ACADEMIA DE STUDII ECONOMICE BUCUREŞTI

FACULTATEA DE CIBERNETICĂ, STATISTICĂ ȘI

INFORMATICĂ ECONOMICĂ

- PROIECT LA ECONOMETRIE –

ANALIZA MODELELOR DE REGRESIE ALE

RATEI NATALITĂȚII

Proiect realizat de

Teodorescu Ingrid

Tudor Florina

Țițeche Anamaria-Florentina

Grupa 1091
 Cuprins
APLICATIA 1 ..............................................................................................................................................3
1) Să se formulize stadiul actual al cunoașterii pe problematica analizată – se face referire la
minim 5 articole de specialitate. ..............................................................................................................3
2) Să se precizeze pentru fiecare variabilă studiată definiția, unitatea de măsură și sursa de
colectare a datelor. ...................................................................................................................................3
3) Să se realizeze o scurtă analiză descriptivă a variabilelor colectate. ...........................................5
4) Să se reprezinte grafic corelograma și să se măsoare intensitatea legăturii dintre cele două
variabile utilizând un indicator adecvat.................................................................................................5
5) Să se estimeze parametrii unui model de regresie simplă și să se interpreteze economic și
econometric rezultatele (testarea validității modelului, verificarea semnificației parametrilor,
indicatorii de bonitate etc.). .....................................................................................................................6
6) Să se realizeze o prognoza pe interval de incredere pentru variabila dependentă studiată. .....9
APLICATIA 2 ..............................................................................................................................................9
1) Să se îmbunătățească modelul de regresie simplă prin adăugarea unor noi variabile
independente, cu argumente de natură economică - se va completă și stadiului actual al
cunoașterii. ................................................................................................................................................9
2) Să se interpreteze economic și econometric rezultatele obținute cu evidențierea principalilor
indicatori cheie (interpretarea parametrilor modelului, interpretarea lui R2, testarea validității
modelului și testarea semnificației parametrilor, interpretarea indicatorilor de bonitate). ...........11
3) Să se testeze ipotezele modelului de regresie multifactoriala și să se corecteze modelul în
cazul în care acestea nu se verifică. ......................................................................................................15
4) Să se îmbunătățească modelul de regresie multiplă prin adoptarea altei forme funcționale
și/sau prin adăugarea unor variabile dummy în cadrul modelului. ..................................................16
5) Să se simuleze impactul factorilor explicativi prin realizarea de prognoze. .............................22
APLICATIA 3 ............................................................................................................................................23
1) Să se extindă stadiul actual al cunoașterii cu lucrări care au utilizat modele cu date de tip
panel pe tematică proiectului. ...............................................................................................................23
2) Să se extindă baza de date prin adăugarea de date istorice și să se organizaze datele în
formatul potrivit. ....................................................................................................................................28
3) Sa se testeze alegerea tipului de model: pooled OLS, RE sau FE cu ajutorul testelor potrivite.
28
4) Să se estimeze parametrii modelului cu metoda oferita de rezultatele testelor anterioare .....33
5) Să se interpreteze rezultatele obţinute din punct de vedere economic si econometric.............33
BIBLIOGRAFIE ........................................................................................................................................39
 APLICATIA 1
Folosind date referitoare la variabile între care există o legătură logică din punct de vedere al
teoriei economice (serii de date reale pentru diverși indicatori macroeconomici pentru care se
impune că datele să fie cât mai recente) se cere:

1) Să se formulize stadiul actual al cunoașterii pe problematica analizată – se face

referire la minim 5 articole de specialitate.
Rata natalității este cunoscută ca fiind una dintre cele mai cercetate variabile atunci când se
analizează boliile genetice, sănătatea publică și, respectiv, standardele de viață. Nașterea unui copil
sănătos și înregistrarea acestuia în societate are un impact semnificativ asupra populației totale. De
aceea, am ales aceste date fiind de asemenea inspirate de doamna profesoară Antonie Maria Denisa.
Dânsa a realizat un studiu pe datele ce reflectă moartea copiilor, un alt subiect important de abordat.
Așa că am vrut să realizăm opusul pentru nașterea copiilor, pentru a observă diferențele între aceste
două extreme, respectiv un studiu care face diferenta intre cele două extreme.

