Documente Academic
Documente Profesional
Documente Cultură
CURS 1
Planul cursului
1. Introducere
2. Modelul de regresie liniară simplă
3. Modelul de regresie liniară multiplă
4. Modele de regresie neliniară
5. Verificarea ipotezelor modelului de regresie
2
Evaluare
3
Manuale
4
Manuale
5
Ce este econometria?
Termenul econometrie provine din cuvintele greceşti
“oikonomia” (economie) si “metron” (măsură) măsurare
în teoria economică sau cuantificarea relaţiilor economice
6
Ce este econometria?
Econometria este o disciplină care s-a conturat ca o sinteză între
economie, matematică şi statistică.
7
În perioada contemporană, contribuţii importante la dezvoltarea econometriei
au fost aduse de:
în domeniul analizei economice a cererii: M. Friedman, T. Haavelmo, R.
Stone, H. Wald.
în domeniul funcţiilor de producţie: C. W. Cobb, P. H. Douglas, K. J.
Arrow, G. Tintner
în domeniul modelelor macroeconomice: A. S. Goldberger, O. Onicescu,
L. V. Kantarevici, L. R. Klein, J. Tinbergen, H. Theil
în domeniul metodelor de analizã a datelor sau al econometriei „fãrã
modele”: T. W. Anderson, J. P. Benzécri, H. Hotelling, R. A. Fisher
În momentul actual, econometria a devenit un instrument metodologic de
bază, indispensabil teoriei şi practicii economice pentru investigarea riguroasã
a fenomenelor şi proceselor economice.
8
Ce este econometria?
9
Ce este econometria?
Obiectul de studiu al econometriei
Pe baza datelor din economie, econometria construieşte
modele (expresii cantitative) pentru realităţile economice
studiate care au un corespondent în teoriile economice.
Econometria estimează, prin procedeele de inferenţă
statistică, parametrii modelelor şi realizează predicţii asupra
realităţii studiate.
Aria de studiu a econometriei este realitatea economică privită
ca un ansamblu de relaţii şi intercondiţionări abordate cu
preponderenţă sub aspect cantitativ.
10
Exemple
15
Modelul economic
16
Modelul econometric
Modelul neliniar: D 0 P 1
18
Modelul econometric
D 0 1P
O componentă stochastică, eroare:
19
Modelul econometric
Y f ( X 1 , , X j , , X k ; 0 , 1 , , j , , k )
În orice model econometric, se întâlnesc următoarele elemente:
1) variabile observabile;
2) variabilele reziduale neobservabile;
3) parametrii (coeficienţii modelului).
20
Modelul econometric
Variabilele observabile se clasifică în:
variabile independente (exogene, explicative , factor- X) şi
variabile dependente (endogene, explicate, rezultat - Y).
- variabila dependentă, numită şi variabilă explicată, endogenă sau
răspuns, cuantifică un fenomen economic complex, determinat de o
serie de factori (este notată cu Y);
- variabila independentă, numită şi variabilă explicativă, exogenă sau
stimul, este o variabilă statistică prin intermediul căreia se măsoară
acţiunea unui factor economic asupra rezultantei (este notată cu X);
Variabila independentă este inclusă în modelul econometric cu scopul de a
explica modificările unei variabile endogene.
Variabilele independente sunt numite şi variabile factoriale sau factori de
influenţă care determină un anumit efect asupra variabilei rezultat.
Spre deosebire de variabila dependentă, pentru care pot fi obţinute valori
estimate, prin intermediul modelului, variabila independentă este descrisă de
date statistice obţinute exclusiv „din afara modelului“. 21
Modelul econometric
22
Modelul econometric
23
Modelul econometric
24
Clasificarea modelelor econometrice
1) După natura dependenţei dintre variabile:
a) modele de regresie deterministe: Y=f(x)
- variabila dependentă este explicată în totalitate de variabila sau
variabilele independente din model.
25
Clasificarea modelelor econometrice
26
Clasificarea modelelor econometrice
Y 0 1 X
b) modele de regresie neliniară
Y 0 1 X 2 X
2
27
Clasificarea modelelor econometrice
4) După timpul la care se referă datele din model:
a) modele de regresie statice
- variabilele incluse în model se referă la acelaşi moment de
timp sau la aceeaşi perioadă de timp.
- se construiesc pe baza datelor de sondaj sau a cercetărilor de
moment.
b) modele de regresie dinamice
- sunt modele în care factorul timp apare explicit, ca variabilă
independentă:
Yt=f(t)+ε.
28
Demersul cercetării econometrice
30
Demersul cercetării econometrice
31
Demersul cercetării econometrice
33
Demersul cercetării econometrice
34
ECONOMETRIE
CURS 2
Regresia liniară simplă (RLS)
1. Modelul RLS
2. Estimarea punctuală a parametrilor modelului RLS
3. Estimarea prin interval de încredere a parametrilor modelului
RLS
4. Probleme specifice utilizând Excel şi SPSS
5. Estimarea indicatorilor de corelaţie (coeficientul de corelaţie,
raportul de corelaţie, raportul de determinaţie)
2
1. Modelul de regresie simplă liniară
Interpretarea geometrică şi statistică a regresiei
Exemplu
•Se consideră repartiţia a 50 de firme după profitul realizat (Y,
variabilă dependentă, sute mil. lei) şi cheltuielile cu publicitatea (X,
variabilă independentă, mil. lei).
4
1. Modelul de regresie simplă liniară
Interpretarea geometrică a regresiei
•Mediile condiţionate corespunzătoare celor 5 repartiţii:
5
1. Modelul de regresie simplă liniară
YX 0 1 X
6
1. Modelul de regresie simplă liniară
7
1. Modelul de regresie simplă liniară
Deci:
yi = β0+ β1xi + εi
8
1. Modelul RLS
Componentele modelului RLS sunt:
9
1. Modelul de regresie simplă liniară
Parametrii modelului de regresie liniară simplă
Y
0
1
0 X
Linia de regresie sau media condiţionată
10
1. Modelul de regresie simplă liniară
Parametrii modelului de regresie liniară simplă
o reprezintă constanta sau termenul liber al modelului şi reprezintă
valoarea medie a variabilei Y atunci când X=0.
M(Y|X=0) =
Grafic, parametrul reprezintă ordonata la origine sau intersecţia
dreptei de regresie liniară cu axa OY (engl. intercept).
Daca
Grafic, parametrul reprezintă tangenta unghiului format dintre dreapta
de regresie şi axa OX sau panta dreptei de regresie (engl. slope).
11
1. Modelul de regresie simplă liniară
Dacă β1>0 => ceea ce indică o legătură directă sau pozitivă între variabilele
X şi Y (de exemplu, dacă X creşte cu o unitate, Y creşte, în medie, cu β1 unităţi);
Dacă β1<0 => există o legătură inversă între variabilele Y şi X între variabile
există o legătură inversă (de exemplu, la o creştere a lui X cu o unitate, Y scade,
în medie, cu β1 unităţi);
12
1. Modelul de regresie simplă liniară
unde:
- yˆ i ˆ0 ˆ1 xi este estimatorul mediei condiţionate M(Y│X=xi);
- ̂ 0 este estimatorul parametrului 0
- ˆ este estimatorul parametrului 1
1
- este estimatorul erorii stohastice εi
i
Pentru un eşantion observat, modelul de regresie liniară simplă poate fi
scris:
yi b0 b1 xi ei
13
2. Estimarea punctulă a parametrilor
modelului RLS
Estimarea parametrilor modelului de regresie liniară
simplă
•Estimarea reprezintă procedeul de aflare a unui parametru al unei
populaţii ( o , 1 ) pe baza datelor înregistrate la nivelul unui
eşantion.
15
2. Estimarea punctuală a parametrilor
modelului RLS
Metoda celor mai mici pătrate (MCMMP)
•Criteriul
care stă la baza metodei celor mai mici pătrate constă în
minimizarea pătratelor erorii de modelare:
2
n n n n
n n n
S
ˆ
2 y i ˆ0 ˆ1 xi 1 0 nˆ0 ˆ1 x y i i
0 i 1
i 1 i 1
n n n n
S
2 y i ˆ0 ˆ1 xi xi 0 ˆ0 xi ˆ1 xi2 yx i i
1 i 1 i 1 i 1 i 1
ˆ0
yi x x y
xi2
;
i i i
ˆ1
n x y x y ;
i i i i ˆ0 y ˆ1 x
n x x n x x
2 2 2 2
i i i i
sau
18
3. Estimarea prin interval de încredere a
parametrilor modelului RLS
Proprietăţile estimatorilor paramerilor modelului de
regresie
•Estimatorii parametrilor modelului de regresie sunt variabile de
selecţie care:
-urmează o repartiţie normală: 0
ˆ0 ~ N 0 , 2ˆ ˆ1 ~ N 1 , 2ˆ1
-sunt nedeplasaţi: M ˆ
M ˆ0 , 0 1 1
19
3. Estimarea prin interval de încredere a
parametrilor modelului RLS
unde
k = numărul parametrilor estimaţi în model (pentru modelul liniar k=2),
n = volumul eşantionului pe baza căruia se fac estimările. 20
3. Estimarea prin interval de încredere a
parametrilor modelului RLS
2 1 x 2 1 x 2
ˆ 0 ˆ 2ˆ , respectiv sˆ0 sˆ0 s
2 2
2
i n xi x
2
0
n x x
i i
ˆ 2 s2
ˆ ˆ 2ˆ
1 n
s
, respectiv ˆ1 s 2
ˆ1
n
( xi x) i
1
2
( x x) 2
i 1 i 1
Funcţia de consum
-consumul populaţiei în funcţie de venit:
Legea cererii
-cererea în funcţie de preţul produselor:
Ci 0 1 Pi i , unde parametrul 1
arată cu cât scade cererea la o creştere a preţului cu o unitate.
este de regulă negativ şi
22
4. Probleme specifice utilizând Excel si
SPSS
xi yi
10 800
12 1000
12 1200
14 1600
16 1800
23
Estimatiile punctuale ale parametrilor
24
1. Tabelul coeficientilor de regresie
Rezultate Excel
Rezultate SPSS
25
Estimatiile punctuale ale parametrilor
(euro)
; ;
28
In estimarea prin IC a pantei dreptei se foloseşte
statistica t Student.
IC 95% este:
;
; = t0,025;3=3,182.
29
Valorile distribuţiei Student
19 2,093
∞ 1,96
30
IC devine:
31
Estimarea prin IC a ordonatei la origine:
; ;
32
In estimarea prin IC a ordonatei la origine se
foloseşte statistica t Student.
IC 95% este:
; = t0,025;3=3,182.
33
IC devine:
34
1. Tabelul coeficientilor de regresie
Rezultate Excel
Rezultate SPSS
35
1. Tabelul coeficientilor de regresie
36
5. Estimarea indicatorilor de corelaţie
Coeficientul de corelaţie (se foloseşte doar pentru modelul liniar):
N
cov( X , Y )
(x i x )( yi y )
( X ,Y ) i 1 , -1≤ ρ ≤+1
x y N x y
n n n n
( x x)( y y)
i i n xi yi xi yi
̂ ( X , Y ) r i 1
i 1 i 1 i 1
nsx s y n n n n
[n x ( xi ) ][n y ( yi ) 2 ]
2
i
2 2
i
i 1 i 1 i 1 i 1
38
2. Tabelul coeficientilor de corelatie
Rezultate SPSS
0,973
39
Descompunerea variaţiei totale a variabilei Y
40
5. Estimarea indicatorilor de corelaţie
VT =
i
(yi - y )2 , reprezintă variaţia totală (Total Sum of Squares);
VT = VE VR
(TSS = ESS + RSS)
41
Descompunerea variaţiei totale a variabilei Y
RSS 42
RSS = 36923,077
Descompunerea variaţiei totale a variabilei Y
Rezultate Excel
ANOVA
df SS MS F Significance F
Regression 1 651076,9231 651076,923 52,9 0,005364071
Residual 3 36923,07692 12307,6923
Total 4 688000
Rezultate SPSS
( yˆ i y ) 2
VE V
2
i
1 R , cu 0 ≤ η2 ≤1
(y
i
i y)2 VT VT
0 1
(b b x y ) 2
ESS RSS
R 2= i
1
i
(
i
y y ) 2
TSS TSS
45
Estimaţia raportului de determinaţie se obţine prin relaţia:
(b b x y )
0 1
2
ESS RSS
R i
= 1
( y y)
i
i
2
TSS TSS
47
Estimaţia raportului de corelaţie:
48
4. Tabelul indicatorilor de corelatie
Rezultate Excel
SUMMARY OUTPUT
Regression Statistics
Multiple R 0,973
R Square 0,946
Adjusted R Square 0,928
Standard Error 110,940
Observations 5,000
Rezultate SPSS
49
2. Se consideră datele cu privire la Valoarea vânzărilor (sute mii
euro), Y, şi Cheltuielile cu publicitatea (sute euro), X, pentru un
eşantion de 4 firme. Datele sunt prezentate în tabelul următor.
xi yi
10 2500
20 4100
50 5000
100 7500
50
Model Summary
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients 95% Confidence Interval for B
Model B Std. Error Beta t Sig. Lower Bound Upper Bound
1 (Constant) -45.163 15.015 -3.008 .095 -109.766 19.439
chelt_publicitate .019 .003 .977 6.422 .023 .006 .032
a. Dependent Variable: Val_vanzari
Correlations
vanzari chelt_publ
vanzari Pearson Correlation 1 .977*
Sig. (2-tailed) .023
N 4 4
chelt_publ Pearson Correlation .977* 1
Sig. (2-tailed) .023
N 4 4
*. Correlation is significant at the 0.05 level (2-tailed).
51
1. Tabelul coeficientilor de regresie
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients 95% Confidence Interval for B
Model B Std. Error Beta t Sig. Lower Bound Upper Bound
1 (Constant) -45.163 15.015 -3.008 .095 -109.766 19.439
chelt_publicitate .019 .003 .977 6.422 .023 .006 .032
a. Dependent Variable: Val_vanzari
52
Estimarea prin IC a pantei dreptei:
; ;
53
In estimarea prin IC a pantei dreptei se foloseşte
statistica t Student.
IC 95% este:
; = t0,025;2=4,303.
54
Valorile distribuţiei Student
19 2,093
∞ 1,96
55
IC devine:
56
ECONOMETRIE
CURSUL 3
CURS 3 - REGRESIA LINIARĂ SIMPLĂ
3.1. Testarea parametrilor de regresie
3.2. Testarea modelului de regresie
3.3. Testarea indicatorilor de corelaţie
2
3. Modelul de regresie liniară simplă
3.1. Testarea parametrilor modelului de regresie
1. Formularea ipotezelor:
H 0 : 0 0 H 0 : 1 0
H1 : 0 0 H1 : 1 0
2. Alegerea pragului de semnificaţie: α=0.05
3. Alegerea statisticii test:
ˆ0 0 H 0 ˆ0 ˆ1 1 H 0 ˆ1
t ~ t ( n 2) t ~ t ( n 2)
ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ
0 0 1 1
6. Regula de decizie:
- dacă | t calc | tteoretic , nu se respinge ipoteza H 0 cu o probabilitate 1- α
- , se respinge ipoteza cu un risc asumat α
4
3. Modelul de regresie liniară simplă
3.1. Testarea parametrilor modelului de regresie
6. Regula de decizie:
-
Se compara p-value (Sig.) si α
Sig. H 0
Sig.
5
3. Modelul de regresie liniară simplă
3.1. Testarea parametrilor modelului de regresie
6. Regula de decizie:
- dacă | t calc | tteoretic , se respinge ipoteza H 0 cu un risc asumat α
6
3. Modelul de regresie liniară simplă
3.1. Testarea parametrilor modelului de regresie
6. Regula de decizie:
-
Se compara p-value (Sig.) si α
Sig. H 1
Sig.
7
3. Modelul de regresie liniară simplă
Probleme specifice utilizând Excel
Aplicaţia (1)
xi yi
10 800
12 1000
12 1200
14 1600
16 1800
64 6400
8
Rezultate Excel
SUMMARY OUTPUT
Regression Statistics
Multiple R 0,973
R Square 0,946
Adjusted R Square 0,928
Standard Error 110,940
Observations 5,000
ANOVA
df SS MS F Significance F
Regression 1 651076,9231 651076,9231 52,9 0,005364071
Residual 3 36923,07692 12307,69231
Total 4 688000
1. Formularea ipotezelor:
H 0 : 1 0
H1 : 1 0
2. Alegerea pragului de semnificaţie: α=0.05
ˆ1 1 H 0 ˆ1
3. Alegerea statisticii test: testul Student t ~ t ( n 2)
ˆ ˆ ˆ ˆ
1 1
;
= t0,025;3=3,182.
10
Valorile distribuţiei Student
19 2,093
∞ 1,96
11
3. Modelul de regresie liniară simplă
Testarea semnificatiei pantei dreptei
12
3. Modelul de regresie liniară simplă
3.1. Testarea semnificatiei pantei dreptei de regresie
6. Regula de decizie:
- dacă | t calc | tteoretic , nu se respinge ipoteza H 0
- dacă | t calc | tteoretic , se respinge ipoteza H 0 cu un risc asumat α
13
3. Modelul de regresie liniară simplă
3.1. Testarea semnificatiei pantei dreptei de regresie
7. Decizia:
Deoarece ( =3,182)
, se respinge ipoteza H
0
1. Formularea ipotezelor:
H 0 : 0 0
H1 : 0 0
2. Alegerea pragului de semnificaţie: α=0.05
3. Alegerea statisticii test: testul Student
;
= t0,025;3=3,182.
15
3. Modelul de regresie liniară simplă
Testarea semnificatiei ordonatei la origine
16
3. Modelul de regresie liniară simplă
3.1. Testarea semnificatiei ordonatei la origine
6. Regula de decizie:
- dacă | t calc | tteoretic , nu se respinge ipoteza H 0
- dacă | t calc | tteoretic , se respinge ipoteza H 0 cu un risc asumat α
17
3. Modelul de regresie liniară simplă
3.1. Testarea semnificatiei ordonatei la origine
7. Decizia:
Deoarece ( =3,182)
, nu se respinge ipoteza H 0
19
3. Modelul de regresie liniară simplă
3.2. Testarea modelului de regresie
1.Formularea ipotezelor:
(modelul nu este semnificativ, adică X nu explică semnificativ variaţia lui Y)
(modelul este bine specificat sau modelul explică semnificativ legătura liniară dintre
cele două variabile)
20
3. Modelul de regresie liniară simplă
3.2. Testarea modelului de regresie
1.Formularea ipotezelor:
(modelul nu este semnificativ, adică X nu explică semnificativ variaţia lui Y)
(modelul este bine specificat sau modelul explică semnificativ legătura liniară dintre
cele două variabile)
; ; ;
RSS 21
2. Modelul de regresie liniară simplă
3.2. Testarea modelului de regresie
6. Regula de decizie:
- dacă Fcalc Fteoretic , nu se respinge ipoteza H 0 cu o probabilitate 1- α
- SAU Sig. H 0
𝑆𝑖𝑔.
𝑐𝑎𝑙𝑐
22
2. Modelul de regresie liniară simplă
3.2. Testarea modelului de regresie
6. Regula de decizie:
- dacă Fcalc Fteoretic , se respinge ipoteza H 0 cu un risc asumat α
- SAU Sig. H1
𝑆𝑖𝑔.
𝑐𝑎𝑙𝑐
23
7. Luarea deciziei
3. Tabelul ANOVA de regresie (RLS)
24
3. Modelul de regresie liniară simplă
3.2. Testarea modelului de regresie dintre Studii si Venit
1.Formularea ipotezelor:
(modelul nu este semnificativ; Studiile nu explică semnificativ variaţia Venitului)
(modelul este bine specificat sau modelul explică semnificativ legătura liniară dintre
Studii si Venit)
, ; ;
25
Tabelul Fisher
v2/v1 1 2 3 4 5 6 7
1 161,448 199,500 215,707 224,583 230,162 233,986 236,768
26
3. Modelul de regresie liniară simplă
3.2. Testarea modelului de regresie
5. Determinarea valorii calculate a testului (la nivelul eşantionului):
ANOVA
df SS MS F Significance F
Regression k-1 = 1 ESS = 651076,92 651076,92 52,9 0,0054
Residual n-k = 3 RSS = 36923,077 12307,692
Total n-1 =4 TSS = 688000
27
2. Modelul de regresie liniară simplă
3.2. Testarea modelului de regresie
6. Regula de decizie:
- dacă Fcalc Fteoretic , nu se respinge ipoteza H 0 cu o probabilitate 1- α
- dacă Fcalc Fteoretic , se respinge ipoteza H 0 cu un risc asumat α
7. Luarea deciziei
128 H1
29
3. Modelul de regresie liniară simplă
3.3. Testarea indicatorilor de corelaţie
6. Regula de decizie:
- dacă | tcalc | tteoretic, nu se respinge ipoteza H 0 ( ρ nu este semnificativ)
- dacă | t calc | tteoretic, se respinge ipoteza H 0 cu un risc asumat α ( ρ este
semnificativ)
7. Luarea deciziei 30
3. Modelul de regresie liniară simplă
Testarea semnificatiei coeficientului de corelatie
1. Formularea ipotezelor:
(Variabilele Studii si Venit nu sunt corelate semnificativ; nu există o
legătură de tip liniar intre Studii si Venit)
(Variabilele Studii si Venit sunt corelate semnificativ; există o legătură de
tip liniar intre Studii si Venit)
2. Alegerea pragului de semnificaţie: α=0.01
3. Alegerea statisticii test: testul Student
;
= t0,005;3=5,841
31
4. Determinarea valorii calculate a testului (relaţia scrisă pentru
date de la nivelul eşantionului):
, , , ,
= =7,25
, , , ,
0,973
32
3. Modelul de regresie liniară simplă
3.3. Testarea indicatorilor de corelaţie
6. Regula de decizie:
- dacă | tcalc | tteoretic, nu se respinge ipoteza H 0 cu o probabilitate 1- α
- dacă | t calc | tteoretic, se respinge ipoteza H 0 cu un risc asumat α ( ρ este
semnificativ)
33
3. Modelul de regresie liniară simplă
3.3. Testarea indicatorilor de corelaţie
7. Decizia:
Deoarece ( =5,841)
, se respinge ipoteza H
0
34
3. Modelul de regresie liniară simplă
3.3. Testarea indicatorilor de corelaţie
Testarea raportului de determinaţie η2
1.Formularea ipotezelor:
02 0
H 0 : (între cele două variabile nu există o legătură semnificativă de tip liniar)
02 0
H1 : (între cele două variabile există o legătură semnificativă de tip liniar)
35
3. Modelul de regresie liniară simplă
3.3. Testarea indicatorilor de corelaţie
6. Regula de decizie:
- dacă Fcalc Fteoretic, nu se respinge ipoteza H 0 ( η2 nu este semnificativ)
- dacă Fcalc Fteoretic, se respinge ipoteza H 0 cu un risc asumat α ( η2 este
semnificativ)
7. Luarea deciziei 36
3. Modelul de regresie liniară simplă
3.3. Testarea indicatorilor de corelaţie
Testarea raportului de determinaţie η2 dintre Studii si Venit
1.Formularea ipotezelor:
02 0
H 0 : (între Studii si Salariul curent nu există o legătură semnificativă de tip liniar)
02 0
H1 : (între Studii si Salariul curent există o legătură semnificativă de tip liniar)
, ; ; 37
Tabelul Fisher
v2/v1 1 2 3 4 5 6 7
1 161,448 199,500 215,707 224,583 230,162 233,986 236,768
38
3. Modelul de regresie liniară simplă
3.3. Testarea indicatorilor de corelaţie
Testarea raportului de determinaţie η2
Determinarea valorii calculate a testului (la nivelul eşantionului):
39
2. Modelul de regresie liniară simplă
3.2. Testarea indicatorilor de corelatie
6. Regula de decizie:
- dacă Fcalc Fteoretic , nu se respinge ipoteza H 0 cu o probabilitate 1 – α
- dacă Fcalc Fteoretic , se respinge ipoteza H 0 cu un risc asumat α
7. Luarea deciziei
128 H1
41
3. Modelul de regresie liniară simplă
3.3. Testarea indicatorilor de corelaţie
6. Regula de decizie:
- dacă Fcalc Fteoretic, nu se respinge ipoteza H 0 ( η2 nu este semnificativ)
- dacă Fcalc Fteoretic, se respinge ipoteza H 0 cu un risc asumat α ( η2 este
semnificativ)
7. Luarea deciziei 42
3. Modelul de regresie liniară simplă
Probleme specifice utilizând SPSS
Aplicaţia (2)
• Se consideră datele cu privire la valoarea vânzărilor şi cheltuielile cu
publicitatea pentru un eşantion de 4 firme. Datele sunt prezentate în
tabelul următor:
43
3. Modelul de regresie liniară simplă
Probleme specifice utilizând SPSS
Rezultatele modelării econometrice
Model Summary
Unstandardized Standardized
Coefficients Coefficients 95% Confidence Interval for B
Model B Std. Error Beta t Sig. Lower Bound Upper Bound
1 (Constant) -45.163 15.015 -3.008 .095 -109.766 19.439
chelt_publicitate .019 .003 .977 6.422 .023 .006 .032
a. Dependent Variable: Val_vanzari
Correlations
vanzari chelt_publ
vanzari Pearson Correlation 1 .977*
Sig. (2-tailed) .023
N 4 4
chelt_publ Pearson Correlation .977* 1
Sig. (2-tailed) .023
N 4 4
44
*. Correlation is significant at the 0.05 level (2-tailed).
3. Modelul de regresie liniară simplă
Probleme specifice utilizând SPSS
Aplicaţia (3)
Se consideră rata mortalităţii infantile şi PIB-ul (Produsul Intern Brut)
înregistrate pentru judeţele României, în anul 2010.
45
3. Modelul de regresie liniară simplă
Probleme specifice utilizând SPSS
Aplicaţia (3) – rezultatele modelării econometrice
2. Estimarea şi testarea parametrilor de regresie
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients 95% Confidence Interval for B
Model B Std. Error Beta t Sig. Lower Bound Upper Bound
1 (Constant) 13,636 ,825 16,526 ,000 11,969 15,304
PIB -,00016 ,00004 -,00016 -4,140 ,000 -,00023 -,00008
a. Dependent Variable: Rata mortalitatii infantile
46
3. Modelul de regresie liniară simplă
Probleme specifice utilizând SPSS
Aplicaţia (3) – rezultatele modelării econometrice
3. Estimarea şi testarea coeficientului de corelaţie
Correlations
Rata
mortalitatii
infantile PIB
Rata mortalitatii infantile Pearson Correlation 1 -,548**
Sig. (2-tailed) ,000
N 42 42
PIB Pearson Correlation -,548** 1
Sig. (2-tailed) ,000
N 42 42
**. Correlation is significant at the 0.01 level (2-tailed).
47
3. Modelul de regresie liniară simplă
Probleme specifice utilizând SPSS
Aplicaţia (3) – rezultatele modelării econometrice
4. Estimarea şi testarea raportului de determinaţie şi raportului de
corelaţie
Model Summary
Sum of
Model Squares df Mean Square F Sig.
1 Regression 71,382 1 71,382 17,142 ,000a
Residual 166,568 40 4,164
Total 237,951 41
a. Predictors: (Constant), PIB 48
b. Dependent Variable: Rata mortalitatii infantile
ECONOMETRIE
CURSUL 4
CURS 4 - REGRESIA LINIARĂ SIMPLĂ
4.1. Regresia prin origine
4.2. Exemplu de model RLS prin origine
2
Regresia prin origine (1)
1500
Venit
1000 y = 101.9x
R² = 0.9823
500
0
0 5 10 15 20
Studii
3
Regresia prin origine (2)
4
Regresia prin origine (3)
5
Regresia prin origine (4)
Prin anularea derivatei de ordinul întâi se obţine:
64 6400
8
Exemplu de model RLS prin origine
Standard
Coefficients Error t Stat P-value Lower 95% Upper 95%
Intercept 0 #N/A #N/A #N/A #N/A #N/A
Nivelul studiilor (ani) 101,9048 6,834619 14,91009 0,000118 82,92882 120,8807
Tabelul ANOVA
Significance
df SS MS F F
Regression 1 8723048 8723048 222,3107 0,000655
Residual 4 156952,4 39238,1
Total 5 8880000
9
Raportul de corelaţie şi raportul de determinaţie
Regression Statistics
Multiple R 0,991123
R Square 0,982325
10
ECONOMETRIE
•iar:
p este numărul de variabile independente;
k este numărul de parametri din model;
n este volumul de date disponibile.
Modelul de regresie liniară multiplă
1. Prezentare generală
Interpretarea coeficienţilor de regresie
• este valoarea medie a variabilei dependente, în condiţiile în care
influenţa variabilelor independente este nulă (X1=0, X2=0, …., Xp=0).
Acest parametru se numeşte constanta sau termenul liber al modelului,
pentru că este coeficientul asociat unei variabile degenerate, 1;
• este coeficient de regresie parţial și indică efectul sau influenţa
parţială a unei variabile explicative asupra variabilei explicate,
considerând constante sau eliminând efectul celorlalte variabile
independente;
j b j t / 2,nk sˆ , b j t / 2,nk sˆ
j j
Modelul de regresie liniară multiplă
3. Estimarea indicatorilor de corelaţie
a) Coeficientul de corelaţie parţială
r12 ry1ry 2
r12. y
(1 ry21 )(1 ry22 )
Modelul de regresie liniară multiplă
3. Estimarea indicatorilor de corelaţie
etc.
11
Modelul de regresie liniară multiplă
3.Estimarea indicatorilor de corelaţie
unde:
Modelul de regresie liniară multiplă
3.Estimarea indicatorilor de corelaţie
b) Raportul de determinaţie multiplă
Modelul de regresie liniară multiplă
3. Estimarea indicatorilor de corelaţie
c) Raportul de corelaţie multiplă
Modelul de regresie liniară multiplă
3. Estimarea indicatorilor de corelaţie
d) Raportul de determinaţie multiplă ajustat
Modelul de regresie liniară multiplă
4. Testarea parametrilor modelului de regresie
1. Formularea ipotezelor:
6. Regula de decizie:
3. Modelul de regresie liniară multiplă
5. Testarea indicatorilor de corelaţie
a) Testarea coeficientului de corelaţie bivariată
3. Modelul de regresie liniară multiplă
5. Testarea indicatorilor de corelaţie
3. Modelul de regresie liniară multiplă
5. Testarea indicatorilor de corelaţie
b) Testarea coeficientului de corelaţie parţială
3. Modelul de regresie liniară multiplă
5. Testarea indicatorilor de corelaţie
c) Testarea raportului de corelaţie si a raportului de determinaţie
22
3. Modelul de regresie liniară mutiplă
6. Testarea modelului de regresie
3. Modelul de regresie liniară multiplă
4. Testarea modelului de regresie
3. Modelul de regresie liniară multiplă
7. Testarea influenţei marginale a unei variabile independente
Testarea influenţei marginale a unei variabile
independente introduse în model
EXEMPLUL 1
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 .661a .436 .435 $12,833.540 .436 365.381 1 472 .000
2 .663b .439 .437 $12,815.280 .003 2.346 1 471 .126
a. Predictors: (Constant), Educational Level (years)
b. Predictors: (Constant), Educational Level (years), Months since Hire
EXEMPLUL 2
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 .661 a .436 .435 $12,833.540 .436 365.381 1 472 .000
2 .890 b .792 .792 $7,796.524 .356 807.889 1 471 .000
a. Predictors: (Constant), Educational Level (years)
b. Predictors: (Constant), Educational Level (years), Beginning Salary
3. Modelul de regresie liniară multiplă
7. Testarea influenţei marginale a unei variabile independente
Testarea influenţei marginale a unei variabile
independente excluse din model
EXEMPLUL 3
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 (%)
3. Modelul de regresie liniară multiplă
8. Ierarhizarea importanţei factorilor de influenţă
30
3. Modelul de regresie liniară multiplă
8. Ierarhizarea importanţei factorilor de influenţă
3. Modelul de regresie liniară multiplă
8. Ierarhizarea importanţei factorilor de influenţă
•Fiecare coeficient arată impactul parţial al variaţiei cu o
unitate a variabilei independente standardizate asupra
variabilei dependente standardizate.
•În urma standardizării, discutăm despre variaţia în unităţi
de abateri standard pentru fiecare variabilă.
• Valoarea coeficienţilor de regresie din modelul
standardizat se interpretează ca unităţi de abateri
standard pentru variabila dependentă.
•Cel mai mare coeficient în valoare absolută indică cea mai
mare influenţă asupra variabilei dependente, iar semnul
coeficientului arată sensul acestei influenţe.
32
Exemplu
33
3. Modelul de regresie liniară multiplă
9. Probleme specifice utilizând SPSS
Aplicaţia (1)
• Se consideră rata mortalităţii infantile, PIB-ul (Produsul Intern Brut) şi
populaţia urbană înregistrate pentru judeţele României, în anul 2013.
3. Modelul de regresie liniară multiplă
9. Probleme specifice utilizând SPSS
Aplicaţia (1) – rezultatele modelării econometrice
1. Estimarea şi testarea parametrilor de regresie
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
3. Modelul de regresie liniară multiplă
9. Probleme specifice utilizând SPSS
Aplicaţia (1) – rezultatele modelării econometrice
2. Estimarea coeficienţilor de corelaţie bivariată (coloana Zero-order) şi
parţială (coloana Partial)
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
3. Modelul de regresie liniară multiplă
9. Probleme specifice utilizând SPSS
Aplicaţia (1) – rezultatele modelării econometrice
3. Estimarea şi testarea coeficienţilor de corelaţie parţială
Correlations
Rata
mortalitatii Produs
Control Variables infantile Intern Brut
Populatia urbana Rata mortalitatii infantile Correlation 1,000 -,347
Significance (2-tailed) . ,026
df 0 39
Produs Intern Brut Correlation -,347 1,000
Significance (2-tailed) ,026 .
df 39 0
Correlations
Rata
mortalitatii Populatia
Control Variables infantile urbana
Produs Intern Brut Rata mortalitatii infantile Correlation 1,000 -,128
Significance (2-tailed) . ,426
df 0 39
Populatia urbana Correlation -,128 1,000
Significance (2-tailed) ,426 .
df 39 0
3. Modelul de regresie liniară multiplă
9. Probleme specifice utilizând SPSS
Aplicaţia (1) – rezultatele modelării econometrice
4. Estimarea şi testarea raportului de determinaţie multiplă şi
raportului de corelaţie multiplă
Model Summary
Sum of
Model Squares df Mean Square F Sig.
1 Regression 74,098 2 37,049 8,818 ,001a
Residual 163,852 39 4,201
Total 237,951 41
a. Predictors: (Constant), Populatia urbana, Produs Intern Brut
b. Dependent Variable: Rata mortalitatii infantile
3. Modelul de regresie liniară multiplă
9. Probleme specifice utilizând SPSS
Aplicaţia (1) – rezultatele modelării econometrice
6. Testarea influenţei marginale a unei variabile independente
introduse în model
3. Modelul de regresie liniară multiplă
9. Probleme specifice utilizând SPSS
Aplicaţia (1) – rezultatele modelării econometrice
7. Testarea influenţei marginale a unei variabile independente excluse
din model
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 ,558a ,311 ,276 2,0497 ,311 8,818 2 39 ,001
2 ,548b ,300 ,282 2,0406 -,011 ,646 1 39 ,426
a. Predictors: (Constant), Produs Intern Brut, Populatia urbana
b. Predictors: (Constant), Produs Intern Brut
3. Modelul de regresie liniară multiplă
9. Probleme specifice utilizând SPSS
Aplicaţia (1) – rezultatele modelării econometrice
8. Ierarhizarea importanţei factorilor de influenţă (ierarhizarea
variabilelor independente)
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
3. Modelul de regresie liniară multiplă
9. Probleme specifice utilizând SPSS
Aplicaţia (2)
Pentru un eşantion de 77 de mărci de cereale, se studiaza
legătura dintre ratingul acordat de consumatori unei mărci
de cereale (Y) şi factorii de influenţă: cantitatea de grăsimi
(X1), zahăr (X2), fibre (X3) exprimate in grame şi nr. de calorii
(X4) .
Model Summary
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 9325,268 2 4662,634 60,836 ,000a
Residual 5671,533 74 76,642
Total 14996,800 76
a. Predictors: (Constant), sugars, fat
b. Dependent Variable: rating
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 61,089 1,953 31,284 ,000
fat -3,066 1,036 -,220 -2,958 ,004
sugars -2,213 ,235 -,700 -9,428 ,000
a. Dependent Variable: rating
43
Model Summary
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 12503,728 3 4167,909 145,570 ,000a
Residual 1946,958 68 28,632
Total 14450,686 71
a. Predictors: (Constant), fat, fiber, sugars
b. Dependent Variable: rating
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 53,673 1,389 38,637 ,000
fiber 2,938 ,261 ,507 11,265 ,000
sugars -1,992 ,150 -,622 -13,238 ,000
fat -3,347 ,656 -,238 -5,103 ,000
a. Dependent Variable: rating
44
45
46
Coeficienţii de corelaţiei parţială (de ordinul 2)
Coeficienţii de corelaţiei parţială (de ordinul 2)
Coeficienţii de corelaţiei parţială (de ordinul 2)
Regresie liniara multipla
Problema I.
Pe baza datelor pentru un esantion de 74 de tari, s-a estimat legătura dintre Rata mortalitatii
infantile (%) si setul de variabile independente Nr. de cazuri de SIDA (Aids cases – numar
cazuri), Rata de alfabetizare (People who read - %), PIB/locuitor (Gross domestic
product/capita - $/locuitor) şi Aportul zilnic de calorii (Daily calorie intake – numar calorii).
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 .942a .888 .883 13.2502 .888 184.690 3 70 .000
2 .944b .890 .884 13.2005 .002 1.529 1 69 .220
a. Predictors: (Constant), Aids cases, People who read (%), Daily calorie intake
b. Predictors: (Constant), Aids cases, People who read (%), Daily calorie intake, Gross domestic product / capita
kold=4 parametrii
R2 old = 0,888
knew=5 parametrii
R2 new = 0,890
Prin includerea variabilei indep PIB, puterea explicativa a modelului (R2) a crescut cu 0,2%
(0,002).
H0: Variabila PIB nu are o influenta marginala semnificativa statistic / modelul new nu este
mai bun decat modelul old / R2 Change (cresterea lui R2) nu este semnificativa statistic
H1: Variabila PIB are o influenta marginala semnificativa statistic / modelul new este mai bun
decat modelul old / R2 Change (cresterea lui R2) este semnificativ statistic
Testul Fisher
𝑅 −𝑅 𝑛−𝑘
𝐹= ×
1−𝑅 𝑘 −𝑘
, ,
𝐹= ,
× = ,
× = 1,529
df1 = 𝑘 −𝑘 =1
df2 = 𝑛 − 𝑘 = n-5 = 69
Decizia:
SAU
Pe baza datelor pentru un esantion de 74 de tari, s-a estimat legătura dintre Rata mortalitatii
infantile (%) si setul de variabile independente Nr. de cazuri de SIDA (Aids cases – numar
cazuri), Rata de alfabetizare (People who read - %), PIB/locuitor (Gross domestic
product/capita - $/locuitor) şi Aportul zilnic de calorii (Daily calorie intake – numar calorii).
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 .944a .890 .884 13.2005 .890 139.946 4 69 .000
2 .942b .888 .883 13.2502 -.002 1.529 1 69 .220
3 .941c .886 .883 13.2606 -.002 1.111 1 70 .295
a. Predictors: (Constant), Gross domestic product / capita, Aids cases, People who read (%), Daily calorie intake
b. Predictors: (Constant), Aids cases, People who read (%), Daily calorie intake
c. Predictors: (Constant), People who read (%), Daily calorie intake
kold=5 parametrii
R2 old = 0,890
knew=4 parametrii
R2 new = 0,888
Prin excluderea variabilei indep PIB din model, puterea explicativa a modelului (R2) a scazut
cu 0,2% (0,002).
H0: Variabila PIB exclusa din model nu are o influenta marginala semnificativa statistic / R2
Change (scaderea lui R2) nu este semnificativ statistic / excluderea var PIB nu aduce o
imbunatatire modelului
H1: Variabila PIB exclusa are o influenta marginala semnificativa statistic / R2 Change
(scaderea lui R2) este semnificativ statistic
Testul Fisher
df1 = 𝑘 −𝑘 =1
df2 = 𝑛 − 𝑘 = n-4 = 70
Decizia:
SAU
kold=4 parametrii
R2 old = 0,888
knew=3 parametrii
R2 new = 0,886
H0: Variabila AIDS exclusa din model nu are o influenta marginala semnificativa statistic /
R2 Change (scaderea lui R2) nu este semnificativ statistic / excluderea var PIB aduce o
imbunatatire modelului
H1: Variabila AIDS exclusa are o influenta marginala semnificativa statistic / R2 Change
(scaderea lui R2) este semnificativ statistic / excluderea var PIB nu aduce o imbunatatire
modelului
Testul Fisher
df1 = 𝑘 −𝑘 =1
df2 = 𝑛 − 𝑘 = n-5 = 69
Decizia:
SAU
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 .661a .436 .435 $12,833.540 .436 365.381 1 472 .000
2 .663b .439 .437 $12,815.280 .003 2.346 1 471 .126
a. Predictors: (Constant), Educational Level (years)
b. Predictors: (Constant), Educational Level (years), Months since Hire
kold=2 parametrii
R2 old = 0,436
knew=3 parametrii
R2 new = 0,439
43,9% din var Salariului este explicata de var indep Studii si Vechime.
Prin includerea variabilei indep Vechimea, puterea explicativa a modelului (R2) a crescut cu
0,3% (0,003).
H0: Variabila Vechimea nu are o influenta marginala semnificativa statistic / modelul new nu
este mai bun decat modelul old / R2 Change (cresterea lui R2) nu este semnificativa statistic
H1: Variabila Vechimea are o influenta marginala semnificativa statistic / modelul new este
mai bun decat modelul old / R2 Change (cresterea lui R2) este semnificativ statistic
Testul Fisher
df1 = 𝑘 −𝑘 =1
df2 = 𝑛 − 𝑘 = n-3 = 471
Decizia:
SAU
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 .661a .436 .435 $12,833.540 .436 365.381 1 472 .000
2 .890b .792 .792 $7,796.524 .356 807.889 1 471 .000
a. Predictors: (Constant), Educational Level (years)
b. Predictors: (Constant), Educational Level (years), Beginning Salary
kold=2 parametrii
R2 old = 0,436
knew=3 parametrii
R2 new = 0,792
79,2% din var Salariului este explicata de var indep Studii si Salariul la angajare.
Prin includerea variabilei indep Salariul la angajare, puterea explicativa a modelului (R2) a
crescut cu 35,6% (0,356).
H0: Variabila Sal la angajare nu are o influenta marginala semnificativa statistic / modelul
new nu este mai bun decat modelul old / R2 Change (cresterea lui R2) nu este semnificativ
statistic
H1: Variabila Sal la angajare are o influenta marginala semnificativa statistic / modelul new
este mai bun decat modelul old / R2 Change (cresterea lui R2) este semnificativ statistic
Testul Fisher
df1 = 𝑘 −𝑘 =1
df2 = 𝑛 − 𝑘 = n-3 = 471
Decizia:
SAU
Pe baza datelor pentru un esantion de 74 de tari, s-a estimat legătura dintre Rata mortalitatii
(%) si setul de variabile independente Speranta de viata a populatiei feminine, Ponderea
populatiei din urban, Rata de alfabetizare (People who read - %) şi Aportul zilnic de calorii
(Daily calorie intake – numar calorii).
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 (%)
kold=5 parametrii
R2 old = 0,828
knew=4 parametrii
R2 new = 0,822
Prin excluderea variabilei indep PopU din model, puterea explicativa a modelului (R2) a
scazut cu 0,6% (0,006).
H0: Variabila PopU exclusa din model nu are o influenta marginala semnificativa statistic
H1: Variabila PopU exclusa are o influenta marginala semnificativa
Testul Fisher
df1 = 𝑘 −𝑘 =1
df2 = 𝑛 − 𝑘 = n-4 = 69
Fcalc = F Change = 1,111
Decizia:
SAU
Pe baza datelor pentru un esantion de 74 de tari, s-a estimat legătura dintre Rata mortalitatii
infantile (%) si setul de variabile independente Nr. de cazuri de SIDA (Aids cases – numar
cazuri), Rata de alfabetizare (People who read - %), PIB/locuitor (Gross domestic
product/capita - $/locuitor) şi Aportul zilnic de calorii (Daily calorie intake – numar calorii).
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1
2 (Constant) 193.080
184.407 7.782
10.454 24.812
17.639 .000
Daily calorie intake -.016 .005 -.236 -3.522 .001
People who read (%) -1.195 .094 -.713 -12.689 .000
Aids cases 4.47E-005 .000 .056 1.335 .186
Gross domestic
.000 .000 -.081 -1.236 .220
product / capita
a. Dependent Variable: Infant mortality (deaths per 1000 live births)
Pentru 77 de marci de cereale se cunosc urmatoarele date: Calories - Numar calorii pentru
100g, Fat - Grasimi (g), Sugars - Zahar (g) si Rating - Scorul mediu de preferinta obtinut
pentru un esantion de respondenti. Rezultatele obţinute pentru modelul de regresie multiplă
liniară sunt prezentate in tabelul următor :
|𝑏 | > |𝑏 | > |𝑏 |
Ordinea var indep dupa importanta lor este: X2 - sugars, X3 - calories,X1 - fat
𝑏 = −0,336: Daca var calories creste cu o abatere standard, atunci rating scade, in
medie, cu 0,336 abateri standard, in conditiile in care celelate var indep se mentin constante.