Curs 8

Regresia neliniară

8.1 Liniarizarea modelelor de regresie

Un fenomen economic poate avea o evoluție care să urmeze o traiectorie neliniară. În

acest caz analiza corelațiilor dintre variabile poate fi făcută și după funcții neliniare. Acestea
pot fi liniarizate prin diferite metode de transformare.
Pașii necesari pentru estimarea unui model de regresie neliniar sunt:
- estimarea parametrilor utilizând metoda celor mai mici pătrate;
- liniarizăm funcția prin transformări și apoi estimăm parametrii;
- determinăm parametrii folosind metode numerice.
De exemplu dacă dependența dintre variabile este reprezentată prin următorul model de
regresie neliniară fără termen liber:

(8.1)

Dacă parametrul b este pozitiv, atunci caracteristica rezultativă va avea o traiectorie

crescătoare și invers.
Putem obține modelul de regresie liniar prin logaritmare:

(8.2)

Vom utiliza următoarele substituții: { , iar modelul liniar de

regresie va deveni:

(8.3)

Se vor estima cei doi parametrii ai modelului liniar și se va determina parametrul a care
̂
apare în modelul neliniar de regresie: ̂

1
 Dacă luăm în calcul modelul de regresie neliniară cu termen liber (log-log) avem
următoarea expresie:
(8.4)

În acest caz nu mai putem aplica metoda anterioară și pentru a putea estima parametrii
vom proceda conform următoarelor metode:
- dacă este specificată valoarea termenului liber vom nota: și
, urmând să obținem modelul din relația (8.1) a cărui estimare a
parametrilor se face conform modelului dublu logaritmic;
- estimarea parametrilor modelului (8.4) se va face prin metode numerice.
Proprietăți ale parametrilor și interpretarea acestora:
- dacă , atunci funcția log-log va fi descrescătoare în raport cu caracteristica
factorială. Atunci vom avea în situația modelului:
 fără termen liber ( )
 cu termen liber ( )
- dacă , atunci funcția neliniară este crescătoare ( )
- indiferent de semnul lui b, acesta va fi egal cu elasticitatea variabilei rezultative
care se va calcula raportându-ne la variabila factorială:

(8.5)

- dacă derivata de ordinul al doilea va fi ( ) , atunci avem

următoarele cazuri:
( )
{

Modelul exponențial este utilizat în cazul în care norul de puncte al seriei de valori
( ) este orientat în lungul curbei descrise de o funcție exponențiale.
Modelul exponențial este definit astfel:

(8.6)

unde

2
 Etapele estimării parametrilor modelului exponențial prin transformarea datelor prin
logaritmare sunt următoarele:
- logaritmarea termenilor egalității:

(8.7)

Prin substituirea: modelul va deveni

liniar;
- se vor determina estimatorii parametrilor modelului de regresie neliniară:
̂
̂ ̂
și ̂
Urmează să calculăm valorile ajustate: ̂ ̂( ̂ )
În general modelul exponențial este utilizat atunci când constatăm că valorile variabilei
rezultative au o creștere în progresie aritmetică, iar cele ale variabilei factoriale au o creștere
în progresie geometrică.
Putem interpreta semnificația parametrului b dacă avem în vedere relația:

(8.8)

- b reprezintă rata de scădere sau creștere a caracteristicii Y în raport cu X;

- dacă , atunci evoluția este crescătoare;
- dacă ( ) , atunci evoluția va fi descrescătoare;
- valorile caracteristicii Y sunt pozitive, iar parametrul a va satisface proprietatea
de pozitivitate.

8.2 Modelul hiperbolic

Modelul de regresie este utilizat în studiul dependenței dintre rata inflației și cea a
șomajului, iar curba construită portă denumirea de curba lui Philips. Modelul care are partea
curbei negativă se utilizează în analiza dependenței consumului de veniturile disponibile
pentru acesta. Astfel valoarea , corespunde venitului minim care permite achiziționarea
respectivului produs pentru consum.
Modelul reciproc are următoarea formulă:

3
 (8.9)

Interpretarea parametrilor modelului hiperbolic sau reciproc:

- se calculează panta curbei:

Când parametrul b este pozitiv funcția este descrescătoare și invers;

- având modelul reciproc ( ) , indiferent de valoarea lui b vom estima
parametri a și b prin metoda celor mai mici pătrate. Vom obține sistemul liniar de

ecuații pornind de la următoarea condiție ∑ ( ̂ ̂ )

̂ ̂∑ ∑
{ (8.10)
̂∑ ̂∑ ∑

- rezolvăm sistemul de ecuații liniar cu necunoscutele ̂ și ̂ ;

̂
- calculăm valorile ajustate ̂ ̂ și apoi seria erorilor de ajustare.

