anul 2010, folosind modelul Compound, sunt prezentate în tabelul de mai jos.
Coe fficients

Unstandardiz ed Standardized
Coef f icients Coef f icients
B Std. Error Beta t Sig.
Pop_urbana 1,046 ,004 2,126 265,173 ,000
(Cons tant) 210,430 48,762 4,315 ,000
The dependent variable is ln(PIB).

Ecuaţia estimată a modelului de regresie este:

a) y x = 210 ,43  1,046

X

b) y x = 210 ,43 x
1,046

c) y x = 1,046 x
210 ,43

2) Rezultatele modelării legăturii dintre variabilele PIB/loc ($) şi Procentul de populaţie urbană (%), pentru un
eşantion de ţări în anul 2010, folosind modelul Compound, sunt prezentate în tabelul de mai jos.
Coe fficients

Unstandardiz ed Standardized
Coef f icients Coef f icients
B Std. Error Beta t Sig.
Pop_urbana 1,046 ,004 2,126 265,173 ,000
(Cons tant) 210,430 48,762 4,315 ,000
The dependent variable is ln(PIB).

Sunt corecte afirmaţiile:

a) la o creştere cu 1% a Populaţiei urbane, PIB/loc. scade în medie cu (ln 1,046 )  100%
b) la o creştere cu 1% a Populaţiei urbane, PIB/loc. creşte în medie cu (ln 1,046 )  100%
c) la o creştere cu 1% a Populaţiei urbane, PIB/loc. creşte în medie cu 104,6%.

3) Rezultatele modelării legăturii dintre variabilele X (mii lei) şi Y (mil. lei), pentru un eşantion de 109 ţări, se
prezintă astfel:
Coe fficients

Unstandardiz ed Standardized
Coef f icients Coef f icients
B Std. Error Beta t Sig.
ln(X1) .697 .057 .944 12.164 .000
(Cons tant) 9.871 .898 10.994 .000
The dependent v ariable is ln(Y).

Sunt corecte afirmaţiile:

a) ecuaţia modelului estimat este Yx = 9 ,871 X
0 ,697

b) ecuaţia modelului estimat este ln Yx = ln 9 ,871 + 0 ,697  ln X

1
c) la o creştere cu 1% a valorii variabilei X, Y creşte în medie cu 0,697 mil. lei.

4) În studiul legăturii dintre costul unitar (lei) şi producţia realizată (tone) s-au obţinut următoarele rezultate:
Coe fficients

Unstandardiz ed Standardized
Coef f icients Coef f icients
B Std. Error Beta t Sig.
Produc tie -,009 ,001 -4,897 -14,094 ,000
Produc tie ** 2 7,73E-006 ,000 4,809 13,839 ,000
(Cons tant) 5,886 ,142 41,431 ,000

Pentru exemplul dat, sunt corecte afirmaţiile:

−6
a) ecuaţia estimată este: Y X = 5 ,886 − 0 ,009 X + 7 ,73  10  X
2

b) legătura de tip parabolic admite un punct de minim

−6
c) ecuaţia estimată este: Y X = 5 ,886 − 0 ,009 X 1 + 7 ,73  10  X 2
2

d) nivelul optim al costului se atinge pentru o producţie de 582,14 tone.

5) Rezultatele modelării legăturii dintre variabilele X (mii lei) şi Y (mil. lei), printr-un model Growth, se prezintă
în tabelul de mai jos.
Coe fficients

Unstandardiz ed Standardized
Coef f icients Coef f icients
B Std. Error Beta t Sig.
X1 .130 .014 .912 9.412 .000
(Cons tant) 2.720 .073 37.090 .000
The dependent v ariable is ln(Y).

Sunt corecte afirmaţiile:

a) ecuaţia modelului estimat este ln Yx = 2 ,72 + 0 ,13  X
b) atunci când X=0, nivelul mediu estimat al lui Y este e2,72
c) la o creştere a lui X cu o mie de lei, Y creşte în medie cu 13%

6) Rezultatele modelării legăturii dintre variabilele X (mii lei) şi Y (mil. lei), printr-un model exponenţial, se
prezintă în tabelul de mai jos.
Coe fficients

Unstandardiz ed Standardized
Coef f icients Coef f icients
B Std. Error Beta t Sig.
X1 .130 .014 .912 9.412 .000
(Cons tant) 15.175 1.113 13.638 .000
The dependent v ariable is ln(Y).

