Lucrare

la Econometrie
Analiza modelului de regresie multiplă

1
 Analiza modelului de regresie multiplă

Se cunosc următoarele date:

Tabelul1.

y X1 X2 X3
28 2 45 101
30 1 43 112
26 3 43 134
32 6 47 125
30 7 42 109
35 8 41 136
37 8 32 112
35 5 33 127
37 5 41 108
32 8 38 143
35 4 32 141
37 9 31 152
41 12 35 154
37 7 29 160
472 85 532 1814

În baza datelor din Tabelul 1, se cere:

1. De creat şi de specificat modelul liniar general, ce descrie legătura dintre variabile.

2. De scris modelul în formă matricială şi de specificat dimensiunile fiecărei matrice. De soluţionat modelul.
3. De soluţionat modelul folosind metoda centrării datelor.
4. De calculat estimaţia varianţei erorilor şi abaterilor standard pentru fiecare coeficient.

2
5. De calculat R 2 şi R 2 , de explicat rezultatele obţinute.
6. Sunt coeficienţii a1 şi a 2 simultan diferiţi de 1 şi -0,5?
7. Sunt coeficienţii a1 şi a 2 semnificativ diferiţi de 1 şi -0,5?
8. De calculat intervalul de încredere pentru varianţa erorilor, dacă probabilitatea cu care se garantează rezultatele,
este de 95%.
9. De determinat, dacă adăugarea variabilelor explicative X 1 şi X 2 , ameliorează semnificativ calitatea estimaţiei în
raport cu X 1 .
10. De determinat, dacă coeficienţii sunt semnificativ diferiţi de 0, iar regresia, global semnificativă.
11. De calculat previziunea şi intervalul de încredere, pentru următoarele 2 perioade, dacă se cunosc datele:
X 1 (15)  3 X 2 (16)  6
X 2 (15)  24 X 2 (16)  38
X 3 (15)  165 X 3 (16)  170

1. Modelul ce descrie legătura dintre variabile are forma:

y  a0  a1x1  a2 x2  a3 x3   , unde:
y- variabila de explicat. a0 , a1 , a2 , a3 - parametrii modelului.
x1 - variabila explicativă 1. x 2 - variabila explicativă 2.
x3 - variabila explicativă 3.  - eroarea de specificare.

În cazul dat avem un model liniar general de regresie multiplă, deoarece în baza datelor prezentate în tabelul 1,
observăm că variabila dependentă (y), este explicată de trei variabile independente ( x1 , x 2 , x3 ).
Pentru a demonstra că există o legătură între variabile, este necesar să construim norul de puncte, în ur,a căruia se va
observa grafic tipul de legătură şi intensitatea acerstei legături. Norul de puncte îl construim cu ejutorul pachetului de
programe Eviews.

3
 44

40

36

Y
32

28

24
0 2 4 6 8 10 12 14

X1
Fig. 1” Legătura dintre x1 şi y”

Concluzie: Analizînd graficul obţinut, observăm că în mare majoritate punctele tind spre o linie dreaptă, cu panta
pozitivă, ceea ce semnifică faptul că între variabila independentă x1 şi y, există o legătură directă, adică la creşterea
variabilei x1 , creşte şi variabila y şi invers.

4
 44

40

36

Y
32

28

24
28 32 36 40 44 48

X2
Fig. 2” Legătura dintre x 2 şi y”
Concluzie: Analizînd graficul obţinut, observăm că în mare majoritate punctele tind spre o linie dreaptă, cu o
pantă negativă , ceea ce semnifică faptul că între variabila independentă x 2 şi y, există o legătură inversă, adică la
creşterea variabilei x 2 , scade valoarea variabilei y şi invers.

5
 44

40

36

Y
32

28

24
100 110 120 130 140 150 160 170

X3
Fig. 3” Legătura dintre x3 şi y”
Concluzie: Analizând graficul obţinut, observăm că în mare majoritate la fel, punctele, ca în celelalte cazuri, tind
spre o linie dreaptă, cu panta pozitivă, ceea ce semnifică faptul că între variabila independentă x3 şi y, există o
legătură directă, adică la creşterea variabilei x3 , creşte şi variabila y şi invers.