8.3 Modelul parabolic

Acest model este folosit atunci când evoluția urmează o funcție liniară, iar coeficientul
pantei este egal cu constanta a. Totodată punctele ( ) , vor fi dispuse în jurul unei
curbe descrisă de o parabolă. Un exemplu în acest sens este curba Laffer care descrie relația
dintre rata de impozitare și veniturile guvernamentale. Astfel:
( )
Această curbă este împărțită în doua regiuni:
 ( ) unde venitul statului este maxim
 ( ) denumită zonă inadmisibilă, ridicând probleme la creșterea ratei de
impozitare deoarece nu mai avem o creștere corespunzătoare în ceea ce privesc
veniturile statului.
În cazul dintre rata inflației și a venitului din impozitul pe inflație avem de asemenea o
dependență parabolică, constatând ca există un nivel maxim al inflației până la care statul își
apreciază veniturile.
Astfel, modelul de regresie parabolic definite de parametrii are forma:

4
 (8.11)

De asemenea pentru estimarea parametrilor a, b și c vom utiliza metoda celor mai mici

pătrate. Condiția în acest sens este următoare: ∑ ( ̂ ̂ ̂ )

Din această condiție ajungem la sistemul liniar de trei ecuații cu trei necunoscute:

̂ ̂∑ ̂∑ ∑
{ ̂∑ ̂∑ ̂∑ ∑ (8.12)
̂∑ ̂∑ ̂∑ ∑

După rezolvarea sistemului obținem seria valorilor ajustate { ̂ } și seria

reziduurilor ( ) , unde ̂ ̂.

9.4 Modelul polinomial

Modelul de regresie neliniar poate fi reprezentat cu ajutorul funcțiilor polinomiale. Dacă

considerăm o funcție polinomială de un ordin k, atunci aceasta va avea forma:

(8.13)

unde ( ) reprezintă valorile caracteristicii aferente unui număr de perioade și variabilele

reziduale vor satisface toate ipotezele modelului de regresie.
În acest caz, funcția descrisă mai sus este nelimitată dacă ne raportăm la variabilele
factoriale și în același timp este liniară daca ne raportăm la parametrii modelului de regresie.
Totodată în vederea estimării parametrilor este necesar să avem o relație de multicoliniaritate
a variabilelor .
Gradul funcției polinomiale se determină ținând seama de următoarele aspecte:
- multicoliniaritatea este frecventă atunci când seria conține un număr redus de
date;
- este indicat sa utilizăm funcții polinomiale cu un grad care să fie mai mic sau
egal cu patru;

5
 - dacă dimensiunea seriei de date este m, atunci raportul determinat calculat va fi:
.
Dacă concluzionăm aspectele celor trei observații, constatăm că puterea de predic ie a
func iei polinomiale scade în raport cu num rul de parametrii ce trebuie estima i.

8.5 Modelul multiplicativ

Acest model este reprezentat prin relația:

(8.14)

unde este variabilă reziduală care are o repartiție normală cu media zero și de asemenea are
o dispersie
Liniarizarea modelului multiplicativ descris prin relația (8.14) se liniarizează prin
logaritmare, obținându-se modelul echivalent:

(8.15)

Astfel caracteristica acestui model o reprezintă relația care are loc între coeficienții
elasticității și cei ai variabilelor exogene. Cu alte cuvinte, fiecare parametru va fi egal cu un
coeficient de elasticitate, aspect prezentat prin relația:

(8.16)

Un astfel de model multiplu liniar poate fi cel dat de func ia de produc ie Cobb-
Douglas, unde identificăm o funcție de două variabile care include variabila timp. Această
funcție are forma:

(8.17)

6
unde cei doi parametrii a și b vor oferii informații despre caracteristicile procesului de
producție. Aceștia sunt parametrii elasticității raportați la fiecare factor al respectivului proces
de producție.
Astfel, parametrul a va reprezenta elasticitatea parțială în raport cu capitalul fix:

(8.18)

În ceea ce privește parametrul b, acesta exprimă elasticitatea parțială raportată la

capitalul fix:

(8.19)

Suma celor două elasticități vor indica elasticitatea scalei:

(8.20)

Astfel elasticitatea scalei în cazul funcției de producție Cobb-Douglas se va calcula în

raport de cei doi parametrii conform următoarelor situații: