Cursuri Econometrie

ECONOMETRIE
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
• 30% - test de evaluare pe parcurs, test grilă (temele 1 – 3);
• 30% - evaluare la seminar;
• 40% - examen final, test grilă (temele 4 – 5).
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
Termenul econometrie a fost introdus în anul 1926 de către

economistul şi statisticianul norvegian Ragnar Frisch,
distins cu Premiul Nobel pentru economie, în anul 1910.
Prin eforturile specialistilor Ragnar Frisch si Irving Fisher, în

anul 1930, în SUA (Cleveland), se înfiinţează Societatea de
Econometrie
- 1933 – prima revistă de econometrie, “Econometrica”
6
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
 Econometria ajută la identificarea şi măsurarea relaţiei de

cauzalitate care există între variabilele economice.
 Economiştii sunt interesaţi de descrierea legăturii dintre două
sau mai multe variabile.
 Relaţiile identificate între variabilele economice sunt folosite
pentru:
 analiza şi predicţia fenomenelor;
 adoptarea deciziilor, fundamentarea unor politici, în general,

la nivel macroeconomic (monetare, fiscale).
9
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
 Relaţia dintre rata inflaţiei şi rata şomajului:

1
rata _ inf   o  1 
somaj
• Relaţia dintre venituri şi consum (modelul consumului
lui Keynes):
consum   o  1  venit
 Relaţia dintre cerere şi preţ: cerere   o  1  pret

 Relaţia dintre producţie şi factorii de producţie;
 Relaţia dintre rata dobânzii şi investiţii;
 Modelul econometric al veniturilor – venitul este funcţie
de nivelul de educaţie, experienţa în muncă, genul
persoanei etc. 11
12
13
Metoda de lucru
 Econometria studiază realităţile economice sub aspect cantitativ,
cu ajutorul unui instrument specific: modelul econometric.
 În construcţia unui model econometric, economia trebuie tratată

ca sistem. Alegerea variabilelor trebuie făcută cu multă grijă,
într-o dependenţă fundamentată economic:
 Diminuarea ratei dobânzii  creşterea investiţiilor  scăderea

şomajului;
 În paralel, diminuarea ratei dobânzii  creşterea cererii pentru
bunurile durabile (cumpărate în rate)  creşterea importului unor
astfel de bunuri.
14
Modelul economic
Modelul, în sensul larg al cuvântului, este o reprezentare teoretică

şi simplificată a unui fenomen, proces sau sistem din lumea
reală.
Modelul este o schemă simplificată a realităţii studiate.
 Modelul economic - descrierea unei economii sau a unui
sector din economie, folosind anumite ipoteze simplificatoare
şi adecvate.
 Modelarea economică – exprimarea, prin relaţii matematice,
a dependenţelor deterministe existente între variabilele
economice analizate.
15
Modelul economic
Exemplu pentru un model economic

 Legea cererii – unul din factorii care determină cererea este
preţul
D   0  1 P
 D – cantitatea cerută
 P – preţul
  şi  constante reale,  0 >0 şi

0 1
1<0
 Relaţie deterministă, de tip liniar, de sens invers.
16
Modelul econometric
Modelul econometric presupune exprimarea modelului

economic într-o formă testabilă empiric.
De exemplu, modelul econometric al cererii este:
Modelul liniar: D   0  1 P  
Modelul neliniar: D   0  P 1  
unde, pe lângă variabilele D, P şi parametrii  0 , 1 , din modelul

economic, apare variabila reziduală  .
17
Modelul econometric
18
Modelul econometric
 Modelul econometric este compus din:

 O componentă deterministă care descrie legătura dintre
variabile atunci când nu există erori;
D   0   1P
 O componentă stochastică, eroare: 
19
Modelul econometric
 Modelul econometric este o ecuaţie sau un sistem de ecuaţii

construit pe baza variabilelor economice.
Forma generală a unui model 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
Variabila reziduală este o variabilă aleatoare, neobservabilă, a

cărei prezenţă în modelul econometric se poate justifica prin:
 alegerea neadecvată a formei funcţionale a dependenţei

deterministe în modelul economic;
 neincluderea în model a unor variabile exogene importante;
 existenţa unor posibile erori în măsurarea datelor.
22
Modelul econometric
 De regulă, variabila reziduală apare în model ca sumă a

tuturor influenţelor necunoscute sau care nu sunt specificate.
 În cercetarea econometrică, variabila eroare este o variabilă
aleatoare care respectă anumite proprietăţi numite şi ipoteze
clasice (ex: ipoteza de normalitate a erorilor).
 Se simbolizează cu  .
23
Modelul econometric
• Parametrii modelului (coeficienţii de regresie) sunt mărimi fixe, dar

necunoscute, cu ajutorul cărora se exprimă relaţiile dintre variabile în
cadrul modelului.
- se notează cu β şi fac obiectul procesului de estimare şi testare
statistică.
• Estimatorii sunt variabile aleatoare cu distribuţii de probabilitate

cunoscute şi cu proprietăţi specifice în baza cărora se realizează
procesul de estimare a parametrilor modelului econometric.
- se notează cu ̂ .
• Estimaţiile sunt valori posibile ale estimatorilor calculate la nivelul

unui eşantion sau set de date reale observate din realitate.
- se notează cu b.
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.
b) modele de regresie probabiliste: Y=f(x) +ε,

- unde ε este o variabilă numită eroare sau reziduu, care
sintetizează ansamblul factorilor cu influenţă asupra variabilei Y,
dar care nu pot fi comensuraţi şi care nu sunt prinşi în mod
explicit în model.
25
2) După numărul variabilelor independente incluse în model:

a) modele de regresie simplă (unifactoriale, univariate)
- variabila Y este explicată printr-un singur factor determinant,
ceilalţi factori au o acţiune aleatoare sau nesemnificativă.
Exemplu: funcţia de consum (consum-venituri).
b) modele de regresie multiplă (multivariate)

- variabila Y este explicată de doi sau mai mulţi factori.
Exemplu: funcţia de producţie, în care producţia depinde de
stocul de capital şi de forţa de muncă.
26
3) După forma legăturii dintre variabile:

a) modele de regresie liniară – dacă Y este o funcţie liniară de
variabila sau variabile explicative;
Y  0  1 X  
b) modele de regresie neliniară
Y   0  1 X   2 X  
2
27
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
Demersul metodologic al modelării econometrice

a) Formularea problemei în termeni economici, plecând de la

o teorie economică.
Exemplu: legea cererii care postulează dependenţa deterministă a
cererii de preţ.
b) Specificarea modelului matematic al teoriei economice

Exemplu: modelul economic al cererii este dat de funcţia cerere ,
D   0  1 P
unde D – cererea, P – preţul unitar,  0  0 şi 1  0 .
30
c) Specificarea modelului econometric, adică exprimarea

modelului economic într-o formă testabilă empiric.
De exemplu, modelul econometric al cererii este dat de
D   0  1 P  
unde, pe lângă variabilele D, P şi parametrii  0 , 1 , din modelul

economic, apare variabila reziduală  .
Această variabilă trebuie să satisfacă anumite ipoteze. (ex:
variabila reziduală urmează repartiţia probabilistă normală de
medie zero şi varianţă  2 )
31
d) Estimarea parametrilor modelului econometric

- se realizează cel mai adesea prin metoda celor mai mici pătrate
(MCMMP);
- altă metodă de estimare a parametrilor modelului econometric:
metoda verosimilităţii maxime.
e) Testarea ipotezelor statistice

- se verifică semnificaţia statistică a parametrilor şi a
modelului, precum şi îndeplinirea condiţiilor cerute de teoria
economică şi de metodologia statistică.
32
f) Testarea adecvării modelului econometric conduce la una

dintre situaţiile:
1) Modelul econometric nu este adecvat, situaţie în care
se reia analiza, începând cu reformularea etapei c);
2) Modelul econometric este adecvat, situaţie în care se
continuă analiza cu etapele următoare.
33
g) Interpretarea parametrilor modelului econometric în cadrul

teoriei economice
De exemplu, în cazul funcţiei cerere, semnul minus al ratei
marginale indică faptul că cererea scade, dacă preţul creşte.
h) Utilizarea modelului econometric estimat pentru

predicţii şi luarea de decizii în politica economică
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).
•Pe baza datelor de mai sus, putem construi 5 repartiţii condiţionate.

3
Interpretarea geometrică şi statistică a regresiei
4
Interpretarea geometrică a regresiei
•Mediile condiţionate corespunzătoare celor 5 repartiţii:
5
 O valoare a variabilei condiţionate Y | X  xi se poate scrie:

yxi  0  1 xi
 Dreapta de regresie: mediile distribuţiilor condiţionate
YX  0  1 X
6
 Forma generală a unui model de regresie este: M(Y│X)=f(x).
 Pentru modelul de regresie liniară simplă forma modelului

devine:
M(Y│X) = β0+β1X
unde:
M(Y│X) – media condiţionată corespunzătoare variabilei
stohastice Y
β0 şi β1 – parametrii modelului.
7
 În cele mai multe cazuri, valorile reale yi diferă de valorile

aşteptate (teoretice) M(Y│X=xi) = yxi = .
 Abaterea valorilor reale faţă de valorile teoretice reprezintă
valorile variabilei stohastice, ε, denumită eroare de modelare.
εi = yi – yxi = yi - M(Y│X=xi)  yi = M(Y│X=xi) + εi = β0+ β1xi + εi
Deci:
yi = β0+ β1xi + εi
sau Y= β0+ β1X + ε
8
1. Modelul RLS
 Componentele modelului RLS sunt:
1. Componenta deterministă este reprezentată de media

condiţionată: M(Y│X=xi) = β0+ β1xi
2. Componenta aleatoare ε depinde de: natura fenomenului,

specificarea incompletă a modelului şi erorile de măsurare.
9
Parametrii modelului de regresie liniară simplă
Y
0
1
0 X
Linia de regresie sau media condiţionată
10
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).
 1 reprezintă variaţia medie absolută a variabilei dependente, Y, la o

variaţie absolută cu o unitate a variabilei independente, X.
Daca
 Grafic, parametrul reprezintă tangenta unghiului format dintre dreapta
de regresie şi axa OX sau panta dreptei de regresie (engl. slope).
11
 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);
 Dacă β1=0 nu există legătură de tip liniar între variabilele Y şi X.
12
 La nivelul unui eşantion, modelul yi   0  1 xi   i poate fi scris pe

baza estimatorilor yi  ˆ0  ˆ1 xi  ˆi sau y i  yˆ i  ˆi .
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.
•Estimarea se poate realiza:

-punctual: metoda celor mai mici pătrate (MCMMP);
-prin interval de încredere.
•Problemele pe care le ridică estimarea parametrilor modelului de

regresie vizează metodele de determinare a estimatorilor,
proprietăţile estimatorilor obţinuţi printr-o anumită metodă şi
metodele de estimare a parametrilor. 14
2. Estimarea punctuală a parametrilor
modelului RLS
simplă
•Metode de determinare a estimatorilor parametrilor modelului de
regresie: metoda celor mai mici pătrate, metoda momentelor,
metoda verosimilităţii maxime etc.
•Principalele proprietăţi ale estimatorilor parametrilor modelului de

regresie sunt: nedeplasarea, convergenţa, eficienţa.
•Metoda celor mai mici pătrate presupune estimarea unei linii de

regresie care să aproximeze cel mai bine datele reale, adică între
valorile estimate și cele reale să existe o distanță cât mai mică.
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
 i  i i   yi  (ˆ0  ˆ1 xi )   yi  ˆ0  ˆ1 xi

 2 2
S 
ˆ 2
 y  ˆ
y  min
i 1 i 1 i 1 i 1
• Rezolvarea acestei probleme de minim presupune îndeplinirea a două

condiţii:
-anularea derivatelor parţiale de ordinul I ale lui S în raport cu ̂ 0 şi ̂1
S ( ˆ0 , ˆ1 ) şi S ( ˆ0 , ˆ1 )

0 0
ˆ ˆ  2S
0 1
2S 
 
-matricea derivatelor parţiale de   2 ˆ0 ˆ0 ˆ1 
det 2 0
ordinul doi să fie pozitiv definită:  S 2S 
 
 ˆ ˆ  1 
2 ˆ 16
 0 1
modelului RLS
•Anularea derivatelor parţiale de ordinul I ale lui S în raport cu estimatorii
celor doi parametri:
 
n n n
S
ˆ
2 y i  ˆ0  ˆ1 xi  1  0 nˆ0  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
•Matricea derivatelor parţiale de ordinul II

n
 x i 
 este pozitiv
 x x 2
definită fiindcă: n  x 2    x   n 2 2 . 0
2  i i 
i i
17
modelului RLS
Estimarea punctuală
• Parametrii modelului de regresie se estimează punctual, considerând
estimaţiile calculate la nivelul unui eşantion reprezentativ extras din
populaţia de referinţă, pe baza relaţiilor obţinute pentru estimatori:
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
-sunt convergenţi: ˆ  ,  ˆ   