Sunt corecte afirmaţiile:

a) ecuaţia modelului estimat este ln Yx = ln 15 ,175 + 0 ,13  X
b) la o creştere a lui X cu 1%, Y creşte în medie cu 13%
c) la o creştere a lui X cu o mie de lei, Y creşte în medie cu 13%
2
7) Rezultatele modelării legăturii dintre variabilele X (mii lei) şi Y (mil. lei) se prezintă în tabelul de mai jos.

Sunt corecte afirmaţiile:

a) ecuaţia modelului estimat este Yx = −1,799 + 20 ,535  ln X
b) ecuaţia modelului estimat este ln Yx = −1,799 + 20 ,535  ln X
c) la o creştere a lui X cu 1%, Y creşte în medie cu 20,535 mil. lei
d) la o creştere a lui X cu 1%, Y creşte în medie cu 0,20535 mil. lei

8) În studiul legăturii dintre două variabile, s-au obţinut următoarele rezultate: TEST JB
Statistics

Score
N Valid 48
Mis sing 0
Skew nes s ,038
Std. Error of Skew ness ,343
Kurtosis -,961
Std. Error of Kurtos is ,674

Pentru exemplul dat, asumându-ne un risc de 0,05, se poate considera că

a) se acceptă ipoteza de normalitate a erorilor
b) se respinge ipoteza de normalitate a erorilor
c) se acceptă ipoteza de necorelare a erorilor
d) valoarea teoretică a statisticii test este  0 ,05 ;2 = 5 ,991 .
2

9) În urma prelucrării datelor pentru un eşantion de volum n=35 unităţi, s-a estimat un model de forma
Y=β0+β1X+ε şi s-au obţinut următoarele rezultate:
b
Model Sum m ary

Adjusted Std. Error of Durbin-

Model R R Square R Square the Estimate Wats on
1 ,081 a ,007 -,015 ,509 ,244
a. Predictors: (Constant), Score
b. Dependent Variable: Tension

Pentru un risc asumat egal cu 0,05, se poate considera că (α=0.05 și n=35 dL=1.402 si dU=1.519):
a) erorile de modelare sunt autocorelate pozitiv
b) erorile de modelare sunt autocorelate negativ
c) nu este posibilă luarea unei decizii cu privire la existenţa autocorelării erorilor

10) Încălcarea ipotezei de homoscedasticitate are ca efect:

a) pierderea eficienţei estimatorilor parametrilor modelului de regresie
3
b) pierderea eficienţei estimatorului variabilei dependente
c) pierderea eficienţei estimatorului variabilei independente

11) Dacă între variabilele independente se înregistrează o coliniaritate perfectă, atunci (varianţa estimatorilor
este):
a) infinită
b) nulă
c) mare
d) variabilele se reprezinta grafic printr-o dreapta

12) În studiul legăturii dintre două variabile, X şi Y, se estimează coeficientul de corelaţie neparametrică
Spearman între variabila independentă şi erorile de modelare şi se obţin următoarele rezultate:
Cor relations

Tens ion Score

Spearman's rho Tens ion Correlation Coef f icient 1,000 ,086
Sig. (2-tailed) . ,560
N 48 48
Score Correlation Coef f icient ,086 1,000
Sig. (2-tailed) ,560 .
N 48 48

Pentru un risc asumat egal cu 0,05, se poate considera că:

a) erorile de modelare sunt autocorelate
b) erorile de modelare sunt homoscedastice
c) erorile de modelare urmează o lege normală

13) În urma analizei legăturilor dintre variabilele independente ale unui model de regresie, s-au obţinut
următoarele rezultate:

Valoarea indicatorului VIF pentru variabila X1 arată că:

a) variabila X1 nu introduce fenomenul de coliniaritate
b) 5% din variaţia variabilei X1 este explicată liniar de variaţia celorlalte variabile independente
c) există coliniariate între variabilele independente
valorile sunt mai mici decat 10

4
14) În vederea testării ipotezei privind valoarea mediei erorilor ε ale unui model de regresie liniară simplă s-au
obţinut următoarele rezultate:
One-Sample Statistics

Std. Error
N Mean Std. Deviation Mean
Unstandardized Residual 15 ,0000000 73271,63549 18918,65

Pentru exemplul dat, considerând un risc de 0,05 şi n=15, se poate considera că:
a) se respinge ipoteza H 0 : M (  i ) = 0
b) se acceptă ipoteza H 0 : M (  i ) = 0
c) se acceptă ipoteza H 0 : M (  i )  0
d) valoarea teoretică a statisticii test t Student este t0.025 ,14 = 2 ,145.