Această valoare poate fi influențată de multe aspecte, începând de la sănătatea mamei,

alimentația acesteia, poziția ei în societate și nivelul de educație. Cu toate acestea, alte elemente
pot fi externe, cum ar fi venitul sau nivelul de trai al unei viitoare familii. Acest proiect va analiza
și va interpreta factorii compatibili care sunt strâns legați de rata natalității.

2) Să se precizeze pentru fiecare variabilă studiată definiția, unitatea de măsură și

sursa de colectare a datelor.
Variabilele studiate pentru această etapă sunt:

• Live births – y – number,

• Population and employment – x – thousand persons.
Pentru această aplicație, s-a folosit urmărul tabel:

Tabel 1: Regresia simpla a ratei natalității

live- pop-and-
COUNTRIES
births employment
Belgium 114,350 11,544
Bulgaria 59,086 6,934
Czechia 110,200 10,700
Denmark 60,937 5,830
Germany (until 1990 former
773,144 83,161
territory of the FRG)
Estonia 13,209 1,329
Greece 84,764 10,699
Spain 340,635 47,356
France 735,775 68,004
Croatia 35,845 4,047
Italy 404,892 59,439
Latvia 17,552 1,901
Lithuania 25,144 2,795
Hungary 93,807 9,750
Austria 83,603 8,917

Poland 355,309 38,354

Portugal 84,530 10,297
Romania 198,302 19,269
Slovenia 18,767 2,103
Slovakia 56,650 5,461
Finland 46,463 5,531
Sweden 113,077 10,353
y – https://ec.europa.eu/eurostat/databrowser/view/tps00204/default/table?lang=en

x – https://ec.europa.eu/eurostat/databrowser/view/nama_10_pe/default/table?lang=en
 3) Să se realizeze o scurtă analiză descriptivă a variabilelor colectate.
După ce ne-am informat de pe site-urile academice am ajuns la concluzia că unul dintre cei
mai relevanți factori care influențează numărul de nașteri sănătoase(la care copilul a prezentat orice
semn de viață) îl reprezintă numărul de oameni care au un loc de muncă.

• x- reprezintă câți oameni din țară sunt angajați,

• y- reprezintă numarul total de nașteri în care copilul/bebelușul a arătat orice fel de semn de
viață.

4) Să se reprezinte grafic corelograma și să se măsoare intensitatea legăturii dintre cele

două variabile utilizând un indicator adecvat.

Reprezentarea grafică a corelogramei:

Figura 1: Corelograma reziduurilor

Figura 2: Tabelul de corelatie

 După calculul coeficientului Pearson rxy= R = 0,978851, putem observa că legătura dintre
variabilele y, live_births, și x, pop_and_emplayment, este una pozitivă și puternică.

R= √R2 = 0.95

R -> 1 => legătură între x și y este puternică.

5) Să se estimeze parametrii unui model de regresie simplă și să se interpreteze

economic și econometric rezultatele (testarea validității modelului, verificarea
semnificației parametrilor, indicatorii de bonitate etc.).

Figura 3: Statistici descriptive ale variabilelor modelului (Eviews)

Figura 4: Statistici descriptive ale variabilelor modelului (Excel)

H0: alpha = 0 => nu este semnificativ statistic

H1: alpha != 0 => este semnificativ statistic

p-value = 0.0000 < alpha = 0.1 => respingem H0 si aceptam H1 => modelul statistic este valid

Cu o probabilitate de 90%, putem afirma că parametrul pop_and_employment este

semnificativ statistic ( !=0 )

Dacă pop_and_employment se modifică cu o unitate atunci live_births cresc de 8,97 ori.

Cu o probabilitate de 90% putem afirmă că variația variabilei pop_and_employment

influențează variabilă live_birth în proporție de 96,19%.