0 nN 0 1 nN 1
-sunteficienţi: dintre toţi estimatorii posibili pentru , are varianţa

cea mai mică.
19
• Estimarea prin interval de încredere se bazează pe distribuţiile de

selecţie ale estimatorilor parametrilor  şi  .
0 1
• Atât pentru  0 , cât şi pentru 1 , intervalele de încredere se vor construi

pentru un nivel de încredere de (1-α):
IC (  0 ) : [ ˆ0  t / 2,n  k ˆ ˆ ] IC ( 1 ) : [ ˆ1  t / 2,n  kˆ ˆ ]
0 1
• Pe baza datelor de la nivelul unui eşantion, se vor utiliza estimaţiile

parametrilor:
IC (  0 ) : [b0  t / 2,n k s ˆ ] IC ( 1 ) : [b1  t / 2,n k sˆ ]
0 1
unde
k = numărul parametrilor estimaţi în model (pentru modelul liniar k=2),
n = volumul eşantionului pe baza căruia se fac estimările. 20
• Abaterile standard ale estimatorilor şi estimaţiile acestora se determină

după relaţiile:
   

2 1 x 2   1 x 2 
ˆ  0  ˆ 2ˆ      , respectiv sˆ0  sˆ0  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
unde ˆ 2 este estimatorul varianţei erorii de modelare, iar s 2 este

estimaţia acestuia:
ˆ  ˆ x ) 2 , respectiv 2  ei2  ( yi  b0  b1 xi ) 2
ˆ 2   i   i
ˆ 2
( y   0 1 i
s  
n2 n2 n2 n  2 21
Exemple de modele liniare simple în
teoria economică
Funcţia de consum
-consumul populaţiei în funcţie de venit:
Ci   0  1Vi   i , unde parametrul 1

 arată cu cât creşte consumul unui anumit produs (Ci ) la o creştere
cu o unitate a venitului;
 este de regulă pozitiv.
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
1. Se consideră datele cu privire la Nivelul studiilor (ani), X, şi

Venitul (euro), Y, pentru un eşantion de 5 angajaţi . Datele
sunt prezentate în tabelul următor.
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
Coefficients Standard Error t Stat P-value Lower 95% Upper 95%

Intercept -984,615 315,291 -3,123 0,052 -1988,011 18,781
Nivelul studiilor (ani) 176,923 24,325 7,273 0,005 99,509 254,337
Rezultate SPSS
25
Estimatiile punctuale ale parametrilor
Pentru eşantionul observat, modelul de regresie liniară simplă poate fi

scris:
Ecuatia dreptei de regresie este:
b1: Daca nivelul studiilor creste cu 1 an ( ), venitul creste, in

medie, cu 176,92 euro ( = ).
Daca nivelul studiilor creste cu 2 ani ( ), venitul creste, in
medie, cu 353,84 euro ( = ).
b0: Daca, ipotetic, nivelul studiilor este egal cu 0 ani, venitul mediu
estimat este egal cu -984,62 euro (M(Y|X=0) = . 26
Venitul estimat
in functie de
Venitul real
studii
Erorile
(euro)
Valorile 𝑦 reprezinta valorile venitului estimat in functie de studii, adica 𝑦 .

Daca X=10, atunci Yx=-984,62+176,92*10 --> Yx=784,62
27
Estimarea prin IC a parametrilor
 Estimarea prin IC a pantei dreptei:
; ;
Din tabelul Coefficients:

=176,92 (Unstd. Coeff.)
= 24,325 (Std. Error)
28
 In estimarea prin IC a pantei dreptei se foloseşte
statistica t Student.
 IC 95% este:
;
 Din Tabelul repartiţiei Student (Anexă) se citeşte

valoarea:
; = t0,025;3=3,182.
29
Valorile distribuţiei Student
v t0.1 t0.05 t0.025
1 3,078 6,314 12,706
2 1,886 2,920 4,303
3 1,638 2,353 3,182
... ... ... ...
19 2,093
∞ 1,96
30
 IC devine:
 Se poate garanta cu o probabilitate de 95% că

panta dreptei de regresie este acoperită de
intervalul (99,52; 254,32).
 La o crestere cu 1 an a nivelului de studii, venitul
creste, in medie, cu o valoare acoperita de
intervalul (99,52; 254,32) euro.
31
 Estimarea prin IC a ordonatei la origine:
; ;
Din tabelul Coefficients (de pe randul Intercept / Constant):

=-984,62 (Unstd. Coeff.)
= 315,291 (Std. Error)
32
 In estimarea prin IC a ordonatei la origine se
foloseşte statistica t Student.
 IC 95% este:

valoarea

; = t0,025;3=3,182.
33
 IC devine:

ordonata la origine este acoperită de intervalul
.
 Atunci cand, ipotetic, nivelului de studii este 0
ani, venitul mediu estimat este egal cu o valoare
acoperita de intervalul euro.
34
Rezultate Excel

Intercept -984,615 315,291 -3,123 0,052 -1988,011 18,781
Rezultate SPSS
35
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
•Legătura dintre estimația coeficientului de corelație (r) și estimația

coeficientului de regresie liniară (b1) se realizează prin relația:
s x2 2
r  b1 2
2 , unde s x şi
s y reprezintă estimațiile varianțelor variabilei
sy
X, respectiv a variabilei Y. 37
Coeficientul de corelaţie
38
2. Tabelul coeficientilor de corelatie
Rezultate SPSS
0,973
Legatura dintre Studii si Venit este o legatura directa si foarte

stransa.
39
Descompunerea variaţiei totale a variabilei Y
40
VT = 
i
(yi - y )2 , reprezintă variaţia totală (Total Sum of Squares);
VE =  (yˆ i - y )2 , reprezintă variaţia explicată (Explained Sum of Squares);

i
𝑉 = (𝑦 − 𝑦 ) = 𝑒 , reprezintă variaţia reziduală (Residual Sum of Squares).
•Variaţia totală este egală cu suma celorlalte două variaţii componente
VT = VE  VR
(TSS = ESS + RSS)
41
TSS = ESS + RSS
TSS = 688000 TSS 2
ESS= 651076,923 ESS 2
RSS 42
RSS = 36923,077
3. Tabelul ANOVA de regresie
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
TSS = ESS + RSS

TSS = Total Sum of Squares = 688000
ESS = Regression Sum of Squares = 651076,923
RSS = Residual Sum of Squares = 36923,077
43
3. Tabelul ANOVA de regresie
Rezultate SPSS
TSS = ESS + RSS

TSS = Total Sum of Squares = 688000
ESS = Regression Sum of Squares = 651076,923
RSS = Residual Sum of Squares = 36923,077
44
Raportul de determinaţie
 ( yˆ i  y ) 2
VE V
 2
 i
  1  R , cu 0 ≤ η2 ≤1
(y
i
i  y)2 VT VT
•O estimaţie a raportului de determinaţie se obţine prin relaţia:
 0 1
(b  b x  y ) 2
ESS RSS
R 2= i
  1
 i
(
i
y  y ) 2
TSS TSS
R2 măsoară ponderea variaţiei variabilei Y explicată prin variabila X.
45
Estimaţia raportului de determinaţie se obţine prin relaţia:
R2 măsoară ponderea variaţiei variabilei Y explicată prin variabila X.
Variatia Venitului este explicata in proportie de 94,6% de variatia

Nivelului studiilor.
Variatia Venitului este explicata in proportie de 5,4% de variatia factorilor
46
aleatori.
Raportul de corelaţie la nivelul populatiei totale
(parametrul)
0≤η≤1
Estimaţia raportului de corelaţie:
 (b  b x  y )
0 1
2
ESS RSS
R i
=  1
( y  y)
i
i
2
TSS TSS
47
Estimaţia raportului de corelaţie:
Legatura dintre Studii si Venit este o legatura foarte stransa.
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
Adjusted Std. Error of

Model R R Square R Square the Estimate
1 .977a .954 .931 10.64486
a. Predictors: (Constant), chelt_publicitate
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
N 4 4
*. Correlation is significant at the 0.05 level (2-tailed).
51
Coefficientsa
1 (Constant) -45.163 15.015 -3.008 .095 -109.766 19.439
Pentru eşantionul observat, modelul de regresie liniară simplă poate fi

scris:
Daca cheltuielile de publicitate cresc cu 100 euro, atunci valoarea

vanzarilor creste, in medie, cu 1900 euro.
52
 Estimarea prin IC a pantei dreptei:
; ;

= 0,003 (Std. Error)
53
 In estimarea prin IC a pantei dreptei se foloseşte
statistica t Student.
 IC 95% este:

valoarea

; = t0,025;2=4,303.
54
v t0.1 t0.05 t0.025
1 3,078 6,314 12,706
2 1,886 2,920 4,303
3 1,638 2,353 3,182
... ... ... ...
19 2,093
∞ 1,96
55
 IC devine:

panta dreptei de regresie este acoperită de
intervalul .
 La o crestere cu 100 de euro a cheltuielior de
publicitate, vanzarile cresc, in medie, cu o valoare
acoperita de intervalul (600; 3200) euro.
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
3.4. Probleme specifice utilizând SPSS
2
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
4. Determinarea valorii teoretice a testului:

tteoretic  t / 2; n  2 tteoretic  t / 2; n  2
5. Determinarea valorii calculate a testului:

b0 b1
tcalc  t calc 
sˆ s ˆ
1
3
0
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
-
Se compara p-value (Sig.) si α
Sig.    H 0
Sig.
5
- dacă | t calc | tteoretic , se respinge ipoteza H 0 cu un risc asumat α
6
-
Sig.    H 1
Sig.
7
Probleme specifice utilizând Excel
Aplicaţia (1)
 Se consideră datele cu privire la Nivelul studiilor (ani), X, şi

Venitul (euro) pentru un eşantion de 5 angajaţi. Datele sunt
prezentate în tabelul următor.
xi yi
10 800
12 1000
12 1200
14 1600
16 1800
64 6400
8
Rezultate Excel
SUMMARY OUTPUT
Multiple R 0,973
R Square 0,946
Observations 5,000
ANOVA
Regression 1 651076,9231 651076,9231 52,9 0,005364071
Residual 3 36923,07692 12307,69231
Total 4 688000

Intercept -984,615 315,291 -3,123 0,052 -1988,011 18,781
9
Testarea semnificatiei pantei dreptei
H 0 : 1  0
H1 : 1  0
ˆ1  1 H 0 ˆ1
3. Alegerea statisticii test: testul Student t   ~ t ( n  2)
ˆ ˆ ˆ ˆ
1 1
4. Determinarea valorii teoretice (critice) a testului: tteoretic  t / 2; n 2
Din Tabelul repartiţiei Student (Anexă) se citeşte valoarea:
;
= t0,025;3=3,182.
10
v=(n-2)gl t0.1 t0.05 t0.025
1 3,078 6,314 12,706
2 1,886 2,920 4,303
3 1,638 2,353 3,182
... ... ... ...
19 2,093
∞ 1,96
11
Testarea semnificatiei pantei dreptei

= 24,325 (Std. Error)
12
3.1. Testarea semnificatiei pantei dreptei de regresie
- dacă | t calc |  tteoretic , nu se respinge ipoteza H 0

Sig.    H 1
Sig.    H 0
13
3.1. Testarea semnificatiei pantei dreptei de regresie
7. Decizia:
Deoarece ( =3,182)
, se respinge ipoteza H 
0
Deci, cu un risc de 5%, putem afirma ca panta dreptei de regresie difera

semnificativ de 0. Deci, legatura dintre Venit si Studii este semnificativa
statistic.
14
Testarea semnificatiei ordonatei la origine
H 0 : 0  0
H1 :  0  0
3. Alegerea statisticii test: testul Student
;
= t0,025;3=3,182.
15
Testarea semnificatiei ordonatei la origine

b0
tcalc 
sˆ
0

=-984,62 (Unstd. Coeff.)
= 315,29 (Std. Error)
16
3.1. Testarea semnificatiei ordonatei la origine
- dacă | t calc |  tteoretic , nu se respinge ipoteza H 0

Sig.    H 1
Sig.    H 0
17
3.1. Testarea semnificatiei ordonatei la origine
7. Decizia:
Deoarece ( =3,182)
, nu se respinge ipoteza H 0 
Deci, cu o probabilitate de 95%, putem afirma ca ordonata la origine nu

difera semnificativ de 0.
18
19
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)
2.Alegerea pragului de semnificaţie: α=0.05

3.Alegerea statisticii test: statistica test Fisher
4.Determinarea valorii teoretice a testului:

; ; ;
20
(modelul nu este semnificativ, adică X nu explică semnificativ variaţia lui Y)
cele două variabile)

; ; ;
2.Determinarea valorii calculate a testului (relaţia scrisă pentru date de la

nivelul eşantionului):
ESS 2
RSS 21
- dacă Fcalc  Fteoretic , nu se respinge ipoteza H 0 cu o probabilitate 1- α
- SAU Sig.    H 0
𝑆𝑖𝑔.
𝑐𝑎𝑙𝑐
22
- 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
3.2. Testarea modelului de regresie dintre Studii si Venit
(modelul nu este semnificativ; Studiile nu explică semnificativ variaţia Venitului)
Studii si Venit)

3.Alegerea statisticii test: Testul Fisher

; ; ;
Din tabelul repartitiei Fisher, se citeste valoarea teoretica (critica) a testului:
, ; ;
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
2 18,513 19,000 19,164 19,247 19,296 19,330 19,353
3 10,128 9,552 9,277 9,117 9,014 8,941 8,887

4 7,709 6,944 6,591 6,388 6,256 6,163 6,094
5 6,608 5,786 5,410 5,192 5,050 4,950 4,876
6 5,987 5,143 4,757 4,534 4,387 4,284 4,207

n>120 3,842 2,996 2,605 2,372 2,214 2,099 2,010
26
5. Determinarea valorii calculate a testului (la nivelul eşantionului):
ANOVA
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
- dacă Fcalc  Fteoretic , nu se respinge ipoteza H 0 cu o probabilitate 1- α

Sig.    H1
Sig.    H 0
7. Luarea deciziei
128  H1
Deci, exista o legatura liniara semnificativa intre Venit si Studii.

28
Modelul RLS este semnificativ statistic.
Testarea coeficientului de corelaţie 
H0 :  0 (între cele două variabile nu există o legătură de tip liniar sau cele două variabile nu sunt
corelate semnificativ)
H1 :   0 (coeficientul de corelaţie este semnificativ statistic, adică cele două variabile sunt corelate
semnificativ; legătura de tip liniar dintre cele două variabile este semnificativă)
3.Alegerea statisticii test : statistica test Student

tteoretic  t / 2; n  2
5.Determinarea valorii calculate a testului (la nivelul eşantionului observat):
29
- 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
Testarea semnificatiei coeficientului de corelatie
(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)
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
, , , ,
Tabelul coeficientilor de corelatie
0,973
32
- 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
7. Decizia:
Deoarece ( =5,841)
, se respinge ipoteza H 
0
Deci, cu un risc de 1%, coeficientul de corelatie Pearson difera semnificativ

de 0. Deci, legatura dintre Venit si Studii este semnificativa statistic.
34
Testarea raportului de determinaţie η2
 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)

3.Alegerea statisticii test : statistica test Fisher

Fteoretic  F ; k -1; n  k
5.Determinarea valorii calculate a testului (la nivelul eşantionului):
35
- 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)
Testarea raportului de determinaţie η2 dintre Studii si Venit
 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)


; ; ;
Din tabelul repartitiei Fisher, se citeste valoarea teoretica (critica) a testului:
, ; ; 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
2 18,513 19,000 19,164 19,247 19,296 19,330 19,353
3 10,128 9,552 9,277 9,117 9,014 8,941 8,887

4 7,709 6,944 6,591 6,388 6,256 6,163 6,094
5 6,608 5,786 5,410 5,192 5,050 4,950 4,876
6 5,987 5,143 4,757 4,534 4,387 4,284 4,207

n>120 3,842 2,996 2,605 2,372 2,214 2,099 2,010
38
Testarea raportului de determinaţie η2
Determinarea valorii calculate a testului (la nivelul eşantionului):
39
3.2. Testarea indicatorilor de corelatie
- dacă Fcalc  Fteoretic , nu se respinge ipoteza H 0 cu o probabilitate 1 – α

Sig.    H1
Sig.    H 0
7. Luarea deciziei
128  H1
Deci, exista o legatura liniara semnificativa intre Venit si Studii, in

conditiile unui risc de 5%. 40
Testarea raportului de corelaţie η
(între cele două variabile nu există o legătură semnificativă de tip liniar)
(între cele două variabile există o legătură semnificativă de tip liniar)

3.Alegerea statisticii test : statistica test Fisher

Fteoretic  F ; k -1; n  k
5.Determinarea valorii calculate a testului (la nivelul eşantionului):
41
- 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)
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
Rezultatele modelării econometrice
Model Summary

1 .977a .954 .931 10.64486
a. Predictors: (Constant), chelt_publicitate
Coefficientsa
1 (Constant) -45.163 15.015 -3.008 .095 -109.766 19.439
Correlations
vanzari chelt_publ
vanzari Pearson Correlation 1 .977*
N 4 4
chelt_publ Pearson Correlation .977* 1
N 4 4
44
*. Correlation is significant at the 0.05 level (2-tailed).
Aplicaţia (3)
Se consideră rata mortalităţii infantile şi PIB-ul (Produsul Intern Brut)
înregistrate pentru judeţele României, în anul 2010.
1. Reprezentarea grafică a legăturii dintre cele două variabile analizate
45
Aplicaţia (3) – rezultatele modelării econometrice
2. Estimarea şi testarea parametrilor de regresie
Coefficientsa
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. 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
4. Estimarea şi testarea raportului de determinaţie şi raportului de
corelaţie
Model Summary

1 ,548 a ,300 ,282 2,0406
a. Predictors: (Constant), PIB
5. Testarea modelului de regresie (Estimarea şi testarea raportului de

determinaţie şi raportului de corelaţie)
ANOVAb
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)
 Modelul de regresie prin origine:

Y  1 X  
2000
1500
Venit
1000 y = 101.9x
R² = 0.9823
500
0
0 5 10 15 20
Studii
3
 Există situaţii în care am putea construi un model

de regresie prin origine:
 În urma testării parametrilor modelului, parametrul β0 are

o valoare nesemnificativă statistic, iar parametrul β1 este
semnificativ statistic;
 Există suport teoretic care să impună estimarea unui

model care trece prin origine.
4
 În cazul modelului de regresie prin origine, aplicarea

metodei celor mai mici pătrate se simplifică.
 Problema de minim care trebuie rezolvată este de

forma:
5
 Prin anularea derivatei de ordinul întâi se obţine:
 Estimatorul ˆ1 este nedeplasat.

 Avem n-1 grade de libertate.
6
 Probleme ale utilizării în practică:
o Suma erorilor nu mai este zero;
o R2 poate avea o valoare foarte mare, prin urmare,

interpretarea acestuia nu mai are sens.
o Se utilizează o variantă a lui R2, şi anume:
 Aceste probleme dispar dacă modelul de regresie liniară

are variabilele standardizate.
o În acest caz, panta dreptei de regresie are aceeaşi valoare cu
coeficientul de corelaţie Pearson.
7
Exemplu de model RLS prin origine
 Se consideră datele cu privire la xi yi

Nivelul studiilor (ani), X, şi
Venitul (lei) pentru un eşantion
de 5 angajaţi . Datele sunt 10 800
prezentate în tabelul următor. 12 1000
12 1200
14 1600
16 1800
64 6400
8
Exemplu de model RLS prin origine
 Tabelul coeficienţilor de regresie
Standard
Coefficients Error t Stat P-value Lower 95% Upper 95%
Intercept 0 #N/A #N/A #N/A #N/A #N/A
 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
Multiple R 0,991123
R Square 0,982325

Observations 5
10
ECONOMETRIE
Tema 3 – Regresie liniara multipla

MODELUL DE REGRESIE LINIARĂ MULTIPLĂ
1. Prezentarea modelului
2. Estimarea parametrilor modelului
3. Estimarea indicatorilor de corelaţie (coeficientul de corelaţie
parţială, raportul de corelaţie, raportul de determinaţie)
4. Testarea parametrilor modelului
5. Testarea indicatorilor de corelaţie
6. Testarea modelului de regresie
7. Testarea influenței marginale a unei variabile independente
8. Modele cu variabile standardizate – Ierarhizarea inportanţei
factorilor de influenţă (variabilelor independente)
9. Probleme specifice utilizând SPSS
Modelul de regresie liniară multiplă
1. Prezentare generală
Ecuaţia modelului de regresie liniară multiplă

•Considerăm un model de regresie liniară multiplă care conţine p
variabile independente: .
•Formal, modelul este dat prin relaţia:
Y  M Y / X      0   1 X 1   2 X 2  ...   p X p  
•unde:
 Y este variabila dependentă;
 sunt cele p variabile independente;
 este variabila eroare sau reziduu;
 reprezintă cei k (k = p+1) parametrii ai modelului sau coeficienţi
de regresiei
Ecuaţia modelului de regresie liniară multiplă

•Modelul multiplu admite şi o abordare cu ajutorul matricelor. Acesta se
poate scrie sub formă matriceală astfel:
•iar:
 p este numărul de variabile independente;
 k este numărul de parametri din model;
 n este volumul de date disponibile.
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;
• arată variaţia absolută a variabilei dependente la o variaţie absolută

cu o unitate a variabilei independente , în condiţiile în care influenţa
celorlalte variabile independente este menținută constantă sau este
controlată;
multiplă
•Estimarea reprezintă procedeul de determinare a unui parametru al
unei populaţii pe baza datelor înregistrate la nivelul unui eşantion.
•Estimarea se poate realiza:

-punctual: metoda celor mai mici pătrate (MCMMP);
-prin interval de încredere.
•Problemele pe care le ridică estimarea parametrilor modelului de

regresie vizează metodele de determinare a estimatorilor,
proprietăţile estimatorilor obţinuţi printr-o anumită metodă şi
metodele de estimare a parametrilor.
multiplă
•considerăm modelul de regresie liniară multiplă, cu două variabile
independente, la nivelul unei populații:
•la nivelul unui eşantion, acesta devine:

•MCMMP presupune ca estimatorii parametrilor modelului de regresie să
respecte condiţia:
• Prin rezolvarea problemei de minim, se obţine sistemul de ecuaţii:

Estimarea punctuală
• Parametrii modelului de regresie  j se estimează punctual,
considerând estimaţiile b j calculate la nivelul unui eşantion
reprezentativ extras din populaţia de referinţă, pe baza relaţiilor
obţinute pentru estimatorii ̂ j .
Estimarea prin interval de încredere

• Pe baza datelor de la nivelul unui eşantion, se vor utiliza estimaţiile
parametrilor:

 j  b j  t / 2,nk  sˆ , b j  t / 2,nk  sˆ
j j

a) Coeficientul de corelaţie parţială
r12  ry1ry 2
r12. y 
(1  ry21 )(1  ry22 )
Coeficienţi de corelaţie parţială măsoară dependenţa dintre

variabile prin excluderea succesivă a influenţei celorlalţi factori,
considerând influenţa lor constantă (variabile de control) și
menţinând numai influenţa factorului măsurat.
În funcţie de numărul variabilelor a căror influenţă se menține
constantă, coeficienţii de corelaţie parţială pot fi:
 de ordinul întâi (pentru o variabilă de control),
 de ordinul doi (pentru două variabile de control)
 etc.
11
3.Estimarea indicatorilor de corelaţie
unde:
3.Estimarea indicatorilor de corelaţie
b) Raportul de determinaţie multiplă
c) Raportul de corelaţie multiplă
d) Raportul de determinaţie multiplă ajustat
4. Testarea parametrilor modelului de regresie

3. Alegerea statisticii test:
4. Testarea parametrilor modelului de regresie
a) Testarea coeficientului de corelaţie bivariată
b) Testarea coeficientului de corelaţie parţială
c) Testarea raportului de corelaţie si a raportului de determinaţie
Raportul de determinaţie si raportul de corelatie

se testează cu testul F după algoritmul prezentat la
modelul liniar simplu, ţinând cont de faptul că k=p+1
reprezintă numărul parametrilor modelului multiplu.
22
3. Modelul de regresie liniară mutiplă
7. Testarea influenţei marginale a unei variabile independente
Testarea influenţei marginale a unei variabile
independente introduse în model
EXEMPLUL 1
H0: variabila Months since hire (Vechimea) nu are o

influenţă semnificativă asupra Salariului.
H1: variabila Months since hire (Vechimea) are o influenţă
semnificativă asupra Salariului.
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
EXEMPLUL 2
H0: variabila Beginning Salary (Salariul la angajare) nu are

o influenţă semnificativă asupra Salariului curent.
H1: variabila Beginning Salary (Salariul la angajare) are o
influenţă semnificativă asupra Salariului curent.
Model Summary
Change Statistics
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
b. Predictors: (Constant), Educational Level (years), Beginning Salary
Testarea influenţei marginale a unei variabile
independente excluse din model
EXEMPLUL 3
H0: variabila People living in cities (Populația din urban) nu

are o influenţă semnificativă asupra Mortalităţii infantile)
H1: variabila People living in cities (Populația din urban) are
o influenţă semnificativă asupra Mortalităţii infantile)
Model Summary
Change Statistics
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 (%)
8. Ierarhizarea importanţei factorilor de influenţă
30
•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
Aplicaţia (1)
• Se consideră rata mortalităţii infantile, PIB-ul (Produsul Intern Brut) şi
populaţia urbană înregistrate pentru judeţele României, în anul 2013.
1. Estimarea şi testarea parametrilor de regresie
Coefficientsa
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
2. Estimarea coeficienţilor de corelaţie bivariată (coloana Zero-order) şi
parţială (coloana Partial)
Coefficientsa
1 (Constant) 14,314 1,182 12,113 ,000
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
4. Estimarea şi testarea raportului de determinaţie multiplă şi
raportului de corelaţie multiplă
Model Summary

1 ,558a ,311 ,276 2,0497
a. Predictors: (Constant), Populatia urbana, Produs
Intern Brut
5. Testarea modelului de regresie liniară multiplă

ANOVAb
Sum of
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
introduse în model
7. Testarea influenţei marginale a unei variabile independente excluse
din model
Model Summary
Change Statistics
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
8. Ierarhizarea importanţei factorilor de influenţă (ierarhizarea
variabilelor independente)
Coefficientsa
1 (Constant) 14,314 1,182 12,113 ,000
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

1 ,789a ,622 ,612 8,75456
a. Predictors: (Constant), sugars, fat
ANOVAb
Sum of
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
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

1 ,930a ,865 ,859 5,35086
a. Predictors: (Constant), fat, fiber, sugars
ANOVAb
Sum of
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
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)
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
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
Să se verifice dacă introducerea variabilei PIB/locuitor a determinat o îmbunătăţire a

modelului iniţial.
Modelul 1 old: Rm = b0 + b1*Aids + b2*Ra +b3*Aportcal + e
kold=4 parametrii
R2 old = 0,888
88,8% din var Rm este explicata de cele 3 var indep.
Modelul 2 new: Rm = b0 + b1*Aids + b2*Ra +b3*Aportcal + b4*PIB + e
knew=5 parametrii
R2 new = 0,890
89% din var Rm este explicate de cele 4 var indep.
Prin includerea variabilei indep PIB, puterea explicativa a modelului (R2) a crescut cu 0,2%
(0,002).
R2 Change = R2 new - R2 old = 0,002 (0,2%)
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
Fcalc = F Change = 1,529 (Tabelul Model Summary – Change Statistics)
Fteor = F0,05,1,69 = 4,001 (Tabelul Fisher)
Decizia:
Fcalc < F teor  Nu se respinge ip H0.
SAU
SigF Change = 0,220 > α = 0,05  Nu se respinge ip H0, cu o probabilitate de 95%.
Deci, cu o prob de 95%, putem afirma ca:

 variabila nou introdusa in model, PIB, nu are o influenta marginala semnificativa
statistic
 modelul new (cu variabila PIB inclusa) nu este mai bun decat modelul old (fara PIB)
 R2 Change (cresterea lui R2) nu este semnificativ statistic
 cel mai bun este modelul old
 introducerea variabilei PIB/locuitor nu a determinat o îmbunătăţire semnificativa a
modelului iniţial.
Problema II.
Model Summary
Change Statistics
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
1) Să se verifice dacă excluderea variabilei PIB/locuitor a condus la obţinerea unui model

îmbunătăţit faţa de modelul 1.
Modelul 1 old: Rm = b0 + b1*Aids + b2*Ra +b3*Aportcal + b4*PIB + e
kold=5 parametrii
R2 old = 0,890
89% din var Rm este explicate de cele 4 var indep.
Modelul 2 new: Rm = b0 + b1*Aids + b2*Ra +b3*Aportcal + e
knew=4 parametrii
R2 new = 0,888
88,8% din var Rm este explicate de cele 3 var indep.
Prin excluderea variabilei indep PIB din model, puterea explicativa a modelului (R2) a scazut
cu 0,2% (0,002).
R2 Change = - 0,002 ( - 0,2%)
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
Fcalc = F Change = 1,111
Fteor = F0,05,1,70 = 4,001
Decizia:
SAU
SigF Change = 0,220 > α = 0,05  Nu se respinge ip H0, cu o probabilitate de 95%.

 variabila PIB exclusa din model nu are o influenta marginala semnificativa statistic.
 modelul new (fara variabila PIB) este mai bun decat modelul old (cu variabila PIB)
 R2 Change (scaderea lui R2) nu este semnificativa statistic
 cel mai bun este modelul new
 excluderea variabilei PIB/locuitor nu a determinat o scadere semnificativa a puterii
explicative a modelului iniţial.
 excluderea variabilei PIB a fost corecta
2) Să se verifice dacă excluderea variabilei Numarul de cazuri SIDA a condus la obţinerea

unui model îmbunătăţit faţă de modelul 2.
Modelul 2 old: Rm = b0 + b1*Aids + b2*Ra +b3*Aportcal + e
kold=4 parametrii
R2 old = 0,888
Modelul 3 new: Rm = b0 + b1*Ra +b2*Aportcal + e
knew=3 parametrii
R2 new = 0,886

Prin excluderea variabilei indep. Aids din model, puterea explicativa a modelului (R2) a
scazut cu 0,2% (0,002).
R2 Change = - 0,002 ( - 0,2%)
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
Fteor = F0,05,1,69 = 4,001
Decizia:
SAU
SigF Change = 0,295 > α = 0,05  Nu se respinge ip H0.

 variabila AIDS exclusa din model nu are o influenta marginala semnificativa statistic /
var AIDS a fost corect exclusa din model
 modelul new (fara variabila AIDS) este mai bun decat modelul old (cu variabila AIDS)
 prin excluderea variabilei AIDS se obtine un model mai bun
 excluderea variabilei AIDS nu a determinat o scadere semnificativa a puterii
Problema III.
Pentru un esantion de 474 de angajati, s-a estimat legătura dintre Y - Salariul anual (USD) si
un set de variabile explicative.
Model Summary
Change Statistics
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
b. Predictors: (Constant), Educational Level (years), Months since Hire
1) Să se verifice dacă includerea variabilei Vechimea in munca a condus la obţinerea

unui model îmbunătăţit faţă de modelul iniţial.
Modelul 1 old: Salariul curent= b0 + b1*Studii + e
kold=2 parametrii
R2 old = 0,436
43,6% din var Salariului este explicata de var indep Studii.
Modelul 2 new: Salariul curent = b0 + b1*Studii + b2*Vechimea + e
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).
R2 Change = 0,003 (0,3%)
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
Fteor = F0,05,1,471 = 3,842
Decizia:
SAU
SigF Change = 0,126 > α = 0,05  Nu se respinge ip H0, cu o probabilitate de 95%

 variabila Vechimea nu are o influenta marginala semnificativa statistic
 modelul new (cu variabila Vechimea inclusa) nu este mai bun decat modelul old (fara
Vechimea)
 R2 Change (cresterea lui R2) nu este semnificativ statistic
 cel mai bun este modelul old (fara Vechimea)
 introducerea variabilei Vechimea nu a determinat o îmbunătăţire semnificativa a
modelului iniţial.
Model Summary
Change Statistics
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
b. Predictors: (Constant), Educational Level (years), Beginning Salary
1) Să se verifice dacă includerea variabilei Salariul la angajare a condus la obţinerea

unui model îmbunătăţit faţă de modelul iniţial.
Modelul1 old: Salariul curent = b0 + b1*Studii + e
kold=2 parametrii
R2 old = 0,436
43,6% din var Salariului este explicata de var indep Studii.

Modelul 2 new: Salariul = b0 + b1*Studii + b2* Sal la angajare + e
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).
R2 Change = 0,356 (35,6%)
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
Fteor = F0,05,1,471 = 3,842
Decizia:
Fcalc > F teor  Se respinge ip H0.
SAU
SigF Change = 0,000… < α = 0,05  Se respinge ip H0, cu un risc de 5%.
Deci, cu un risc de 5%, putem afirma ca:

 variabila Sal la angajare are o influenta marginala semnificativa statistic
 modelul new (cu variabila Sal la angajare inclusa) este mai bun decat modelul old (fara
Sal la angajare)
 R2 Change (cresterea lui R2) este semnificativ statistic
 cel mai bun este modelul new (cu variabila Sal la angajare inclusa)
 introducerea variabilei Sal la angajare a determinat o îmbunătăţire a modelului iniţial.
Problema IV.
(%) 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
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 (%)
1) Să se verifice dacă excluderea variabilei Ponderea populatiei din urban a condus la

obţinerea unui model îmbunătăţit faţă de modelul iniţial.
Modelul 1 old: Rm = b0 + b1*Spviata + b2*Ra +b3*Aportcal + b4*PopU + e
kold=5 parametrii
R2 old = 0,828
Modelul 2 new: Rm = b0 + b1*Spviata + b2*Ra +b3*Aportcal + e
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).
R2 Change = - 0,006 ( - 0,6%)
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
Fteor = F0,05,1,70 = 4,001
Decizia:
SAU
SigF Change = 0,115 > α = 0,05  Nu se respinge ip H0.

 Variabila Pop U exclusa din model nu are o influenta marginala semnificativa statistic.
 Variabila Pop U a fost correct exclusa din model
 modelul new (fara variabila PopU) este mai bun decat modelul old (cu variabila PopU)
 excluderea variabilei Pop U nu a determinat o scadere semnificativa a puterii
Problema V.
Coefficientsa
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)
1) Să se ierarhizeze variabilele independente dupa importanta lor.

2) Sa se interpreteze coef standardizat asociat var Rata alfabetizarii
1) Pentru ierrahizarea var indep se compara coef standardizati in marime absoluta.
|𝑏 | > |𝑏 | > |𝑏 | > |𝑏 |

Ordinea var indep dupa importanta lor este: X2 - Rata alfabetizarii, X1 - Aport caloric,X4 - PIB, X3 -
AIDS
1) b2 = -1,195 Daca Ra creste cu o unitate (1%), atunci Rm scade, in medie, cu 1,195%0, in

conditiile in care celelate var indep se mentin constante.
2) 𝑏 = −0,713: Daca Ra creste cu o abatere standard, atunci Rm scade, in medie, cu 0,713

abateri standard, in conditiile in care celelate var indep se mentin constante.
Problema VI.
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 :
1) Să se ierarhizeze variabilele independente dupa importanta lor.

2) Sa se interpreteze coef standardizat al var indep calories
2) Pentru ierrahizarea var indep se compara coef standardizati in marime absoluta.
|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.

Cursuri Econometrie

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Cursuri Econometrie

Încărcat de

Drepturi de autor:

Formate disponibile

ECONOMETRIE

• 30% - test de evaluare pe parcurs, test grilă (temele 1 – 3);

• 30% - evaluare la seminar;

• 40% - examen final, test grilă (temele 4 – 5).

Termenul econometrie a fost introdus în anul 1926 de către

Prin eforturile specialistilor Ragnar Frisch si Irving Fisher, în

 Econometria ajută la identificarea şi măsurarea relaţiei de

 adoptarea deciziilor, fundamentarea unor politici, în general,

 Relaţia dintre rata inflaţiei şi rata şomajului:

 Relaţia dintre cerere şi preţ: cerere   o  1  pret

 În construcţia unui model econometric, economia trebuie tratată

 Diminuarea ratei dobânzii  creşterea investiţiilor  scăderea

Modelul, în sensul larg al cuvântului, este o reprezentare teoretică

Exemplu pentru un model economic

  şi  constante reale,  0 >0 şi

 Relaţie deterministă, de tip liniar, de sens invers.

Modelul econometric presupune exprimarea modelului

unde, pe lângă variabilele D, P şi parametrii  0 , 1 , din modelul

 Modelul econometric este compus din:

 Modelul econometric este o ecuaţie sau un sistem de ecuaţii

Forma generală a unui model econometric:

Variabila reziduală este o variabilă aleatoare, neobservabilă, a

 alegerea neadecvată a formei funcţionale a dependenţei

 De regulă, variabila reziduală apare în model ca sumă a

• Parametrii modelului (coeficienţii de regresie) sunt mărimi fixe, dar

• Estimatorii sunt variabile aleatoare cu distribuţii de probabilitate

• Estimaţiile sunt valori posibile ale estimatorilor calculate la nivelul

b) modele de regresie probabiliste: Y=f(x) +ε,

2) După numărul variabilelor independente incluse în model:

b) modele de regresie multiplă (multivariate)

3) După forma legăturii dintre variabile:

Demersul metodologic al modelării econometrice

a) Formularea problemei în termeni economici, plecând de la

b) Specificarea modelului matematic al teoriei economice

unde D – cererea, P – preţul unitar,  0  0 şi 1  0 .

c) Specificarea modelului econometric, adică exprimarea

unde, pe lângă variabilele D, P şi parametrii  0 , 1 , din modelul

d) Estimarea parametrilor modelului econometric

e) Testarea ipotezelor statistice

f) Testarea adecvării modelului econometric conduce la una

g) Interpretarea parametrilor modelului econometric în cadrul

h) Utilizarea modelului econometric estimat pentru

•Pe baza datelor de mai sus, putem construi 5 repartiţii condiţionate.

 O valoare a variabilei condiţionate Y | X  xi se poate scrie:

 Forma generală a unui model de regresie este: M(Y│X)=f(x).

 Pentru modelul de regresie liniară simplă forma modelului

 În cele mai multe cazuri, valorile reale yi diferă de valorile

εi = yi – yxi = yi - M(Y│X=xi)  yi = M(Y│X=xi) + εi = β0+ β1xi + εi

sau Y= β0+ β1X + ε

1. Componenta deterministă este reprezentată de media

2. Componenta aleatoare ε depinde de: natura fenomenului,

 1 reprezintă variaţia medie absolută a variabilei dependente, Y, la o

 Dacă β1=0 nu există legătură de tip liniar între variabilele Y şi X.

 La nivelul unui eşantion, modelul yi   0  1 xi   i poate fi scris pe

•Estimarea se poate realiza:

-prin interval de încredere.

•Problemele pe care le ridică estimarea parametrilor modelului de

•Principalele proprietăţi ale estimatorilor parametrilor modelului de

•Metoda celor mai mici pătrate presupune estimarea unei linii de

 i  i i   yi  (ˆ0  ˆ1 xi )   yi  ˆ0  ˆ1 xi

• Rezolvarea acestei probleme de minim presupune îndeplinirea a două

S ( ˆ0 , ˆ1 ) şi S ( ˆ0 , ˆ1 )

•Matricea derivatelor parţiale de ordinul II