1. MODELE 1.

1(a) Modelul de regresie cu ambele variabile logaritmate (𝒀 şi 𝑿)

LINIARIZABILE Modelul de tip putere (Power) Modelul log-liniar (liniarizat)

Reprezentarea
grafică

Forma generală a
𝑌 = 𝛽0 𝑋𝛽1 𝑒 𝜀 𝑙𝑛𝑌 = 𝑙𝑛𝛽0 + 𝛽1 𝑙𝑛𝑋 + 𝜀
modelului scrisă
pentru variabile şi
valori ale 𝑦𝑖 = 𝛽0 𝑥𝑖 𝛽1 𝑒 𝜀𝑖 𝑙𝑛𝑦𝑖 = 𝑙𝑛𝛽0 + 𝛽1 𝑙𝑛𝑥𝑖 + 𝜀𝑖
variabilelor
Variabila dependentă 𝑌 are doar valori pozitive, aşadar 𝛽0 > 0.
Restricţii şi
Variabila independentă 𝑋 are doar valori pozitive.
observaţii
Parametrul 𝛽1 ∈ ℝ, semnul indicând sensul legăturii dintre cele două variabile.
𝛽0 = 𝐸(𝑌) |𝑋=1 ⇔ 𝛽0 = 𝐸(𝑌) |𝑙𝑛𝑋=0
Interpretarea Parametrul 𝛽0 reprezintă valoarea medie a variabilei dependente (𝑌), atunci când variabila independentă (𝑋) este
coeficienţilor de egală cu 1 unitate.
regresie sau a 𝑑𝑌
𝑑𝑙𝑛𝑌 𝑑𝑌 𝑋 %𝑚𝑜𝑑𝑖𝑓 𝑌
parametrilor 𝛽1 = = 𝑌 = ≅ 𝑬=
𝑑𝑙𝑛𝑋 𝑑𝑋 𝑑𝑋 𝑌 %𝑚𝑜𝑑𝑖𝑓 𝑋
modelului 𝑋
Parametrul 𝛽1 reprezintă elasticitatea (E) variabilei dependente (𝑌) în raport cu variabila independentă (𝑋).

1
 𝛽1 = 𝑑𝑙𝑛𝑌|𝑑𝑙𝑛𝑋=1 ⇔ 𝛽1(%) = 𝑑𝑙𝑛𝑌(%) |𝑑𝑙𝑛𝑋=1%
Parametrul 𝛽1 reprezintă raportul dintre variaţia medie relativă a variabilei dependente (𝑌) și variația relativă a
variabilei independente (𝑋), iar exprimat în procente arată că la o creștere a variabilei independente (𝑋) cu 1%,
variabila dependentă (𝑌) variază, în medie, cu 𝛽1 %.
Ecuaţia estimată a
𝑌𝑋 = 𝑏0 𝑋𝑏1 𝑙𝑛𝑌𝑋 = 𝑙𝑛𝑏0 + 𝑏1 𝑙𝑛𝑋
modelului scrisă
pentru variabile şi
valori ale 𝑦𝑥𝑖 = 𝑏0 𝑥𝑖 𝑏1 𝑙𝑛𝑦𝑥𝑖 = 𝑙𝑛𝑏0 + 𝑏1 𝑙𝑛𝑥𝑖
variabilelor
𝒃𝟎 indică valoarea medie estimată a variabilei dependente (𝑌), când variabila independentă (𝑋) este egală cu 1
Interpretarea
unitate.
estimaţiilor
𝒃𝟏 % arată cu cât variază în medie variabila dependentă (𝑌), atunci când variabila independentă (𝑋) creşte cu 1%.
punctuale ale
sau
parametrilor
La o creştere a variabilei independente (𝑋) cu 1%, variabila dependentă (𝑌) variază (scade sau creşte), în medie,
modelului
cu 𝒃𝟏 %.
Exemple din
Analiza mortalităţii infantile (𝑌) în funcţie de Produsul Intern Brut - PIB (𝑋).
economie

2
Aplicaţia 1
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 ($).

Tabelul Coefficients ne oferă estimaţiile parametrilor modelului şi rezultatul testării parametrilor.

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 8,231 ,274 30,016 ,000
lnGDP -,628 ,034 -,871 -18,337 ,000
a. Dependent Variable: lnInfant_mortality

Modelul estimat este de forma:

𝒚𝒙𝒊 = 𝟖, 𝟐𝟑𝟏𝒙𝒊 −𝟎,𝟔𝟐𝟖
𝒍𝒏𝒚𝒙𝒊 = 𝒍𝒏(𝟖, 𝟐𝟑𝟏) − 𝟎, 𝟔𝟐𝟖𝒍𝒏𝒙𝒊

Interpretarea estimaţiilor punctuale ale coeficienţilor de regresie:

- 𝑏0 = 8,231 decese indică nivelul mediu estimat al ratei mortalității infantile când valoarea PIB este
egală cu 1$ pe locuitor. Evident, această valoare este una pur ipotetică.
- 𝑏1 = −0,628% este elasticitatea mortalităţii infantile în raport cu produsul intern brut pe locuitor şi
arată că la o creştere cu 1% a PIB/locuitor, rata mortalității infantile scade, în medie, cu 0,628%.

Interpretarea rezultatelor testării semnificației parametrilor modelului de regresie:

Testul Student bilateral indică estimaţii semnificative statistic pentru parametrii modelului, deoarece
𝑆𝑖𝑔𝑡 = 𝑃(> |𝑡|) are valori mai mici decât pragul de 0,05. În concluzie, se consideră că între cele două
variabile există o legătură (neliniară) semnificativă ce poate fi modelată cu ajutorul modelului log-liniar (sau
de tip putere).

Tabelul Model Summary ne prezintă estimaţia raportului de corelaţie şi a raportului de determinaţie.

Model Summary

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 ,871a ,759 ,756 ,50820
a. Predictors: (Constant), lnGDP

3
 Observăm că estimația raportului de determinație este 𝑅 2 = 0.759. Acest rezultat arată că variația
variabilei dependente (ratei mortalității infantile) este explicată de variația variabilei independente
(PIB/locuitor) prin intermediul modelului log-liniar în proporție de 75.9%.

Tabelul Anova ne oferă rezultatele testării modelului putere.

ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 86,842 1 86,842 336,253 ,000a
Residual 27,634 107 ,258
Total 114,476 108
a. Predictors: (Constant), lnGDP
b. Dependent Variable: lnInfant_mortality

Rezultatul testului Fisher ce testează semnificația modelului sau a raportului de determinație ne conduce
la decizia de a respinge ipoteza nulă (care afirmă că între cele două variabile nu există o legătură
semnificativă explicată de modelul de tip putere).
Rezultatul testului Fisher ce testează semnificația modelului sau a raportului de determinație ne
conduce la decizia de a respinge ipoteza nulă (care afirmă că între cele două variabile nu există o
legătură semnificativă explicată de modelul putere).

4
 1. MODELE 1.1(b) Modelul funcţiei de producţie (Funcţia Cobb Douglas)
LINIARIZABILE Modelul de tip putere multiplu Modelul log-liniar multiplu
𝑌 = 𝛽0 𝑋1 𝛽1 𝑋2 𝛽2 𝑒 𝜀
Forma generală a 𝑙𝑛𝑌 = 𝑙𝑛𝛽0 + 𝛽1 𝑙𝑛𝑋1 + 𝛽2 𝑙𝑛𝑋2 + 𝜀
sau
modelului scrisă sau
𝑌 = 𝛽0 𝐿𝛽1 𝐾𝛽2 𝑒 𝜀
pentru variabile 𝑙𝑛𝑌 = 𝑙𝑛𝛽0 + 𝛽1 𝑙𝑛𝐿 + 𝛽2 𝑙𝑛𝐾 + 𝜀
unde 𝐿 reprezintă factorul muncă şi 𝐾 factorul capital
Ecuaţia modelului 𝑦𝑖 = 𝛽0 𝑥1𝑖 𝛽1 𝑥2𝑖 𝛽2 𝑒 𝜀𝑖 𝑙𝑛𝑦𝑖 = 𝑙𝑛𝛽0 + 𝛽1 𝑙𝑛𝑥1𝑖 + 𝛽2 𝑙𝑛𝑥2𝑖 + 𝜀𝑖
scrisă pentru valori sau sau
ale variabilelor 𝑦𝑖 = 𝛽0 𝐿𝑖 𝛽1 𝐾𝑖 𝛽2 𝑒 𝜀𝑖 𝑙𝑛𝑦𝑖 = 𝑙𝑛𝛽0 + 𝛽1 𝑙𝑛𝐿𝑖 + 𝛽2 𝑙𝑛𝐾𝑖 + 𝜀𝑖
Variabila dependentă 𝑌 are doar valori pozitive, aşadar 𝛽0 > 0.
Restricţii şi observaţii Variabilele independente 𝑋1 şi 𝑋2 au doar valori pozitive.
Parametrii 𝛽1 şi 𝛽2 ∈ ℝ, semnul indicând sensul legăturii dintre variabila dependentă şi cele independente.
𝛽0 = 𝑀(𝑌) |𝑋1 =1 ş𝑖 𝑋2 =1
Parametrul 𝛽0 reprezintă valoarea medie a variabilei dependente (𝑌), atunci când variabilele independente 𝑋1 şi 𝑋2
sunt egale cu 1 unitate.
Parametrul 𝛽1 reprezintă elasticitatea parţială a variabilei dependente (𝑌) în raport cu variabila independentă
(𝑋1 ).
Interpretarea
Parametrul 𝛽2 reprezintă elasticitatea parţială a variabilei dependente (𝑌) în raport cu variabila independentă
coeficienţilor de
(𝑋2 ).
regresie sau a
(𝛽1 + 𝛽2 ) reprezintă elasticitatea totală numită şi randament de scară a producţiei:
parametrilor
- (𝛽1 + 𝛽2 ) > 1: randament de scară crescător, situaţie care corespunde unei variaţii mai accelerate a
modelului
producţiei, în raport cu variaţia factorilor
- (𝛽1 + 𝛽2 ) < 1: randament de scară descrescător, situaţie care corespunde unei variaţii mai reduse a producţiei
(de exemplu, dacă se dublează inputul, atunci outputul creşte într-o măsură mai mică, adică nu se realizează o
dublare a producţiei)
- (𝛽1 + 𝛽2 ) = 1: randament de scară constant, situaţie care corespunde unei variaţii constante a producţiei în
raport cu factorii (de exemplu, dacă se dublează inputul, atunci se dublează şi outputul)

5
 Parametrul 𝛽1 reprezintă raportul dintre variaţia medie relativă a variabilei dependente (𝑌) și variația relativă a
variabilei independente 𝑋1.
Parametrul 𝛽2 reprezintă raportul dintre variaţia medie relativă a variabilei dependente (𝑌) și variația relativă a
variabilei independente 𝑋2.
Ambii parametrii se interpretează procentual.
𝑏 𝑏
Ecuaţia estimată a 𝑌𝑋 = 𝑏0 𝑋1 1 𝑋2 2 𝑙𝑛𝑌𝑋 = 𝑙𝑛𝑏0 + 𝑏1 𝑙𝑛𝑋1 + 𝑏2 𝑙𝑛𝑋2
modelului scrisă sau sau
pentru variabile 𝑌𝑋 = 𝑏0 𝐿𝑏1 𝐾𝑏2 𝑙𝑛𝑌𝑋 = 𝑙𝑛𝑏0 + 𝑏1 𝑙𝑛𝐿 + 𝑏2 𝑙𝑛𝐾
Ecuaţia estimată a 𝑦𝑥𝑖 = 𝑏0 𝑥1𝑖 𝑏1 𝑥2𝑖 𝑏2 𝑙𝑛𝑦𝑥𝑖 = 𝑙𝑛𝑏0 + 𝑏1 𝑙𝑛𝑥1𝑖 + 𝑏2 𝑙𝑛𝑥2𝑖
modelului scrisă
sau sau
pentru valori ale
𝑦𝑥𝑖 = 𝑏0 𝐿𝑖 𝑏1 𝐾𝑖 𝑏2 𝑙𝑛𝑦𝑥𝑖 = 𝑙𝑛𝑏0 + 𝑏1 𝑙𝑛𝐿𝑖 + 𝑏2 𝑙𝑛𝐾𝑖
variabilelor
𝑏0 reprezintă valoarea medie estimată a variabilei dependente (𝑌), atunci când variabilele independente 𝑋1 şi 𝑋2
sunt egale cu 1 unitate.
𝑏1 % arată că la o creştere a variabilei independente 𝑋1 cu 1%, variabila dependentă (𝑌) variază, în medie, cu 𝑏1 %,
Interpretarea
în condiţiile în care se menţine constantă influența variabilei independente 𝑋2.
estimaţiilor
𝑏1 % indică, de asemenea, elasticitatea parţială a variabilei dependente (𝑌) în raport cu variabila independentă (𝑋1 ).
punctuale ale
𝑏2 % arată că la o creştere a variabilei independente 𝑋2 cu 1%, variabila dependentă (𝑌) variază, în medie, cu 𝑏2 %,
parametrilor
în condiţiile în care influența variabilei independente 𝑋1 rămâne constantă.
modelului
𝑏2 % indică, de asemenea, elasticitatea variabilei dependente (𝑌) în raport cu variabila independentă (𝑋2 ), în
condiţiile în care variabila independentă (𝑋1 ) rămâne constantă.
(𝑏1 + 𝑏2 ) indică elasticitatea totală a variabilei dependente (𝑌) în raport cu variabilele independente (𝑋1 ş𝑖 𝑋2 ).
Exemple din Analiza producţiei (𝑌) în funcţie de factorii de producţie muncă L (𝑋1 ) şi capital K (𝑋2 ).
economie

