ECONOMETRIE

Marketing An 2
Elena Prada, Lect. Univ. Dr.
elena.prada@csie.ase.ro

2022
 Introducere
Regresia liniară face posibilă estimarea unei variabile pe seama unei alte variabile
(model de regresie liniară simplu) sau a altor variabile (model de regresie liniară
multiplu)
De exemplu, sunt veniturile obținute din vânzările unui produs influențate de prețul produsului și cheltuielile cu 
publicitatea pentru acesta?

Variabile 
independente

Variabila dependentă
Structura cursului
Scrierea modelului multiplu de regresie
Estimarea rezultatelor cu pachetul Data Analysis in Excel
Interpretarea rezultatelor
Ipotezele modelului de regresie liniară
 Scrierea modelului de regresie multiplu
Cum se definește un model de regresie unifactorială liniar?

Variabilă dependentă Variabile independente Variabilă reziduală

𝑦 𝛽 𝛽 ·𝑥 𝛽 ·𝑥 ⋯ 𝛽 ·𝑥 𝑒; i 1, 𝑛

Un model multiplu de regresie are k variabile independente! Fiecarei variabile independente ii este asociat 
un coeficient de regresie β.
𝛽 ‐ constantă sau intercept
𝛽 ‐ coeficient de regresie asociatei variabilei 𝑥
Valoarea estimată a lui y va fi:
𝛽 ‐ coeficient de regresie asociatei variabilei 𝑥
𝑦 𝛽 𝛽 ·𝑥 𝛽 ·𝑥 ⋯ 𝛽 ·𝑥
...
𝛽 ‐ coeficient de regresie asociatei variabilei 𝑥
Estimarea modelului de regresie multiplu in EXCEL
SUMMARY OUTPUT

Regression Statistics
Multiple R 0.989430469
R Square 0.978972653
Adjusted R Square 0.97296484
Standard Error 2.377677944
Observations 10

ANOVA
df SS MS F Significance F
Regression 2 1842.426533 921.2133 162.9499 1.34817E‐06
Residual 7 39.57346682 5.653352
Total 9 1882

Coefficients Standard Error t Stat P‐value Lower 95% Upper 95%

Intercept 4.702902918 6.18676278 0.760156 0.471983 ‐9.926466391 19.33227
Numarul de vanzatori (nr persoane) 0.974543752 0.151386668 6.437448 0.000354 0.616571165 1.332516
Suprafata comerciala (mp) 0.104112437 0.061427843 1.694874 0.133923 ‐0.04114133 0.249366
Modelul multiplu de regresie în EXCEL

k
Modelul multiplu de regresie în EXCEL

k
Modelul multiplu de regresie în EXCEL

k
Output Excel regresia multiplă
SUMMARY OUTPUT

Regression Statistics
Multiple R 0.989430469
R Square 0.978972653
Adjusted R Square 0.97296484
Standard Error 2.377677944
Observations 10

ANOVA
df SS MS F Significance F
Regression 2 1842.426533 921.2133 162.9499 1.34817E‐06
Residual 7 39.57346682 5.653352
Total 9 1882

Coefficients Standard Error t Stat P‐value Lower 95% Upper 95%

Intercept 4.702902918 6.18676278 0.760156 0.471983 ‐9.926466391 19.33227
Numarul de vanzatori (nr persoane) 0.974543752 0.151386668 6.437448 0.000354 0.616571165 1.332516
Suprafata comerciala (mp) 0.104112437 0.061427843 1.694874 0.133923 ‐0.04114133 0.249366
Output Excel regresia simplă
SUMMARY OUTPUT

Regression Statistics
Multiple R 0.985060221
R Square 0.97034364
Adjusted R Square 0.966636595
Standard Error 2.641336541
Observations 10

ANOVA
df SS MS F Significance F
Regression 1 1826.18673 1826.187 261.7566 2.14066E‐07
Residual 8 55.81326977 6.976659
Total 9 1882

Coefficients Standard Error t Stat P‐value Lower 95% Upper 95%

Intercept 14.91934843 1.547708838 9.639635 1.12E‐05 11.35032545 18.48837
Numarul de vanzatori (nr persoane) 1.204608661 0.074455559 16.17889 2.14E‐07 1.032913834 1.376303
 Compararea a două modele de regresie
Regresia simplă Regresia multiplă

Regression Statistics Se compară valoarea Standard  Regression Statistics

Multiple R 0.985060221 Multiple R 0.989430469
Error. Modelul cu Standard Error  R Square 0.978972653
R Square 0.97034364
Adjusted R Square 0.966636595 cea mai mică este o estimare mai  Adjusted R Square 0.97296484
Standard Error 2.641336541 bună.  În acest exemplu, regresia  Standard Error 2.377677944
Observations 10 Observations 10
multiplă este o estimare mai bună.

Se compară Significance F celor două modele.  Dacă un model are Sig F mai mare 
de α=0,05, atunci acesta estimare nu este una potrivită.  În exemplul nostru ambele 
sunt valide.

ANOVA ANOVA
df SS MS F Significance F df SS MS F Significance F
Regression 1 1826.18673 1826.187 261.7566 2.14066E‐07 Regression 2 1842.426533 921.2133 162.9499 1.34817E‐06
Residual 8 55.81326977 6.976659 Residual 7 39.57346682 5.653352
Total 9 1882 Total 9 1882
 Compararea a două modele de regresie
Regresia simplă Regresia multiplă

Coefficients P‐value Coefficients P‐value

Intercept 4.702902918 0.47198294
Intercept 14.91934843 1.11563E‐05
Numarul de vanzatori (nr persoane) 0.974543752 0.000354454
Numarul de vanzatori (nr persoane) 1.204608661 2.14066E‐07
Suprafata comerciala (mp) 0.104112437 0.133922975

Ne uităm la semnificativitatea coeficienților. Dacă un coeficient are p‐value mai mare decât α=0,05, atunci acel 
coeficient nu e semnificativ iar variabila nu are o influență semnificativă asupra modelului. 
Prin urmare, acel model nu este o estimare bună. In exemplul nostru regresia simplă este o estimare bună. 

După cum am observat avem 3 criterii de compare a două modele de regresie:
‐ Standard error
‐ Significance F (Sig F)
‐ P‐value aferent coeficienților
Dacă două dintre cele trei criterii sunt în favoarea unui model, vom alege acel model.
În exemplul nostru, standard error si Sig F sunt în favoarea modelului multiplu, iar p‐value în favoarea regresiei simple.
Putem concluziona că modelul multiplu este o estimare potrivită pentru datele noastre.