2. În cerinţa precedentă, modelul este scris într-o formă practică, însă în formă matricială modelul va fi în
felul următor:

Yn;1  X n;k 1 * ak 1;1   n;1

unde:

6
  28  1 2 45 101  1 
     
 30  1 1 43 112   a0   2 
 26  1     
; a   1 ;    3 
3 43 134 a
Y   ; X  a 
M  M M M M  M 
 41  1   2  
 
   12 35 154   a3    13 
 37  1 7 29 160   
    14 

matricele avîmd dimensiunule:

(14;1) (14;4) (4;1) (14;1)

Pentru soluţionarea modelului este nevoie de estimat vectorul compus din parametrii a0 , a1 , a2 , a3 . În scopul estimării
acestui vector, aplicăm Metoda Celor Mai Mici Pătrate (MCMMP), care constă în a minimiza suma pătratelor
erorilor, adică:
n
min   i2  min  '  min(Y  Xa ) ' (Y  Xa )  min S  min(Y 'Y  Y ' Xa  a ' X 'Y  a ' X ' Xa ) 
a
i 1

 min(Y 'Y  2a ' X 'Y  a ' X ' Xa )

Pentru a minimiza această funcţie în raport cu a , este necesar să calculăm diferenţiala lui S în raport cu a , în urma

acestui raport obţinem relaţia cu ajutorul căreia vom calcula valoare estimatorului a :

S   
 2 X 'Y  2 X ' X a  X ' X a  X 'Y  ( X ' X ) 1 ( X ' X ) a  ( X ' X ) 1 ( X 'Y ) 
a

 a  ( X ' X ) 1 ( X 'Y )

Această soluţie este posibilă dacă matricea pătrată ( X ' X ) , de dimensiunea (4;4), în cazul nostru este inversabilă.
Aceste condiţii le vom rezolva cu ajutorul pachetului de programe Eviews 3.

7
Pentru aceasta este nevoie să efectuăm cîţiva paşi:
1) Introducem datele noastre în Eviews 3.
2) Apoi introducem comanda: „genr unu =1”, adică generăm un nou vector.
3) Deschidem, noul vector generat, X 1 , X 2 , X 3 , în grup.
4) Cu ajutorul comenzii „matrix XTR=@transpose(@convert(GX))”, formăm matricea transpusă.
În rezultat obţinem matricea X ' :

5) Apoi introducem comanda „matrix XPX=XTR*(@convert(GX))”, cu ajutorul căreia obţinem X ' X :

1 2 45 101   14 85 532 1814 

   
1 1 43 112 
 85 613 3126 11432 
1 3 43 134   532 3126 20666 68043 
X  =  
M M M M  1478 11432 68043 239790 
1  
 12 35 154 
1 7 29 160 


8
6) Cu ajutorul comenzilor: „matrix XINV=@inverse(XPX)”,
„matrix XTY=XTR*(@convert(Y))”, “matrix a=XINV*XTY
”, obţinem matricile, ( X ' X ) 1 , X 'Y :

 17.28216  0.02730  0.21994  0.06851 

 
  0.003738 0.01320 0.00119  0.00094 
X X 
' 1

 0.219942 0.00119 0.00363 0.00057 
 
  0.068150  0.00094 0.00057 0.00040 


9
  28   472 
   
 30   2982 
 26   17714 
X 'Y  Y  = 
M   61656 
 41   
   
 37   
   

10
 
Având toate datele necesare le introducem în formulă, pentru a afla valoarea vectorului a , avem:

 14.24209  0.02630  0.20613  0.05851  

435.6   44.65749 
  2761   

 
1
   0.02630 0.01320 0.00119  0.00094     0.80190 
a  X 'X XY 
'
*  =
  0.20613 0.00119 0.00363 0.00057  16330.8    0.38136 
    
  0.05851  0.00094 0.00057
 0.00040   46485.2    0.03713 

7) Ca verificare introducem în EViews 3, comanda: „ls y c x1 x2 x3”, care ne afişează tabelul

complet, cu valoarea coeficienţilor a0 , a1 , a2 , a3 :

11
Concluzie: În urma culculelor efectuate am obţinut valorile parametrilor, egale cu:
a0  44.65750; a1  o.801901; a2  0.381362; a3  0.037132 , aceleaşi calcule le-am efectuat cu ajutorul pachetului de
programe EViews 3, în rezultat am observat că am obţinut aceleaşi date, ceea ce denota faptul că calculele au fost
effectuate correct. Înlocuind valorile parametrilor, obţinem modelul:

Y  48.14868  0.801901* X 1  0.381362 * X 2  0.037132 * X 3 .

3. Metoda Centrării datelor, la fel ne permite de-a calcula valorile parametrilor a0 , a1 , a2 , a3 , la fel ne
permite şi de-a verifica corectitudinea calculelor şi a datelor obţinute.

12
 Pentru a calcula valoarea estimatorilor, este necesar să calculăm valoarea medie a variabilei
dependente, Y şi valorile medii a variabilelor independente, X 1 , X 2 , X 3 . Calculăm mediile conform formulelor:

n n

Yi 472 X i
85
Y i 1
  33,71 X1  i 1
  6,07
n 14 n 14

n n

X i
532 X i
129,57
X2  i 1
  38 X3  i 1
  129,57
n 14 n 14
Datele necesare efectuării calculelor sunt introduse în Tabelul 2.
Nr. Y X1 X2 X3 (X1  X1) (X 2  X 2 ) (X3  X3) ( X  X )2
1 1
(X 2  X 2 )2 (X 3  X 3 )2 (Yi  Y )

1 28 2 45 101 -4,07 7 -28,57 16,58 49 816,33 -5,71

2 30 1 43 112 -5,07 5 -17,57 25,72 25 308,76 -3,71
3 26 3 43 134 -3,07 5 4,43 9,43 25 19,61 -7,71
4 32 6 47 125 -0,07 9 -4,57 0,01 81 20,90 -1,71
5 30 7 42 109 0,93 4 -20,57 0,86 16 423,18 -3,71
6 35 8 41 136 1,93 3 6,43 3,72 9 41,33 1,29
7 37 8 32 112 1,93 -6 -17,57 3,72 36 308,76 3,29
8 35 5 33 127 -1,07 -5 -2,57 1,15 25 6,61 1,29
9 37 5 41 108 -1,07 3 -21,57 1,15 9 465,33 3,29
10 32 8 38 143 1,93 0 13,43 3,72 0 180,33 -1,71
11 35 4 32 141 -2,07 -6 11,43 4,29 36 130,61 1,29
12 37 9 31 152 2,93 -7 22,43 8,58 49 503,04 3,29
13 41 12 35 154 5,93 -3 24,43 35,15 9 596,76 7,29
14 37 7 29 160 0,93 -9 30,43 0,86 81 925,90 3,29
Total 472 85 532 1814 0,00 0 0 114,9286 450 4747,429 0
media 33,71429 6,071429 38 129,5714
13
Putem reprezenta modelul şi în formă matricială:
  
Y  Y  a1 ( X  X 1 )  a2 ( X  X 2 )  a 3 ( X  X 3 )  (   ) ,
unde:
  
 a1 
   
a   a 2   ( X ' X ) 1 ( X 'Y )
  
 a3 
 

Pentru a afla valoarea vectorului a , este necesar să calculăm valoarea ( X ' X ) 1 ( X 'Y ) formulei date.

 
 
0.01320 0.00119  0.00094  
  
  X1  X1 *  Y  Y    116 .29 

X X 
' 1 

0.00119 0.00363 0.00057 
;  '
   
X Y   X2  X2 * Y Y    498.29 
  222 



 0.00094 0.00057 0.00040 

  
  X3  X3 * Y Y   

  


Avînd rezultatele putem afla valoarea vactorului a , introducem datele obţinute în formulă:

  
 a1 
   
a   a 2   ( X ' X ) 1 ( X 'Y ) ,
  
 a3 
 
Obţinem valorile estimatorilor a1 , a2 , a3

14
    116,29 
     0.801901 

 0.01320 0.00119  0.00094    222   
a *    0.381362 
0.00119 0.00363 0.00057   498,29    0.037132 
     
  0.00094 0.00057 0.00040   
 

Avînd aceste valori putem calcula valoarea termanului liber, în baza relaţiei:
        
Y  a0  a1 X 1  a 2 X 2  a 3 X 3  a 0  Y  a1 X 1  a 2 X 2  a3 X 3  a 0  33,7  (0.801901 * 6.07) 
 
 (0.381362 * 38)  (0.037132 *129,57)  a0  33,7  4.8675  14.4918  4,81  a0  48,14868

Înlocuind valorile estimatorilor calculaţi obţinem modelul:


Y  44.65750  0.801901* X 1  0.381362 * X 2  0.037132 * X 3

Semnificaţia estimatorilor parametrilor de regresie este următoarea:


Estimatorul a 1 :
La creşterea variabilei independente X 1 , cu o unitate, are drept efect creşterea valorii variabilei dependente Y cu
0.801901 (u.m).

Estimatorul a 2 :
La creşterea variabilei independente X 2 , cu o unitate, are drept efect scăderea valorii variabilei dependente Y cu
0.381362 (u.m), deoarece are valoare negativă.

Estimatorul a 3 :
La creşterea variabilei independente X 3 , cu o unitate, are drept efect scăderea valorii variabilei dependente Y cu
0.037132 (u.m), deoarece are valoare negativă.

15
Datele care au fost utilizate sunt prezentate in tabel.
Nr. Y X1 X2 X3 (X1  X1) (X 2  X 2 ) (X3  X3) ( X  X )2 (X 2  X 2 )2 (X 3  X 3 )2 (Yi  Y )
1 1
L*F L*G L*H
1 28 2 45 101 -4,07 7 -28,57 16,58 49 816,33 -5,71 23,26531 -40 163,2653
2 30 1 43 112 -5,07 5 -17,57 25,72 25 308,76 -3,71 18,83673 -18,5714 65,26531
3 26 3 43 134 -3,07 5 4,43 9,43 25 19,61 -7,71 23,69388 -38,5714 -34,1633
4 32 6 47 125 -0,07 9 -4,57 0,01 81 20,90 -1,71 0,122449 -15,4286 7,836735
5 30 7 42 109 0,93 4 -20,57 0,86 16 423,18 -3,71 -3,44898 -14,8571 76,40816
6 35 8 41 136 1,93 3 6,43 3,72 9 41,33 1,29 2,479592 3,857143 8,265306
7 37 8 32 112 1,93 -6 -17,57 3,72 36 308,76 3,29 6,336735 -19,7143 -57,7347
8 35 5 33 127 -1,07 -5 -2,57 1,15 25 6,61 1,29 -1,37755 -6,42857 -3,30612
9 37 5 41 108 -1,07 3 -21,57 1,15 9 465,33 3,29 -3,52041 9,857143 -70,8776
10 32 8 38 143 1,93 0 13,43 3,72 0 180,33 -1,71 -3,30612 0 -23,0204
11 35 4 32 141 -2,07 -6 11,43 4,29 36 130,61 1,29 -2,66327 -7,71429 14,69388
12 37 9 31 152 2,93 -7 22,43 8,58 49 503,04 3,29 9,622449 -23 73,69388
13 41 12 35 154 5,93 -3 24,43 35,15 9 596,76 7,29 43,19388 -21,8571 177,9796
14 37 7 29 160 0,93 -9 30,43 0,86 81 925,90 3,29 3,05102 -29,5714 99,97959
Total 472 85 532 1814 0,00 0 0 114,9286 450 4747,429 0 116,2857 -222 498,2857
media 33,71429 6,071429 38 129,5714

Concluzie: Analizînd datele anterioare, observăm că am obţinut aceleaşi rezultate, ceea ce confirmă că am
efectuat corect calculele, prin ambele metode. În cazul dat, atăt prin MCMMP, cît şi prin Metoda centrării
datelor, estimatorii parametrilor de regresie coincid, adică au aceiaşi valoare.

16
 4. Efectuăm calculul estimaţiei varianţei erorilor şi abaterii standart pentru fiecare coeficient.
Calculăm varianţa erorilor conform formulei:
2
 

 2 '
ee  2
ei  

Y  Y 

e   
n  k 1 n  k 1 n  k 1
Pentru a calcula varianţa erorilor avem evoie de un şir de date, pe care le găsim în tabel.
Tabelul 4

 
(Yi  Y ) (Yi  Y ) 2

Nr. Y (Yi  Y ) (Yi  Y ) 2 Y ( e) (e 2 )
1 28 -5.71 32.6041 29,5936 -1,5936 2,539561
2 30 -3.71 13.7641 28,5818 1,4182 2,011291
3 26 -7.71 59.4441 30,6054 -4,6054 21,20971
4 32 -1.71 2.9241 33,6408 -1,6408 2,692225
5 30 -3.71 13.7641 34,6526 -4,6526 21,64669
6 35 1.29 1.6641 35,6644 -0,6644 0,441427
7 37 3.29 10.8241 35,6644 1,3356 1,783827
8 35 1.29 1.6641 32,629 2,371 5,621641
9 37 3.29 10.8241 32,629 4,371 19,10564
10 32 -1.71 2.9241 35,6644 -3,6644 13,42783
11 35 1.29 1.6641 31,6172 3,3828 11,44334
12 37 3.29 10.8241 36,6762 0,3238 0,104846
13 41 7.29 53.1441 39,7116 1,2884 1,659975
14 37 3.29 10.8241 34,6526 2,3474 5,510287
Total 472 0 226.8574 471,983 0,017 109,1983

Având toate datele necesare, putem calcula varianţa erorilor : 8.3999

17
 Pentru a calcula abaterea standard, este nevoie să calculăm matricea varianţelor şi covarianţelor coeficienţilor de
regresie  , în relaţie înlocuim varianţa erorii prin estimatorul său.

a

    2 ( X ' X ) 1
a

Dispersiile coeficienţilor de regresie, le găsim pe diagonala principală a matricei varianţelor şi covarianţelor, iar
radicalul dispersiilor sunt abaterile standard.

 2 
 a  119.63   a  119.63  10.93755

0 0

 2 
 a  0.11098   a  0.11098  0.333

1 1

 2 
 a  0.03049   a  0.03049  0.1746

2 2

 2 
 a  0.00336   a  0.00336  0.05797

3 3

 2
Concluzie: În urma calculelor efectuate am obţinut, varianţa erorilor egală cu  e  8.3999 , iar abaterile standart,
 2  2  2  2
egale cu:  a  10.93755 ;  a  0.333 ;  a  0.1746 ;  a  0.05797 .

0

1

2

3

Calculăm coeficientul de determinaţie, R 2 şi coeficientul de determinaţie „corectat”, R 2 .

Coeficientul de determinaţie, R 2 , îl calculăm conform formulei:

18
 2

  i 
 

e 2 Y Y
109.1983
R  1
2
 1  1  0.51865  51.86%
 Y  Y   i 
2 2
i Y  Y 226.8574

Concluzie: Coeficientul de determinaţie are valoarea R 2  51.86% , ceea ce exprimă faptul că 52% din variaţia lui Y, se
datorează variaţiei variabilelor independente, X 1 , X 2 , X 3 .

Calculăm coeficientul de determinaţie „corectat”, conform formulei:

n 1 14  1
R2  1
n  k 1

* 1 R2  1 
14  3  1
* 1  0.51865  0.374245

Concluzie: Coeficientul de determinaţie „corectat” are valoarea R 2  0.3742 , observăm că are o valoare mai mică, din
cauză că a foet corectat cu gradul de libertate. Acest coeficient se calculează pentru a ţine cont de numărul relativ slab
de observări, comparat cu numărul de factori explicativi.

5. Verificăm faptul dacă, coeficienţii a1 şi a 2 , sunt simultan diferiţi de 1 şi -0.5.

Pentru a verifica această afirmaţie este nevoie să efectuăm câteva calcule.

Formulăm ipotezele:

a   1  a   1 
H 0 :  1     H 0 :  1    
 a 2    0.5   a 2    0.5 

Se acceptă ipoteza nulă H 0 , în cazul când:

19
 '
1    1   
 a q  a q   a q  a q  a q   F q, n  k  1

q   

Unde, F  q, n  k  1 este legea Fisher, la pragul de semnificaţie  şi q, n  k  1 , grade de libertate. Pentru că avem de
  0.8019   
testat doi parametri rezultă că, q  2 , a q    , adică valorile estimatorilor a1 , a 2 , calculate anterior şi
  0.38136 
 1 
a q    .
  0.5 
 1
Avem nevoie şi de valoarea indicatorului,  a q , pe care o calculăm în felul următor:



 0.01320 0.00119   0.0890 0.0080   1  11.5718  3.8026 
 aq  6.745 * 

      a q   
 0.00119 0.00363   0.0080 0.0245    3.8026 42.0365 

Având toate datele necesare, determinăm valoarea calculată a testului Fisher, înlocuind datele în formulă, obţinem:

 11.5718  3.8026   0.80190  1 

* 0.80190  1  0.38136  0.5 * 
1
Fcalc   *    0.6122
2   3.8026 42.0365    0.38136  0.5 

Calculăm valoarea tabelară a testului Fisher:

Ftab  Fq,n  k 1  F20;10
.05
 4.103
Comparăm datele obţinute:
Fcalc  Ftab  0.6122  4.103 , se acceptă ipoteza nulă, conform căreia coeficienţii a1 şi a 2 , pot fi simultan diferiţi de 1
şi -0.5.

Concluzie: Comparând valoarea calculată cu cea tabelară, observăm că,

20
 Fcalc  Ftab  0.6122  4.103 , ceea ce semnifică faptul ca se acceptă ipoteza nulă,

Adică coeficienţii a1 şi a 2 , nu resping posibilitatea de a fi simultan deferiţi de 1 şi -0.5.

6. Verificăm dacă coeficienţii a1 şi a 2 , sunt semnificativ diferiţi de 1 şi -0.5, pentru a verifica această ipoteză este
nevoie să efectuăm câţiva paşi.

Efectuăm testarea coeficientului a1 .

1) Formulăm ipotezele:

H 0 : a1  1 H1 : a1  1

2) Determinăm valoarea calculată a testului t-Student, în baza formulei:



a1 0.80190
t a1
calc  
  2.6882
a  0.2983
1

3) Determinăm valoarea tabelară a testului t-Student, în dependenţă de nivelul de semnificaţie   5%  0.05 şi n-1,
grade de libertate.

t tab  t n1  t13

0.05
 2.160

4) Comparăm valorile:

a1
t calc 0.05
 t13  2.6882  2.160 , ceea ce semnifică că se respinge ipoteza nulă şi se acceptă ipoteza alternativă, adică
semnifică faptul că coeficientul a1 , este diferit de 1.

21
 

Concluzie: În urma calculelor efectuate am obţinut: t calc

a 0.05
 t13 1
 2.6882  2.160 , ceea ce denotă faptul că se respinge
ipoteza nulă şi se acceptă ipoteza alternativă, semnifică faptul, că coeficientul a1 , este diferit de 1.
Efectuăm testarea coeficientului a 2 .

1) Formulăm ipotezele:

H 0 : a2  0.5 H1 : a2  0.5

2) Determinăm valoarea calculată a testului t-student, în baza formulei:



a2  0.38136
a2
t calc  
  2.4368
a  0.1565
2

3) Determinăm valoarea tabelară a testului t-student, în dependenţă de nivelul de semnificaţie   5%  0.05 şi n-1,
grade de libertate.

t tab  t n1  t13

0.05
 2.160

4) Comparăm valorile:

a1
t calc 0.05
 t13  2.4368  2.160 , ceea ce semnifică că se respinge ipoteza alternativă şi se acceptă ipoteza nulă, adică
semnifică faptul că coeficientul a 2 , nu respinge posibilitatea de-a fi egal cu -0.5.


Concluzie: În urma calculelor efectuate am obţinut: t calc

a 0.05
 t13 1
 2.4368  2.160 , ceea ce denotă faptul că se respinge
ipoteza alternativă şi se acceptă ipoteza nulă, semnifică faptul, că coeficientul a 2 , nu respinge posibilitatea de-a fi egal

22
 cu -0.5. În concluzie putem menţiona faptul că coeficienţii a1 şi a 2 , nu sunt semnificativ diferiţi de 1 şi -0.5, doar
coeficientul a1 , este diferit de 1, pe când coeficientul a 2 , nu se respinge posibilitatea de-a fi egal cu -0.5.

7. Determinăm intervalul de încredere pentru variaţia erorilor, cu o probabilitate de 95%.

Intervalul de încredere a varianţei erorilor permite determinarea varianţei amplitudinii erorii şi calculăm intervalul de
încredere, în baza testului hi-pătrat,  2 ,conform formulei:

  2  2 

IC : 
n  k  1  *  e
;
n  k  1  *  e 
, unde
 12
22 
 

 12 , are (n-k-1), grade de libertate şi (1  ) , pragul de semnificaţie.
2

 22 , (n-k-1), grade de libertate şi , pragul de semnificaţie.
2
Având toate datele necesare, înlocuim în formulă, obţinem:

10 * 6.745 10 * 6.745 

IC :  ;  IC : 3.2929;20.7730
 20.483 3.247 

Concluzie: În urma calculelor efectuate, am obţinut intervalul de încredere pentru variaţia erorilor fiind:
  2 
3.2929   e  20.7730  3.2929  6.745  20.7730 , într-adevăr observăm că valoarea dată este mai mare decât 3.2929
 
şi mai mică decât 20.7730.

23
 8. Verificăm dacă adăugarea variabilelor independente X 1 , X 2 , ameliorează semnificativ calitatea estimaţiei, în
raport cu X 1 , singur. Adăugarea unor variabile explicative în model are drept efect creşterea, sumei pătratelor
explicative, SPE şi o reducere a sumei pătratelor reziduale, SPR şi de aceea este nevoie să vedem diferenţa între
SPE ( a modelului cu toate variabilele explicative incluse ) şi SPE ' ( a modelului cu o singură variabilă
explicativă X 1 ) va fi semnificativ pozitivă.
Soluţionăm modelul cu o singură variabilă independentă, X 1 :
Y  a  bx1  e
Estimăm valorile parametrilor modelului în baza metodei centrării datelor, toate datele necesare calculelor sunt
indicate în Tabelul 5.
 
(Yi  Y ) (Yi  Y ) 2

Nr. Y (Yi  Y ) (Yi  Y ) 2 Y ( e) (e 2 )
1 28 -5.71 32.6041 29,5936 -1,5936 2,539561
2 30 -3.71 13.7641 28,5818 1,4182 2,011291
3 26 -7.71 59.4441 30,6054 -4,6054 21,20971
4 32 -1.71 2.9241 33,6408 -1,6408 2,692225
5 30 -3.71 13.7641 34,6526 -4,6526 21,64669
6 35 1.29 1.6641 35,6644 -0,6644 0,441427
7 37 3.29 10.8241 35,6644 1,3356 1,783827
8 35 1.29 1.6641 32,629 2,371 5,621641
9 37 3.29 10.8241 32,629 4,371 19,10564
10 32 -1.71 2.9241 35,6644 -3,6644 13,42783
11 35 1.29 1.6641 31,6172 3,3828 11,44334
12 37 3.29 10.8241 36,6762 0,3238 0,104846
13 41 7.29 53.1441 39,7116 1,2884 1,659975
14 37 3.29 10.8241 34,6526 2,3474 5,510287
Total 472 0 226.8574 471,983 0,017 109,1983

Calculăm estimatorii după metoda centrării datelor.


Calculăm valoarea estimatorului b , conform formulei:

24
 
b
 Y  Y * X  X   116.29  1.0118
i 1 1

 X  X 
2
114.93
1 1


Calculăm valoarea estimatorului a , conform formulei:
 
a  Y  b* X 1  33,7  1.0118 * 6.0714  27,557

 
În rezultat am obţinut, valoarea estimatorului a  27,557 şi valoarea estimatorului b  1.0118 .
Pentru a ne convinge de veridicitatea datelor, calculăm cu ajutorul pachetului de programe Eviews , în rezultat obţinem
aceleaşi rezultate, cea ce ne demonstrează că calculele au fost efectuate corect.

Ecuaţia modelului pe care îl analizăm este:


Y  27,557  1.011809 X 1  e  Y  27,557  1.011809 X 1

25
Calculăm valoarea sumei pătratelor totale, care reiese din relaţia:

SPT '  SPR '  SPE ' unde,

2 2
 
  
SPR   e    Yi  Y  SPE    Y i  Y 
' 2 '

   

Având datele necesare, înlocuim în relaţie şi obţinem:

SPT '  SPR '  SPE '  SPT '  109.20  117.66  226.86

Este nevoie să testăm ipotezele, testarea o facem cu ajutorul testului Fisher.

Pentru a teste efectuăm următorii paşi:

1). Formulăm ipotezele:

H 0 : a 2  a3  0 H 1 : există cel puţin un coeficient diferit de 0.

2). Determinăm valoarea calculată a testului Fishier, în baza formulei:

2

  Y i  Y  / k

SPE
k 159.41 / 2 79.74
Fcalc   2
   11.81
SPR  
 67.45 / 10 6.75
  Y  Y i  / n  k  1
n  k 1 i


3). Determinăm valoatea tabelară a testului Fisher:

26
 Ftab  F2;10  F20;10
.05
 4.103

4). Comparăm valorile obţinute:

Fcalc  F20;10
.05
 11.81  4.103 , ceea ce semnifică că se respinge ipoteza nulă şi se acceptă ipoteza alternalivă, ceea
ce semnifică că există o relaţie semnificativă între variabila dependentă şi variabilele independente.

Concluzie: În urma calculelor efectuate am obţinut: Fcalc  F20;10.05  11.81  4.103 , ceea ce denotă faptul că se respinge
ipoteza nulă şi se acceptă ipoteza alternativă, ceea ce denotă faptul că adăugarea variabilelor explicative X 1 , X 2 , nu
ameliorează semnificativ calitatea estimaţiei modelului, în raport cu o singură variabilă independentă X 1 .

27
 9. Verificăm dacă coeficienţii sunt semnificativ diferiţi de 0, iar regresia este global semnificativă. Pentru a
verifica această ipoteză, avem nevoie de o variabilă independentă X, care să influenţeze variabila dependentă, Y,
semnificativ.
Trebuie să construim tabelul de analiză al varianţei, deoarece ne permite de-a efectua testul Fisher.
Tabelul 6
Sursa variaţiei Suma pătratelor Gradul de Pătrate medii
libertate
X1, X 2 , X 3  
2
k 3 SPE 159.41
SPE    Y  Y   159.41 
  k 3
Rezidiu  

2 (n  k  1)  (14  3  1)  10 SPR 67.45
SPR    Yi  Y   67.45 
  (n  k  1) 10
Total 
SPT   Yi  Y 
2
 226.86 n  1  14  1  13

Ecuaţia fundamentală de analiză a variaţiei, se calculează în baza relaţiei:

SPT  SPR  SPE  SPT  67.45  159.41  226.86

Efectuăm testarea cu ajutorul testului Fisher, toate datele necesare pentru efectuarea datelor le avem calculate în
exerciţiile interioare, deci putem efectua calculul, parcurgând paşii:

1. Formulăm ipotezele:

H 0 : a1  a2  a3 H 1 : există cel puţin un coeficient diferit de 0.

2. Determinăm valoarea calculată a testului Fişier, în baza formulei:

Unde, R 2  0.7027 , valoare calculată anterior.

k  3 , testăm în baza a trei coeficienţi a1 ; a2 ; a3 .

28
 2
SPE
k
  Y i  Y  / k

R2 / k 0.7027 / 3
     7.8855
Fcalc
SPR  

2
 2

1  R / n  k  1 1  0.7027  / 10
n  k 1   i i  /n  k  1
 Y  Y

3. Determinăm valoarea tabelară a testului Fisher:

Ftab  F3;10  F30;10

.05
 3.708

4. Comparăm valorile obţinute:

Fcalc  F30;10
.05
 7.8855  3.708 , ceea ce semnifică că se respinge ipoteza nulă şi se acceptă ipoteza alternativă, ceea
ce semnifică că există o relaţie liniară semnificativă între variabila dependentă Z şi variabilele independente X 1 , X 2 , X 3
şi regresia este considerată semnificativă.

Concluzie: În urma calculelor efectuate am obţinut: Fcalc  F30;10.05  7.8855  3.708 , ceea ce denotă faptul că se respinge
ipoteza nulă şi se acceptă ipoteza alternativă, ceea ce demonstrează că, coeficienţii, a1 ; a2 ; a3 , sunt semnificativ diferiţi
de 0, deci regresia este global semnificativă.

29
 11.Calculăm previziunea şi intervalul de încredere pentru următoarele două perioade, dacă se cunosc datele:

X 1 (15)  3 X 2 (16)  6
X 2 (15)  24 X 2 (16)  38
X 3 (15)  165 X 3 (16)  170

Pentru a calcula previziunea pentru următoarele două perioade trebuie datele cunoscute înlocuite în formulă, obţinem
valoarea de previziune pentru aceste perioade. Având toate datele necesare, putem calcula previziunea pentru aceste
perioade.

Previziunea pentru aceste perioade o calculăm în baza formulei:


Y i  a0  a1 X 1  a2 X 2  a3 X 3

Calculăm previziunea pentru perioada 15:


Y 15  48.14868  (0.8019 * 3)  (0.38136 * 24)  (0.03713 *165)  35.27529

Calculăm previziunea pentru perioada 16:


Y 16  48.14868  (0.8019 * 6)  (0.38136 * 38)  (0.03713 *170)  32.1563

Concluzie: În urma calculelor efectuate am obţinut previziunea pentru perioada 15, valoarea de 35.27529, iar pentru
perioada 16, valoarea de 32.1563. În comparaţie cu perioadele precedente, observăm că nu este un decalaj între valori.

Intervalul de previziune îl calculăm în baza formulei:

30
  

 
  2 1
Yt  h  Y t  h  t n2k 1 *  e * X t' h X ' X X t h  1

Unde:
 0.05
t 2
n  k 1 t 10
2
 t10
0.025
 2.764 , în baza testului t-Student.

 14.24209  0.02630  0.20613  0.05851 

 
  0.02630 0.01320 0.00119  0.00094 
X X 
 2 1
 e  6.745 '

 0.20613 0.00119 0.00363 0.00057 
 
  0.05851  0.00094 0.00057 0.00040 


Calculăm intervalul de previziune pentru perioada 15, în baza formulei:

Y15  Y 15  t

0.025
10
 2

*  e * X 15' X ' X  
1

X 15  1  Y15  35.27529  2.764 *
  14.24209  0.02630  0.20613  0.05851  1  
    
  0.02630 0.01320 0.00119  0.00094   3  
* 6.745 * 1 3 24 165 1 
  0.20613 0.00119 0.00363 0.00057  24  
    
  0.05851  0.00094 0.00057 0.00040 165  
 
 31.7841  2.764 * 97.746  35.27529  27.3266  7.94869


Y15  Y 15  t10
0.025
*  e * X 15' X ' X
2
  
1

X 15  1  Y15  35.27529  27.3266  62.60189

Concluzie: În urma calculelor efectuate am obţinut intervalul de previziune, care este, 7.94869  Y15  62.60189 .

31
Calculăm intervalul de previziune pentru perioada 16, în baza formulei:


Y16  Y 16  t10
0.025
 2
 
*  e * X 16' X ' X  1

X 16  1  Y16  32.1563  2.764 *
  14.24209  0.02630  0.20613  0.05851  1  
    
  0.02630 0.01320 0.00119  0 .00094  6  
* 6.745 * 1 6 38 170  1 
  0.20613 0.00119 0.00363 0.00057 38  
   
  0.05851  0.00094 0.00057 170  
  0.00040   
 28.6651  2.764 * 78.8271  32.1563  24.5401  7.6162


Y16  Y 16  t
0.025
10
2
 
*  e * X 16' X ' X 
1

X 16  1  Y16  32.1563  24.5401  56.6964

Concluzie: În urma calculelor efectuate am obţinut intervalul de previziune, care este, 7.6162  Y16  56.6964 .

32