6
Aplicaţia 2

Pentru exemplificarea modelului funcţiei de producţie, se consideră variabila dependentă, volum de lemn
recoltat (mii m3), şi variabilele independente, numărul mediu de salariaţi din sivicultură (persoane) şi
suprafaţa forestieră (ha), înregistrate la nivelul judeţelor din România, în anul 2012.

Tabelul Coefficients ne oferă estimaţiile parametrilor modelului şi rezultatul testării parametrilor.

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 5,338 1,540 3,466 ,000
ln(Numar_angajati) ,437 ,133 ,204 3,295 ,002
ln(Suprafata_forestiera) 1,112 ,069 ,999 16,160 ,000
a. Dependent Variable: ln(Volum_lemn_recoltat)

Modelul estimat este de forma:

𝒚𝒙𝒊 = 𝟓, 𝟑𝟑𝟖𝒙𝟏𝒊 𝟎,𝟒𝟑𝟕 𝒙𝟐𝒊 𝟏,𝟏𝟏𝟐
𝒍𝒏𝒚𝒙𝒊 = 𝒍𝒏(𝟓, 𝟑𝟑𝟖) + 𝟎, 𝟔𝟐𝟖𝒍𝒏𝒙𝟏𝒊 + 𝟏, 𝟏𝟏𝟐𝒍𝒏𝒙𝟐𝒊

SAU respectând notațiile modelului economic privind producția și factorii de producție, cele două
ecuații pot fi rescrise astfel:
𝒚𝒙𝒊 = 𝟓, 𝟑𝟑𝟖𝑳𝒊 𝟎,𝟒𝟑𝟕 𝑲𝒊 𝟏,𝟏𝟏𝟐
𝒍𝒏𝒚𝒙𝒊 = 𝒍𝒏(𝟓, 𝟑𝟑𝟖) + 𝟎, 𝟔𝟐𝟖𝒍𝒏𝑳𝒊 + 𝟏, 𝟏𝟏𝟐𝒍𝒏𝑲𝒊

Interpretarea estimaţiilor punctuale ale coeficienţilor de regresie:

- 𝑏0 = 5,338 mii m3 indică volumul mediu estimat de lemn recoltat când numărul de salariați (𝑳) este
egal cu 1 persoană și suprafața forestieră (𝑲) egală cu 1 ha;
- 𝑏1 = 0,437% este elasticitatea parțială a volumului de lemn recoltat în raport cu numărul de salariați
(𝑳) şi arată că la o creştere cu 1% a numărului de salariați (𝑳), volumul de lemn recoltat crește, în
medie, cu 0,437%, în condițiile în care suprafața forestieră (𝐾) se menține constantă;
- 𝑏2 = 1,112% este elasticitatea parțială a volumului de lemn recoltat în raport cu suprafața forestieră
(𝐾) şi arată că la o creştere cu 1% a suprafeței forestiere (𝑲), volumul de lemn recoltat crește, în
medie, cu 1,112%, în condițiile în care numărul de salariați (𝐿) se menține constant;
- 𝑏1 + 𝑏1 = 0,437 + 1,112 = 1,549 este elasticitatea totală a volumului de lemn recoltat în raport cu
numărul de salariați (𝑳) şi suprafața forestieră (𝑲) și indică un randament de scară crescător (𝑏1 +
𝑏1 > 1), adică variația producției, volumul de lemn recoltat, este mai accelerată decât variația
factorilor de producție, numărul de salariați (𝑳) şi suprafața forestieră (𝑲).
7
Interpretarea rezultatelor testării semnificației parametrilor modelului de regresie:
Testul Student bilateral indică estimații semnificative statistic pentru parametrii modelului, deoarece
𝑆𝑖𝑔𝑡 = 𝑃(> |𝑡|) are valori mai mici decât pragul de 0,05:
- semnificația coeficientului parțial de regresie 𝛽1 arată că numărul de salariați are o influență neliniară
parțială semnificativă asupra variației volumului de lemn recoltat;
- semnificația coeficientului parțial de regresie 𝛽2 arată că suprafața forestieră are o influență neliniară
parțială semnificativă asupra variației volumului de lemn recoltat.

Tabelul Model Summary ne prezintă estimaţiile raportului de corelaţie multiplă şi a raportului de

determinaţie multiplă.
Model Summary

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 ,937a ,878 ,871 ,33881
a. Predictors: (Constant), lnSuprafata_forestiera,
lnNumar_angajati

Estimația raportului de determinație multiplă arată că variația variabilei dependente (volumul de lemn
recoltat) este explicată de variația simultană a factorilor de producție (numărul de salariați și suprafața
forestieră) în proporție de 87,8%, variaţie explicată cu ajutorul modelului log-liniar multiplu sau al
funcţiei de producţie.

Tabelul Anova ne oferă rezultatele testării modelului de tip putere multiplu.

ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 31,339 2 15,669 136,503 ,000a
Residual 4,362 38 ,115
Total 35,701 40
a. Predictors: (Constant), lnSuprafata_forestiera, lnNumar_angajati
b. Dependent Variable: lnVolum_lemn_recoltat

Testul Fisher ne arată că modelul funcţiei de producţie este semnificativ statistic (𝑆𝑖𝑔𝑡 < 0,05) şi explică
dependenţa dintre volumul de lemn recoltat şi factorii consideraţi: numărul de salariaţi şi suprafaţa
forestieră.