15) În vederea testării normalităţii erorilor unui model de regresie, s-au obţinut următoarele rezultate:
One -Sam ple Kolm ogorov-Sm irnov Tes t

Tens ion
N 12
Normal Parameters a,b Mean 1.50
Std. Dev iation .522
Mos t Ex treme Abs olute .331
Dif f erences Positive .331
Negative -.331
Kolmogorov-Smirnov Z 1.146
Asy mp. Sig. (2-tailed) .145
a. Test dis tribution is Normal.
b. Calc ulated f rom data.

Considerând un risc de 0,05, se poate considera că

a) erorile urmează o lege normală
b) erorile nu urmează o lege normală
c) erorile sunt homoscedastice
d) erorile sunt necorelate

16) În urma analizei coliniarităţii pentru un model liniar multivariat, s-au obţinut rezultatele din tabelul de mai
jos:

Colinearity Statistics
Tolerance VIF
(Constant)
X1 .006 166.66>10
X2 .473 ?
X3 .073 13,69>10

Pe baza datelor din tabelul de mai sus alegeţi afirmaţiile corecte:

a) rapoartele de determinaţie (R2) pentru cele 3 modele de regresie auxiliare sunt 0,994; 0,527 si 0,927;
b) există variabile independente care introduc fenomenul de coliniaritate
5
c) nu există variabile independente care introduc fenomenul de coliniaritate
d) valoarea care lipseste este 2,11
e) 52,7% din variatia variabilei X2 este explicata prin variatia simultana a variabilelor X1 si X3
f) Variabila X1 este coliniara in raport cu variabila dependenta
era corecta daca era *indepentente*
17) Dacă norul de puncte rezultat prin reprezentarea grafică a variabilei X şi a variabilei ln(Y) poate fi
aproximat printr-o dreaptă, modelul de regresie este:
a) exponenţial/ de crestere/ compus
b) putere
c) hiperbolic

18) Elasticitatea cererii în raport cu preţul se poate estima cu ajutorul:

a) unui model log-liniar
b) unui model semilogaritmic
c) unui model putere

19) Testul Fisher poate fi utilizat pentru:

a) verificarea ipotezei de normalitate
b) verificarea semnificaţiei raportului de corelaţie
c) verificarea ipotezei de multicoliniaritate a variabilelor independente
d) verificarea corectitudinii modelului de regresie ales

20) Prin autocorelare înţelegem că:

a) variabilele independente Xi din model sunt corelate între ele
b) erorile de modelare nu sunt independente
c) erorile de modelare sunt corelate cu una sau mai multe variabile independente

21) În urma modelării Salariului în funcţie de Vechime, pentru verificarea ipotezelor de regresie s-a obtinut
rezultatul de mai jos. Pentru un risc asumat de 5%, care dintre urmatoarele afirmatii sunt adevarate?

a) erorile sunt homoscedastice

b) variatia erorii de modelare este influentata semnificativ de variatia variabilei Vechime
c) variantele erorii de modelare sunt egale si constante- daca erau homoscedastice
d) modelul este heteroscedastic-seminificativ statistic-sig< alfa

22) Între variabilele cost unitar şi nivelul producţiei există o legătură de tip:
a) log-liniar
b) parabolic
c) putere

6
23) Dacă se doreşte estimarea variaţiei medii relative(ln) a variabilei dependente la o variaţie absolută(fara ln)
cu o unitate a variabilei independente, se utilizează un model de tipul:
a) ln Y =  0 +  1 X + 
b)
ln Y = ln  0 + 1 ln X + 

c)
Y =  0 + 1 X + 

24) Rezultatele modelării pentru variabilele PIB/loc ($) şi speranţă medie de viaţă (ani), pentru un eşantion de
ţări, în anul 2012, sunt prezentate în tabelul de mai jos.
Coe fficients

Unstandardiz ed Standardized
Coef f icients Coef f icients
B Std. Error Beta t Sig.
ln(PIB / loc) .095 .007 .807 14.153 .000
(Cons tant) 32.713 1.761 18.573 .000
The dependent v ariable is ln(Speranta medie de v iata).

Au loc enunţurile:
a) elasticitatea speranţei de viaţă în raport cu PIB/loc este 0,095%
b) nivelul mediu estimat al speranţei de viaţă creşte cu 0,095% la o creştere a PIB/loc cu 1%
c) nivelul mediu estimat al speranţei de viaţă creşte cu 9,5% la o creştere a PIB/loc cu 1%
d) parametrii sunt semnificativi pentru un risc de 5%

25) În studiul legăturii dintre Rata mortalităţii infantile (%) şi PIB, realizat pentru un eşantion de ţări, s-au
obţinut următoarele rezultate:

Sunt valabile afirmatiile:

a) Modelul care are cea mai redusă putere explicativă este modelul liniar – R Square
b) Modelul cel mai adecvat este modelul putere R Square
c) Toate modelele sunt semnificative pentru un risc de 5% - sig<alfa

7
TEORIE
Atenție la:
1. Noțiunile de parametri, estimatori, estimații
 Parametrul – este o caracteristică numerică a variabilei X la nivelul populaţiei (ex: media
 , dispersia  2 etc); este o valoare numerică necunoscută, care face obiectul procesului
de estimare
 Estimaţia – este o caracteristică a variabilei X la nivelul eşantionului, o valoare reală,
2
cunoscută (ex: media x , dispersia s ' etc)
 Estimatorul – este o variabilă aleatoare, care are ca valori estimaţiile determinate pe baza
celor k eşantioane, de volum n, posibil de extras (ex. ̂ , ˆ )
'2

2. Proprietățile estimatorilor

1) Un estimator este nedeplasat dacă media sau speranţa matematică a acestuia este egală cu
parametrul:
M (ˆ)  
2) Un estimator este convergent dacă varianţa estimatorului tinde spre 0, atunci când volumul
eşantionului tinde spre 
V (ˆ)  0 dacă n  
3) Un estimatorul este eficient dacă este nedeplasat şi are dispersia sau varianţa cea mai mică faţă
de varianţa oricărui alt estimator nedeplasat posibil pentru parametrul considerat, calculat pentru
acelaşi eşantion de volum n:
V (ˆ)  min im

3. Demersul cercetării econometrice

a) Formularea problemei în termeni economici, plecând de la o teorie economică.
b) Specificarea modelului matematic al teoriei economice.
c) Specificarea modelului econometric
d) Estimarea parametrilor modelului econometric
e) Testarea ipotezelor statistice.
f) Interpretarea parametrilor modelului econometric în cadrul teoriei economice.

1
g) Utilizarea modelului econometric estimat pentru predicţii şi luarea de decizii în politica
economică.

4. Prezentarea generală a modelului de regresie:

 tipuri de variabile (dependente, independente, reziduale)
 parametri:
 în RLS: ordonata la origine, panta dreptei regresie;

 în RLM: j - coeficient de regresie parțială; reprezintă variaţia medie a variabilei
Y la variația cu o unitate a variabilei independente Xj, în condiţiile în care variaţia
celorlalte variabile independente este constantă. Măsoară influenţa parţială a
variabilei independente Xj asupra variabilei dependente.
 componentele (deterministă și stochastică)

5. Interpretarea coeficienților de corelație bivariată și, respectiv, parțială

• Coeficientul de corelație bivariată (Pearson): Se utilizează pentru măsurarea intensităţii
legăturii în cazul unei regresii liniare simple.
-1≤ρ≤1

Interpretare..............

Obs. Coeficienţii de corelaţie bivariată măsoară dependenţa dintre două variabile, fără a
lua în considerare influenţa celorlalte variabile.

Dacă, la nivelul eşantionului, variabilele X si Y se standardizează, între r şi b1 are loc

relația r  b1std adică, coeficientul de corelație este egal cu valoarea standardizată a

coeficientului de regresie 1 .

Correlations

GDP_PPC CH_Educatie
GDP_PPC Pearson Correlation 1 .454*
Sig. (2-tailed) .039
N 23 21
CH_Educatie Pearson Correlation .454* 1
Sig. (2-tailed) .039
N 21 24
*. Correlation is significant at the 0.05 level (2-tailed).

2
 Coefficientsa

Unstandardized Standardized
Coefficients Coefficients 95% Confidence Interval for B
Model B Std. Error Beta t Sig. Lower Bound Upper Bound
1 (Constant) 3.901 .937 4.163 .001 1.940 5.863
GDP_PPC .082 .037 .454 2.221 .039 .005 .160
a. Dependent Variable: CH_Educatie

• Coeficientul de corelație parțială măsoară dependenţa dintre două variabile, considerând

constantă influenţa celorlalte variabile independente din modelul econometric.

- Intervalul [-1; 1]

6. Raportul de determinație
V V
 2  E  1 R
VT VT
ESS RSS
R2   1
TSS TSS
[0, 1] sau [0, 100%]

Interpretare:
 În RLS : arată cât la sută din variaţia variabilei dependente Y este explicată de variaţia
variabilei independente considerate, prin modelul de regresie specificat, diferența până la
100% datorându-se influenței factorilor aleatori (nespecificați în model).

3
 În RLM : arată cât la sută din variaţia variabilei dependente Y este explicată de variaţia
simultană a variabilelor independente considerate, prin modelul de regresie specificat,
diferența până la 100% datorându-se influenței factorilor aleatori (nespecificați în model)

Raportul de determinaţie multiplă ajustat!!! - Ţine seama de numărul parametrilor din

model, respectiv, de numărul gradelor de libertate.
RSS /(n  k ) n 1
R 2  1  1  (1  R 2 )
TSS /(n  1) nk
R 2  R 2 pt k >1.

7. În regresia liniară simplă, între raportul de corelație și coeficientul de corelație există

relația:
R2  r 2
sau R  r

8. Raportul de corelaţie, simplă sau multiplă

9. Testarea indicatorilor de corelație :

 Coeficienții de corelație, bivariată sau parțială – testul t- Student
r r n2
- BIVARIATĂ : t  
s ˆ 1 r 2
r r nk
- PARTIALA : t  
s ˆ 1 r2
 Raportul de corelație, simplă sau multiplă – testul F – Fisher
R2 n  k ESS n  k
F  F 
1 R k 1
2
RSS k  1

10. Testarea modelului de regresie – testul F – Fisher

H0: modelul NU este semnificativ statistic ( 𝛽 = 0, 𝑝𝑡 𝑗 = 0, 1, 2, … . , 𝑘 )
H1: modelul de regresie este semnificativ statistic (coeficienții de regresie nu sunt toți
simultan nuli)

F , v1 , v2 v1  k  1; v2  n  k
,

ESS n  k
F 
RSS k  1

4
Aplicații. Regresia liniară simplă

PROBLEMA [Link] studiul legăturii dintre PIB/loc ($) și rata de urbanizare (%) se obțin
următoarele rezultate pentru un eșantion de 150 de țări:
Model Summary

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 ,605a ,366 ,360 5207,436
a. Predictors: (Constant), rata de urbanizare (%)

Sunt valabile enunțurile:

a.între variabilele PIB/loc și rata de urbanizare există o legătură de intensitate medie
b. 60,5 % din variația variabilei PIB/loc este explicată prin variația ratei de urbanizare
c. pentru un risc asumat de 0,05 modelul de regresie nu este semnificativ statistic
d. între cele două variabile există o corelație pozitivă.

PROBLEMA 2. În studiul legăturii dintre cheltuielile și veniturile unui eșantion de gospodării, s-

au obținut următoarele rezultate:
ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 519895,330 1 519895,330 10696,150 ,000a
Residual 486,058 10 48,606
Total 520381,388 11
a. Predictors: (Constant), Ven_ro
b. Dependent Variable: Che_ro

Sunt valabile afirmațiile:

a. raportul de corelație estimat este egal cu 0,999
b. modelul de regresie estimat nu este semnificativ statistic pentru un risc asumat de 0,05
c. eșantionul analizat este de volum n=11 unități
d. numărul coeficienților de regresie este egal cu 1.

PROBLEMA 3. În studiul legăturii liniare dintre salariul curent și primul salariu pentru un
eșantion de 474 angajați s-a obținut un coeficient de corelație egal cu 0,88. Sunt valabile
afirmațiile:
a. coeficientul de corelație este semnificativ diferit de zero, pentru un risc asumat de 0,05
b. numărul de grade de libertate pentru testul Student necesar testării coeficientului de corelație
este egal cu 473
c.între salariul curent și primul salariu există o legătură puternică și inversă.
d. raportul de corelație ajustat este egal cu 0,0773

5
Regresia liniara multipla

INTREBAREA1. În studiul legăturii dintre salariul curent ($), primul salariu($) şi nivelul de
educaţie (ani de studii) s-au obţinut următoarele rezultate:
Model Summary
Adjusted R Std. Error of
Model R R Square Square the Estimate
1 ,890a ,792 ,792 $7.796,524
a. Predictors: (Constant), Primul salariu, Nivelul de
educatie (ani)
Pentru exemplul dat, raportul de corelaţie estimat şi interpretarea corectă sunt:
a) R=0,89 şi arată că legătura dintre variabila salariul curent şi variaţia simultană a primului salariu
şi a nivelului de educaţie este puternică.
b) R=0,792 şi arată că legătura dintre variabila salariul curent şivariaţia simultană a primului
salariu şi a nivelului de educaţie este foarte puternică.
c) R=0,89 şi arată că legătura dintre variabila salariul curent şivariaţia simultană a primului salariu
şi a nivelului de educaţie este foarte puternică şi directă.

INTREBAREA 2.În studiul legăturii dintre salariul curent ($), primul salariu($) şi nivelul de
educaţie (ani de studii) s-au obţinut următoarele rezultate:
Model Summary
Adjusted R Std. Error of
Model R R Square Square the Estimate
1 ,890a ,792 ,792 $7.796,524
a. Predictors: (Constant), Primul salariu, Nivelul de
educatie (ani)
Pentru exemplul dat, raportul de determinaţie estimat şi interpretarea corectă sunt:
a. R 2 = 0,792 şi arată că 79,2% din variaţia salariului curent este explicată prin variaţia simultană
a primului salariu și a nivelului de educație.
b. R 2 = 0,89 şi arată că 89% din variaţiasalariului curent este explicată prin variaţia simultană a
primului salariu și nivelului de educație.
c. R 2 = 0,792 şi arată că 79,2% din variaţia salariului curent este explicată prin variaţia simultană
a primului salariu și nivelul de educație se menţine constant.

6
INTREBAREA 3.
În studiul legăturii dintre salariul curent ($), primul salariu($) şi nivelul de educaţie (ani de studii)
s-au obţinut următoarele rezultate:
Coefficientsa
Standardized
Untandardized Coefficient Coefficient
Model B Std. Error Beta t Sig.
1 (Contant) -7808,714 1753,860 -4,452 ,000
Nivelul de educaţie
(ani) 1020,390 160,550 ,172 6,356 ,000

Primul salariu 28,42

1,673 ,059 ,771 ,000
3
a. Dependent Variable: Salariul curent

Pentru exemplul dat, sunt corecte afirmaţiile:

a) cu o încredere de 99% variabila primul salariu are o influenţă parţială semnificativă statistic
pentru variabila salariu curent.
b) la o creştere cu un an al nivelului de educaţie salariul creşte în medie cu 1020,39 $ dacă primul
salariu este 0.
c) între salariu curent şi primul salariu există o dependenţă parţială inversă.

INTREBAREA 4.
În studiul legăturii dintre salariul curent ($), primul salariu($) şi nivelul de educaţie (ani de studii)
s-au obţinut următoarele rezultate:
Coefficientsa
Standardized
UntandardizedCoefficient Coefficient
Model B Std. Error Beta t Sig.
1 (Constant) -7808,714 1753,860 -4,452 ,000
Nivelul de educaţie
1020,390 160,550 ,172 6,356 ,000
(ani)
Primul salariu 1,673 ,059 ,771 28,423 ,000
a. Dependent Variable: Salariul curent

Sunt valabile enunţurile:

a. modelul de regresie este nesemnificativ statistic.
b. la o creştere a nivelului de educaţie cu un an, salariul curent creşte în medie cu 1020,39 $, dacă
primul salariu rămâne acelaşi
[Link] un risc de 5%, constanta modelului este semnificativă statistic.