8
 1. MODELE
1.2. Modelul semi-logaritmic cu variabila independentă (𝑿) logaritmată (Logarithmic)
LINIARIZABILE

Reprezentarea
grafică

Forma generală a
modelului scrisă 𝑌 = 𝛽0 + 𝛽1 𝑙𝑛𝑋 + 𝜀
pentru variabile
Ecuaţia modelului
scrisă pentru valori 𝑦𝑖 = 𝛽0 + 𝛽1 𝑙𝑛𝑥𝑖 + 𝜀𝑖
ale variabilelor
Restricţii şi
Variabila independentă 𝑋 are doar valori pozitive.
observaţii
𝛽0 = 𝑀(𝑌) |𝑋=1 ⇔ 𝛽0 = 𝑀(𝑌) |𝑙𝑛𝑋=0
Interpretarea
coeficienţilor de Parametrul 𝛽0 indică valoarea medie a variabilei dependente (𝑌), atunci când variabila independentă (𝑋) este egală
regresie sau a cu 1 unitate.
parametrilor 𝑑𝑌 𝑑𝑌 𝑑𝑌
𝛽1 = = = 𝑋
modelului 𝑑𝑙𝑛𝑋 𝑑𝑋 𝑑𝑋
𝑋

9
 𝛽1
𝛽1 = 𝑑𝑌|𝑑𝑙𝑛𝑋=1 ⇔ = 𝑑𝑌|𝑑𝑙𝑛𝑋=1%
100
Parametrul 𝛽1 reprezintă raportul dintre variaţia medie absolută a variabilei dependente (𝑌) și variația relativă a
variabilei independente 𝑋.
Exprimată procentual variaţia variabilei independente (𝑋), parametrul 𝜷𝟏 ⁄𝟏𝟎𝟎 reprezintă variaţia medie absolută
a variabilei dependente (𝑌) la o creștere a variabilei independente (𝑋) cu 1%.
Altfel spus, atunci când 𝑋 creşte cu 1%, 𝑌 variază, în medie, cu 𝜷𝟏 ⁄𝟏𝟎𝟎 unităţi (unitatea de măsură a lui Y).
Ecuaţia estimată a
𝑦𝑥𝑖 = 𝑏0 + 𝑏1 𝑙𝑛𝑥𝑖
modelului
𝒃𝟎 reprezintă valoarea medie estimată a variabilei dependente (𝑌), atunci când variabila independentă (𝑋) este egală
Interpretarea
cu 1 unitate.
estimaţiilor
𝒃𝟏 ⁄𝟏𝟎𝟎 arată cu cât variază, în medie, variabila dependentă (𝑌), atunci când variabila independentă (𝑋) creşte cu
punctuale ale
1%
parametrilor
sau
modelului
La o creştere a variabilei independente (𝑋) cu 1%, variabila dependentă (𝑌) variază, în medie, cu 𝒃𝟏 ⁄𝟏𝟎𝟎 unităţi.
Exemple din Analiza mortalităţii infantile (𝑌) în funcţie de Produsul Intern Brut - PIB (𝑋).
economie Analiza legăturii dintre puterea motorului (𝑌) şi numărul de cilindri (𝑋).

10
Aplicaţia 3
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 ($).

Tabelul Coefficients ne oferă estimaţiile parametrilor modelului şi rezultatul testării parametrilor.

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 215,381 11,709 18,394 ,000
lnGDP -21,966 1,462 -,824 -15,019 ,000
a. Dependent Variable: Infant mortality (deaths per 1000 live births)

Modelul estimat este de forma:

𝒚𝒙𝒊 = 𝟐𝟏𝟓, 𝟑𝟖𝟏 − 𝟐𝟏, 𝟗𝟔𝟔𝒍𝒏𝒙𝒊

Interpretarea estimaţiilor punctuale ale coeficienţilor de regresie ai modelului:

- 𝑏0 = 215,381 decese ne indică nivelul mediu estimat al ratei mortalității infantile, atunci când
valoarea PIB este egală cu 1$ pe locuitor. Evident, această valoare este una pur ipotetică.
- 𝑏1 ⁄100 = −21,966⁄100 = −0,219 𝑑𝑒𝑐𝑒𝑠𝑒 arată că la o creştere cu 1% a PIB/locuitor, rata
mortalității infantile scade, în medie, cu 0,219 decese.

Interpretarea rezultatelor testării semnificației parametrilor modelului de regresie:

Testul Student bilateral indică estimaţii semnificative statistic pentru parametrii modelului, deoarece
𝑆𝑖𝑔𝑡 = 𝑃(> |𝑡|) are valori mai mici decât pragul de 0,05. În concluzie, se consideră că între cele două
variabile există o legătură (neliniară) semnificativă ce poate fi modelată cu ajutorul modelului logarithmic.

Tabelul Model Summary ne prezintă estimaţia raportului de corelaţie şi a raportului de determinaţie.

Model Summary

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 ,824a ,678 ,675 21,6996
a. Predictors: (Constant), lnGDP

Rezultatele de mai sus indică o legătură (neliniară) puternică între cele două variabile. Raportul de
determinație este 0,678, adică putem spune că, prin intermediul modelului logarithmic, variația ratei
mortalității infantile este explicată în proporție de 67,8% de variația PIB/locuitor.

11
Tabelul Anova ne oferă rezultatele testării modelului logarithmic.

ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 106219,4 1 106219,443 225,579 ,000a
Residual 50383,514 107 470,874
Total 156603,0 108
a. Predictors: (Constant), lnGDP
b. Dependent Variable: Infant mortality (deaths per 1000 live births)

Conform testului Fisher, raportul de determinație este semnificativ statistic, cu o probabilitate de 0,95
(probabilitatea asociată testului, 𝑆𝑖𝑔𝑡, este mai mică de 0,05). În concluzie, legătura dintre mortalitatea
infantilă și PIB explicată prin intermediul modelului logarithmic este semnificativă statistic.

12
 1. MODELE 1.3(a) Modele semi-logaritmice cu variabila dependentă (𝒀) logaritmată
LINIARIZABILE Modelul compus (Compound) Modelul liniarizat

Reprezentarea
grafică

Forma generală a
modelului scrisă 𝑌 = 𝛽0 𝛽1 𝑋 𝑒 𝜀 𝑙𝑛𝑌 = 𝑙𝑛𝛽0 + 𝑙𝑛𝛽1 𝑋 + 𝜀
pentru variabile
Ecuaţia modelului
scrisă pentru
𝑦𝑖 = 𝛽0 𝛽1 𝑥𝑖 𝑒 𝜀𝑖 𝑙𝑛𝑦𝑖 = 𝑙𝑛𝛽0 + 𝑙𝑛𝛽1 𝑥𝑖 + 𝜀𝑖
valori ale
variabilelor
Variabila dependentă 𝑌 are doar valori pozitive, aşadar 𝛽0 > 0.
Restricţii şi Parametrul 𝛽1, fiind logaritmat, nu poate lua decât valori pozitive:
observaţii - dacă 𝜷𝟏 > 1 (𝒍𝒏𝜷𝟏 > 0 ), adică supraunitar, atunci legătura dintre cele două variabile este directă (pozitivă).
- dacă 𝟎 < 𝜷𝟏 < 1 (𝒍𝒏𝜷𝟏 < 0), adică subunitar, atunci legătura dintre cele două variabile este inversă (negativă).
Interpretarea 𝛽0 = 𝑀(𝑌)|𝑋=0
coeficienţilor de Parametrul 𝛽0 reprezintă valoarea medie a variabilei dependente (𝑌), atunci când variabila independentă (𝑋) ia valoarea 0.

13
regresie sau a 𝑑𝑌
𝑑𝑙𝑛𝑌 𝑑𝑌 1
parametrilor 𝑙𝑛𝛽1 = = 𝑌 =
𝑑𝑙𝑋 𝑑𝑋 𝑑𝑋 𝑌
modelului
𝑙𝑛𝛽1 = 𝑑𝑙𝑛𝑌|𝑑𝑋=1 ⇔ 𝑙𝑛𝛽1 ∗ 100% = 𝑑𝑙𝑛𝑌(%) |𝑑𝑋=1
Parametrul 𝛽1 nu are interpretare directă, ci interpretăm 𝒍𝒏𝜷𝟏 .
𝒍𝒏𝜷𝟏 reprezintă raportul dintre variaţia medie relativă a variabilei dependente (𝑌) și variaţia absolută a variabilei
independente (𝑋).
Interpretat procentual, 𝒍𝒏𝜷𝟏 ∙ 𝟏𝟎𝟎% arată că la o creştere cu 1 unitate a variabilei independente (𝑋), variabila dependentă
(𝑌) variază, în medie, cu 𝒍𝒏𝜷𝟏 ∙ 𝟏𝟎𝟎%.
De asemenea, 𝒍𝒏𝜷𝟏 ∗ 100% reprezintă rata de creştere a variabilei 𝑌 în raport cu variabila 𝑋.
Ecuaţia estimată a
𝑦𝑥𝑖 = 𝑏0 𝑏1 𝑥𝑖 𝑙𝑛𝑦𝑥𝑖 = 𝑙𝑛𝑏0 + 𝑙𝑛𝑏1 𝑥𝑖
modelului
Interpretarea 𝒃𝟎 reprezintă valoarea medie estimată a variabilei dependente (𝑌), atunci când variabila independentă (𝑋) este egală cu 0.
estimaţiilor [(𝒍𝒏𝒃𝟏 ) ∗ 𝟏𝟎𝟎]% arată că, la o creştere cu 1 unitate a variabilei independente (𝑋), variabila dependentă variază, în medie,
punctuale ale cu [(𝒍𝒏𝒃𝟏 ) ∗ 𝟏𝟎𝟎]%.
parametrilor [(𝒍𝒏𝒃𝟏 ) ∗ 𝟏𝟎𝟎]% reprezintă rata de creştere a variabilei dependente (𝑌) în raport cu variabila independentă (𝑋).
modelului
Exemple din
Analiza legăturii dintre valoarea producţiei (𝑌) şi valoarea investiţiilor (𝑋).
economie

14
Modelul compus
În urma analizei legăturii dintre Produsul Intern Brut (euro) şi Rata inflaţiei (%), înregistrate pentru ţările
Uniunii Europene, s-au obţinut următoarele rezultate:

Coefficients(a)

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 20140,640 ,212 46,639 ,000
Rata inflatiei (%) 1,002 ,042 ,451 23,457 ,000
a Dependent Variable: lnPIB

Modelul estimat este de forma:

𝒚𝒙𝒊 = 𝟐𝟎𝟏𝟒𝟎, 𝟔𝟒 ∙ 𝟏, 𝟎𝟎𝟐𝒙𝒊
𝒍𝒏𝒚𝒙𝒊 = 𝒍𝒏(𝟐𝟎𝟏𝟒𝟎, 𝟔𝟒) + 𝒍𝒏(𝟏, 𝟎𝟎𝟐) ∙ 𝒙𝒊

Interpretarea estimaţiilor punctuale ale coeficienţilor de regresie:

- 𝒃𝟎 = 𝟐𝟎𝟏𝟒𝟎, 𝟔𝟒 euro indică nivelul mediu estimat al PIB-ului atunci când rata inflației este egală
cu 0% (atenție: % este unitatea de măsură a ratei inflației).
- [(𝒍𝒏𝒃𝟏 ) ∗ 𝟏𝟎𝟎]% = [(𝒍𝒏(𝟏, 𝟎𝟎𝟐)) ∙ 𝟏𝟎𝟎] % este rata de creștere a PIB-ului în raport cu rata
inflației şi arată că la o creştere cu 1% (atenție: % este unitatea de măsură a ratei inflației) a ratei
inflației, PIB-ul crește, în medie, cu [(𝒍𝒏(𝟏, 𝟎𝟎𝟐)) ∙ 𝟏𝟎𝟎]% .

Model Summary

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 ,004(a) ,000 -,038 ,64892
a Predictors: (Constant), Rata inflatiei (%)

ANOVA(b)
Sum of Mean
Model Squares df Square F Sig.
1 Regression 4,439 1 4,439 54,806 ,000(a)
Residual 10,949 26 ,081
Total 15,388 27
a Predictors: (Constant), Rata inflatiei (%)

15
 1. MODELE 1.3(b) Modele semi-logaritmice cu variabila dependentă (𝒀) logaritmată
LINIARIZABILE Modelul de creștere (Growth) Modelul log-lin

Reprezentarea
grafică

Forma generală a
modelului scrisă 𝑌 = 𝑒 𝛽0 +𝛽1𝑋+𝜀 𝑙𝑛𝑌 = 𝛽0 + 𝛽1 𝑋 + 𝜀
pentru variabile
Ecuaţia modelului
scrisă pentru
𝑦𝑖 = 𝑒 𝛽0 +𝛽1 𝑥𝑖+𝜀𝑖 𝑙𝑛𝑦𝑖 = 𝛽0 + 𝛽1 𝑥𝑖 + 𝜀𝑖
valori ale
variabilelor
Restricţii şi Variabila dependentă 𝑌 are doar valori pozitive, însă 𝛽0 poate lua şi valori negative.
observaţii Parametrul 𝛽1 ∈ ℝ, semnul indicând sensul legăturii dintre cele două variabile.
Interpretarea 𝑒 𝛽0 = 𝑀(𝑌)|𝑋=0
coeficienţilor de Parametrul 𝛽0 nu are interpretare directă, ci interpretăm 𝑒 𝛽0 .
regresie sau a 𝑒 𝛽0 indică valoarea medie a variabilei dependente (𝑌), atunci când variabila independentă (𝑋) este egală cu 0.

16
parametrilor 𝑑𝑌
𝑑𝑙𝑛𝑌 𝑑𝑌 1
modelului 𝛽1 = = 𝑌 =
𝑑𝑙𝑋 𝑑𝑋 𝑑𝑋 𝑌
𝛽1 = 𝑑𝑙𝑛𝑌|𝑑𝑋=0 ⇔ 𝛽1 ∗ 100% = 𝑑𝑙𝑛𝑌(%) |𝑑𝑋=0
Parametrul 𝛽1 reprezintă raportul dintre variaţia medie relativă a variabilei dependente (𝑌) și variaţia absolută a
variabilei independente (𝑋).
Exprimat procentual, 𝜷𝟏 ∙ 𝟏𝟎𝟎% reprezintă variaţia medie precentuală a variabilei dependente (𝑌) la o creștere cu 1
unitate a variabilei independente (𝑋).
sau
La o creştere cu 1 unitate a variabilei independente (𝑋), variabila dependentă (𝑌) variază, în medie, cu 𝜷𝟏 ∙ 𝟏𝟎𝟎%.
De asemenea, parametrul 𝛽1 reprezintă rata de creştere a variabilei 𝑌 în raport cu variabila 𝑋.
Ecuaţia estimată a
𝑦𝑥𝑖 = 𝑒 𝑏0 +𝑏1𝑥𝑖 𝑙𝑛𝑦𝑥𝑖 = 𝑏0 + 𝑏1 𝑥𝑖
modelului
Interpretarea 𝒆𝒃𝟎 reprezintă valoarea medie estimată a variabilei dependente (𝑌), atunci când variabila independentă (𝑋) este egală cu
estimaţiilor 0.
punctuale ale (𝒃𝟏 ∙ 𝟏𝟎𝟎)% arată că, la o creştere cu 1 unitate a variabilei independente (𝑋), variabila dependentă (𝑌) variază, în medie
parametrilor cu (𝒃𝟏 ∙ 𝟏𝟎𝟎)%.
modelului (𝒃𝟏 ∙ 𝟏𝟎𝟎)% reprezintă rata de creştere a variabilei dependente (𝑌) în raport cu variabila independentă (𝑋).
Exemple din
Analiza legăturii dintre valoarea producţiei (𝑌) şi valoarea investiţiilor (𝑋).
economie

17
Modelul de creștere
Se consideră legătura dintre Timpul de accelerare de la 0 la 100 km/h (secunde) şi Număr de cilindri.

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 3,054 ,026 118,715 ,000
Number of Cylinders -,060 ,004 -,556 -13,413 ,000
a. Dependent Variable: lntime

Modelul estimat este de forma:

𝒚𝒙𝒊 = 𝒆𝟑,𝟎𝟓𝟒−𝟎,𝟎𝟔𝟎∙𝒙𝒊
𝒍𝒏𝒚𝒙𝒊 = 𝟑, 𝟎𝟓𝟒 − 𝟎, 𝟎𝟔𝟎 ∙ 𝒙𝒊

Interpretarea estimaţiilor punctuale ale coeficienţilor de regresie:

- 𝒆𝒃𝟎 = 𝒆𝟑,𝟎𝟓𝟒 secunde indică nivelul mediu estimat al timpului de accelerare atunci când numărul de
cilindri este egal cu 0 cilindri.
- [𝒃𝟏 ∗ 𝟏𝟎𝟎]% = [−𝟎, 𝟎𝟔𝟎 ∙ 𝟏𝟎𝟎] % este rata de creștere a timpului de accelerare în raport cu
numărul de cilindri şi arată că la o creştere cu 1 cilindru a numărului de cilindri, timpul de accelerare
scade, în medie, cu 6% .

Model Summary

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 ,556a ,309 ,307 ,15431
a. Predictors: (Constant), Number of Cylinders

ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 4,284 1 4,284 179,898 ,000a
Residual 9,596 403 ,024
Total 13,879 404
a. Predictors: (Constant), Number of Cylinders
b. Dependent Variable: lntime

18
 1. MODELE 1.3(c) Modele semi-logaritmice cu variabila dependentă (𝒀) logaritmată
LINIARIZABILE Modelul exponenţial (Exponential) Modelul log-lin

Reprezentarea
grafică

Forma generală a
modelului scrisă 𝑌 = 𝛽0 𝑒 𝛽1 𝑋 𝑒 𝜀 𝑙𝑛𝑌 = 𝑙𝑛𝛽0 + 𝛽1𝑋 + 𝜀
pentru variabile
Ecuaţia modelului
scrisă pentru
𝑦𝑖 = 𝛽0 𝑒 𝛽1𝑥𝑖 𝑒 𝜀𝑖 𝑙𝑛𝑦𝑖 = 𝑙𝑛𝛽0 + 𝛽1 𝑥𝑖 + 𝜀𝑖
valori ale
variabilelor
Restricţii şi Variabila dependentă 𝑌 are doar valori pozitive, aşadar 𝛽0 > 0.
observaţii Parametrul 𝛽1 ∈ ℝ, semnul indicând sensul legăturii dintre cele două variabile.
𝛽0 = 𝑀(𝑌)|𝑋=0
Interpretarea Parametrul 𝛽0 reprezintă valoarea medie a variabilei dependente (𝑌), atunci când variabila independentă (𝑋) ia valoarea 0.
coeficienţilor de 𝑑𝑌
regresie sau a 𝑑𝑙𝑛𝑌 𝑑𝑌 1
𝛽1 = = 𝑌 =
𝑑𝑙𝑋 𝑑𝑋 𝑑𝑋 𝑌

19
parametrilor 𝛽1 = 𝑑𝑙𝑛𝑌|𝑑𝑋=0 ⇔ 𝛽1 ∗ 100% = 𝑑𝑙𝑛𝑌% |𝑑𝑋=0
modelului Parametrul 𝛽1 reprezintă raportul dintre variaţia medie relativă a variabilei dependente (𝑌) și variaţia absolută a
variabilei independente (𝑋).
Exprimat procentual, 𝜷𝟏 ∙ 𝟏𝟎𝟎% reprezintă variaţia medie procentuală a variabilei dependente (𝑌) la o creștere cu 1
unitate a variabilei independente (𝑋).
sau
La o creştere cu 1 unitate a variabilei independente (𝑋), variabila dependentă (𝑌) variază, în medie, cu 𝜷𝟏 ∙ 𝟏𝟎𝟎%.
De asemenea, parametrul 𝛽1 reprezintă rata de creştere a variabilei 𝑌 în raport cu variabila 𝑋.
Ecuaţia estimată a
𝑦𝑥𝑖 = 𝑏0 𝑒 𝑏1 𝑥𝑖 𝑙𝑛𝑦𝑥𝑖 = 𝑙𝑛𝑏0 + 𝑏1 𝑥𝑖
modelului
Interpretarea 𝒃𝟎 reprezintă valoarea medie estimată a variabilei dependente (𝑌), atunci când variabila independentă (𝑋) este egală cu 0.
estimaţiilor
(𝒃𝟏 ∙ 𝟏𝟎𝟎)% arată că, la o creştere cu 1 unitate a variabilei independente (𝑋), variabila dependentă (𝑌) variază, în medie
punctuale ale
cu (𝒃𝟏 ∙ 𝟏𝟎𝟎)%.
parametrilor
(𝒃𝟏 ∙ 𝟏𝟎𝟎)% reprezintă rata de creştere a variabilei dependente (𝑌) în raport cu variabila independentă (𝑋).
modelului
Exemple din Analiza legăturii dintre valoarea producţiei (𝑌) şi valoarea investiţiilor (𝑋).
economie

20
Modelul exponențial
Pentru a exemplifica modelul de regresie exponenţial, se consideră variabilele Current salary ($), ca
variabilă dependentă, şi Education level (ani), ca variabilă independentă.

Coefficients(a)

Unstandardized Standardized
Coefficients Coefficients
Std.
Model B Error Beta t Sig.
1 (Constant) 8622,253 ,063 144,445 ,000
Education level (years) ,096 ,005 ,697 21,102 ,000
a Dependent Variable: lnsalary

Modelul estimat este de forma:

𝒚𝒙𝒊 = 𝟖𝟔𝟐𝟐, 𝟐𝟓𝟑 ∙ 𝒆𝟎,𝟎𝟗𝟔∙𝒙𝒊
𝒍𝒏𝒚𝒙𝒊 = 𝒍𝒏(𝟖𝟔𝟐𝟐, 𝟐𝟓𝟑) + 𝟎, 𝟎𝟗𝟔 ∙ 𝒙𝒊

Interpretarea estimaţiilor punctuale ale coeficienţilor de regresie:

- 𝒃𝟎 = 𝟖𝟔𝟐𝟐, 𝟐𝟓𝟑 dolari indică nivelul mediu estimat al salariului atunci când nivelul de educație este
egal cu 0 ani.
- [𝒃𝟏 ∗ 𝟏𝟎𝟎]% = [𝟎, 𝟎𝟗𝟔 ∙ 𝟏𝟎𝟎]% este rata de creștere a salariului în raport cu nivelul de educație şi
arată că la o creştere cu 1 an a nivelului de educație, salariul crește, în medie, cu 9,6% .

Model Summary

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 ,697a ,485 ,484 ,28532
a. Predictors: (Constant), Educational Level (years)

ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 36,251 1 36,251 445,300 ,000a
Residual 38,424 472 ,081
Total 74,675 473
a. Predictors: (Constant), Educational Level (years)
b. Dependent Variable: lnsalary

21
 2. MODELE Modele polinomiale
NELINIARIZABILE 2.1. Modelul parabolic (Quadratic) 2.2. Modelul cubic

Reprezentarea grafică

Graficul arată că între costul unitar de producţie şi Graficul ne indică o legătură cubică între cele două variabile.
producţia firmei există o legătură de tip parabolic cu un Odată cu creşterea gradului de dezvoltare economică, creşte
punct de minim. Cu alte cuvinte, parabola admite un punct şi ponderea populaţiei urbane a acelei ţări. Continuarea
de minim. creşterii economice poate determina şi un uşor fenomen de
Interpretarea grafică
scădere a gradului de urbanizare, prin fenomenul de migraţie
spre zonele rurale din preajma marilor aglomerări urbane.
Creşterea economică poate antrena urbanizarea prin
cooptarea acestor regiuni în zonele metropolitane.
Forma generală a
modelului scrisă 𝑌 = 𝛽0 + 𝛽1 𝑋 + 𝛽2 𝑋 2 + 𝜀 𝑌 = 𝛽0 + 𝛽1 𝑋 + 𝛽2 𝑋 2 + 𝛽3 𝑋 3 + 𝜀
pentru variabile şi
pentru valori ale 𝑦𝑖 = 𝛽0 + 𝛽1 𝑥𝑖 + 𝛽2 𝑥𝑖 2 + 𝜀𝑖 𝑦𝑖 = 𝛽0 + 𝛽1 𝑥𝑖 + 𝛽2 𝑥𝑖 2 + 𝛽3 𝑥𝑖 3 + 𝜀𝑖
variabilelor
Coordonatele punctului critic Coordonatele punctului de inflexiune
Interpretarea - abscisa: 𝑥𝑖 = −𝛽1 ⁄2𝛽2 2𝛽
- abscisa: 𝑥𝑖 = − 6𝛽2 ⇒ 𝑥𝑖 = −𝛽2⁄3𝛽3
3
parametrilor modelului - ordonata: 𝑦𝑖
- ordonata: 𝑦𝑖
Semnele parametrilor 𝛽1 şi 𝛽2 sunt întotdeauna opuse:
22
 - dacă 𝛽1 < 0 ⇒ 𝛽2 > 0, punctul critic este minim
- dacă 𝛽1 > 0 ⇒ 𝛽2 < 0, punctul critic este maxim
Ecuaţia estimată a
modelului scrisă 𝑌𝑋 = 𝑏0 + 𝑏1 𝑋 + 𝑏2 𝑋 2 𝑌𝑋 = 𝑏0 + 𝑏1 𝑋 + 𝑏2 𝑋 2 + 𝑏3 𝑋 3
pentru variabile şi
pentru valori ale 𝑦𝑥𝑖 = 𝑏0 + 𝑏1 𝑥𝑖 + 𝑏2 𝑥𝑖 2 𝑦𝑥𝑖 = 𝑏0 + 𝑏1 𝑥𝑖 + 𝑏2 𝑥𝑖 2 + 𝑏3 𝑥𝑖 3
variabilelor
Coordonatele punctului critic Coordonatele punctului de inflexiune
Interpretarea
- abscisa: 𝑥𝑖 = −𝑏1⁄2𝑏2 - abscisa: 𝑥𝑖 = −𝑏2 ⁄3𝑏3
estimaţiilor
- ordonata: 𝑦𝑥𝑖 (înlocuim valoarea 𝑥𝑖 în ecuaţia - ordonata: 𝑦𝑥𝑖 (înlocuim valoarea 𝑥𝑖 în ecuaţia
parametrilor modelului
estimată) estimată)
Exemple din economie Analiza legăturii dintre costul unitar 𝑌 şi producţia 𝑋. Analiza legăturii dintre costul producţiei 𝑌 şi producţia 𝑋.

23
Aplicaţia 7
În studiul legăturii dintre costul unitar (unităţi monetare) şi producţia unui bun (bucăţi), înregistrate pentru
un eşantion de firme, s-au obţinut următoarele rezultate:

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 89,041 9,231 9,646 ,000
Productia -25,795 3,895 -5,322 -6,623 ,000
Productia**2 2,114 ,351 4,842 6,026 ,001
a. Dependent Variable: Costul unitar

Modelul estimat este de forma:

𝒀𝑿 = 𝟖𝟗, 𝟎𝟒𝟏 − 𝟐𝟓, 𝟕𝟗𝟓 ∙ 𝑿 + 𝟐, 𝟏𝟏𝟒 ∙ 𝑿𝟐

Coordonatele punctului critic:

- abscisa: 𝒙𝒊 = −𝒃𝟏 ⁄𝟐𝒃𝟐 = 𝟔, 𝟏 bucăți
- ordonata: 𝒚𝒙𝒊 = 𝟖𝟗, 𝟎𝟒𝟏 − 𝟐𝟓, 𝟕𝟗𝟓 ∙ 𝒙𝒊 + 𝟐, 𝟏𝟏𝟒 ∙ 𝒙𝒊 𝟐 = 𝟏𝟎, 𝟑𝟓 unități monetare

Interpretarea punctului critic:

Punctul critic de minim corespunde unei producţii optime de 6,1 bucăţi din produsul, producţie pentru care
costul unitar de 10,35 unități monetare este minim.

Model Summary

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 ,699a ,488 ,474 17,559
a. Predictors: (Constant), Gross domestic product / capita

ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 30615,972 3 10205,324 33,100 ,000a
Residual 32064,944 104 308,317
Total 62680,917 107
a. Predictors: (Constant), Gross domestic product / capita
b. Dependent Variable: People living in cities (%)

24
Aplicaţia 8
Se consideră Gradul de urbanizare (procentul populaţiei urbane dintr-o ţară), variabila dependentă, şi
PIB/locuitor ($), variabilă independentă, înregistrate pentru 195 de ţări ale lumii:
Coefficients(a)

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 32,036 ,002 2,557 4,950 ,000
GDP 1,002 ,000 -3,206 -2,652 ,009
GDP**2 -6,1E-007 ,000 1,225 . .
GDP**3 1,21E-011 3,395 9,438 .000
The independent variable is Gross domestic product / capita.

Modelul estimat este de forma:

𝒀𝑿 = 𝟑𝟐, 𝟎𝟑𝟔 + 𝟏, 𝟎𝟎𝟐 ∙ 𝑿 − 𝟔, 𝟏 ∙ 𝟏𝟎−𝟕 ∙ 𝑿𝟐 + 𝟏, 𝟐𝟏 ∙ 𝟏𝟎−𝟏𝟏 ∙ 𝑿𝟑

Coordonatele punctului de inflexiune:

- abscisa:
𝒙𝒊 = −𝒃𝟐 ⁄𝟑𝒃𝟑 = 𝟔, 𝟏 ∙ 𝟏𝟎−𝟕 ⁄𝟑 ∙ 𝟏, 𝟐𝟏 ∙ 𝟏𝟎−𝟏𝟏 = 𝟏, 𝟔𝟖 ∙ 𝟏𝟎𝟒
- ordonata:
𝒚𝒙𝒊 = 𝟑𝟐, 𝟎𝟑𝟔 + 𝟏, 𝟎𝟎𝟐 ∙ 𝒙𝒊 − 𝟔, 𝟏 ∙ 𝟏𝟎−𝟕 ∙ 𝒙𝒊 𝟐 + 𝟏, 𝟐𝟏 ∙ 𝟏𝟎−𝟏𝟏 ∙ 𝒙𝒊 𝟑

Interpretarea punctului de inflexiune:

Modelul poate fi util pentru realizarea de predicții privind nivelului de urbanizare al unei țări în funcție de
un anumit grad de dezvoltare economică sau poate permite estimarea unei anumite valori a nivelului de
dezvoltare necesară pentru a putea atinge un nivel mediu de urbanizare dorit.

Model Summary

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 ,699a ,488 ,474 17,559
a. Predictors: (Constant), Gross domestic product / capita

ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 30615,972 3 10205,324 33,100 ,000a
Residual 32064,944 104 308,317
Total 62680,917 107
a. Predictors: (Constant), Gross domestic product / capita
b. Dependent Variable: People living in cities (%)

25