7
INTREBAREA 5. În studiul legăturii dintre salariul curent ($), primul salariu($) şi nivelul de
educaţie (ani de studii) s-au obţinut următoarele rezultate:
Coefficientsa
Standardized
UnstandardizedCoefficients Coefficients Correlations
Zero-
Model B Std. Error Beta t Sig. order Partial Part
1 (Constant) -7808,714 1753,860 -4,452 ,000
Primul
1,673 ,059 ,771 28,423 ,000 ,880 ,795 ,597
salariu
Nivelul de
educaţie 1020,390 160,550 ,172 6,356 ,000 ,661 ,281 ,133
(ani)
a. Dependent Variable:
Salariul curent
Sunt valabile enunţurile:
a) legătura dintre salariul curent şi primul salariu este directă şi slabă.
b) în raport cu intensitatea influenţei exercitate asupra variabilei dependente, factorii independenţi
se ierarhizează astfel: Nivelul de educaţie, Primul Salariu.
c) în raport cu intensitatea influenţei exercitate asupra variabilei dependente, factorii independenţi
se ierarhizează astfel: Primul Salariu, Nivelul de educaţie.

INTREBAREA 6.
În studiul legăturii dintre salariul curent ($), primul salariu($) şi nivelul de educaţie (ani de studii)
pentru un eşantion de 400 angajati s-au obţinut următoarele rezultate:
Coefficientsa
Unstandardized
Coefficients Standardized Coefficients Correlations
Zero-
Model B Std. Error Beta t Sig. order Partial Part
1 Constant -7808,714 1753,860 -4,452 ,000
Primul
1,673 ,059 ,771 28,423 ,000 ,880 ,795 ,597
salariu
Nivelul de
1020,390 160,550 ,172 6,356 ,000 ,661 ,281 ,133
educaţie
a. Dependent Variable:
Salariul curent

Sunt valabile enunţurile:

8
a. Coeficientul de corelaţie parţială a salariului curent cu primul salariu indică o legătură pozitivă
puternică.
b. influenţa parţială a nivelului de educaţie asupra salariului curent este nesemnificativă statistic
pentru un risc asumat de 5%.
c. Statistica testului Student pentru testarea coeficienţilor de corelaţie parţială urmează o repartiţie
Student cu n-3 grade de libertate.

INTREBAREA 7.
În studiul legăturii dintre mortalitatea infantilă, Rata de alfabetizare, Populaţia urbană, Aportul de
calorii şi Speranta medie de viaţă a femeilor s-au obţinut următoarele rezultate:
Model Summary

ChangeStatistics
R Adjusted R Std. Error of the R Square F
Model R Square Square Estimate Change Change df1 df2 Sig. F Change
1 ,978a ,956 ,954 8,3351 ,956 377,021 4 69 ,000
2 ,978b ,956 ,954 8,2853 ,000 ,165 1 69 ,686
a. Predictors: (Constant), Rata de alfabetizare (%), Populaţia urbană (%), Aportul de calorii, Speranţa medie de viaţă a femeilor
b. Predictors: (Constant), Rata de alfabetizare (%), Aportul de calorii, Speranţa medie de viaţă a femeilor

Se poate aprecia că:

a. influenţa marginală a populaţiei urbane asupra mortalităţii infantile nu este semnificativă.
b. modelul cu 4 variabile independente explică variaţia variabilei dependente în proporţie de 97,8%
c. modelul cu 4 variabile independente explică variaţia variabilei dependente în proporţie de 95,6%

INTREBAREA 8. În studiul legăturii dintre salariul curent ($), primul salariu($) şi nivelul de
educaţie (ani de studii) pentru un eşantion de 474angajati s-au obţinut următoarele rezultate:
ANOVAb
Model Sum of Square df Meanquare F Sig.
1 Regression 1,093E11 2 5,464E10 898,947 ,000a
Residual 2,863E10 471 6,079E7
Total 1,379E11 473
a. Predictor: (Contant), Primul salariu, Nivelul de educaţie (ani)
b. Dependent Variable: Salariul curent

Precizați care din următoarele afirmații sunt corecte:

a. modelul de regresie multiplă liniară cu două variabile independente este semnificativ statistic
b. raportul de corelație multiplă este semnificativ diferit de zero
c. modelul de regresie multiplă liniară cu două variabile independente nu este semnificativ statistic