Forma modelului: Y = 990,5442 + 8,977079*X

Testul t

H0: b=0

H1: b!=0

tcalc = 21.39

tcriticalfa/2,n-2=1.725

|tcalc|>tcritic => Respingem H0, acceptam H1 => Semnificativ diferit de 0

Intervale de incredere

a = 8.97

lower90%= 8.25

upper90%=9.70

lower90% <= a <= upper90% (A) => Intervalul de incredere este valid

Testul Fisher

H0: b=0

H1: b!=0
Fcalc = 457.89

Fsemnificativalfa,k-1,n-k= 2.96

Fcalc > Fsemnificativ => respingem H0 si aceptăm H1 => modelul statistic este valid

Indicatori de bonitate

a. Coeficientul de determinație ajustat

Adjusted R-squared este un coeficient de determeninaţie corectat cu grade de libertate, iar

semnificaţia sa coincide cu cea a lui R-squared.

b. Eroarea standard

Eroarea standard arată cu cât se abat în medie valorile observate de la valorile teoretice
aflate pe dreapta de regresie.

c. Coeficientul de determinație

Valoarea acestui coeficient indică faptul că numărul populației care are un loc de muncă
explică aproximativ 95,81% din variația nașterilor vii.
 6) Să se realizeze o prognoza pe interval de incredere pentru variabila dependentă
studiată.

Figura 5: Coeficientul Theil

U2 = 0,22 <1 => semnificativ statistic

Previzionarea variabilelor

Daca pop_and_employment crește cu o unitate atunci live_births crește de 8,97 ori, iar dacă
pop_and_emplyment scade cu o unitate, atunci live_births scade de 8,97 ori.

APLICATIA 2

1) Să se îmbunătățească modelul de regresie simplă prin adăugarea unor noi variabile

independente, cu argumente de natură economică - se va completă și stadiului actual
al cunoașterii.
În cadrul modelului de regresie simplă, am adăugat următoarele variabile dependențe:
• Average household size – x2 – number
• Share of people having income greater or equal to specific national thresholds by
education attainment level – x3 – percentage
• Pupils and students enrolled by education level, sex, and field of education – x4 –
number
 Pentru această aplicație, s-au adăugar următoarele date la tabel:

Tabelul 2: Variabile adăugate pentru regresia multipăl a ratei natalit

avg-household- income-greater-
COUNTRIES educatie-pupils-stud
size or-equal
Belgium 2.30 7.00 408,908.00
Bulgaria 2.40 9.90 141,035.00
Czechia 2.30 12.00 278,022.00
Denmark 2.00 14.60 109,510.00
Germany (until 1990 former
2.00 15.50 1,169,601.00
territory of the FRG)
Estonia 2.10 13.70 18,256.00
Greece 2.60 16.10 109,805.00
Spain 2.50 17.90 647,188.00
France 2.20 12.10 1,064,882.00
Croatia 2.70 11.80 102,745.00
Italy 2.30 18.40 1,501,061.00
Latvia 2.30 14.20 23,295.00
Lithuania 2.20 12.20 14,781.00
Hungary 2.30 10.10 202,472.00
Austria 2.20 13.50 241,553.00
Poland 2.80 11.10 858,021.00
Portugal 2.50 16.80 152,319.00
Romania 2.60 10.70 406,036.00
Slovenia 2.50 8.90 63,033.00
Slovakia 2.90 6.90 120,923.00
Finland 2.00 13.00 221,987.00
Sweden 2.00 13.30 195,603.00
x2 - https://ec.europa.eu/eurostat/databrowser/view/ilc_lvph01/default/table?lang=en
x3 -
https://ec.europa.eu/eurostat/databrowser/view/ILC_DI27__custom_4343275/default/table?lang=
en
x4 – https://ec.europa.eu/eurostat/databrowser/view/educ_uoe_enra03/default/table?lang=en
 2) Să se interpreteze economic și econometric rezultatele obținute cu evidențierea
principalilor indicatori cheie (interpretarea parametrilor modelului, interpretarea
lui R2, testarea validității modelului și testarea semnificației parametrilor,
interpretarea indicatorilor de bonitate).

Figura 6: Evoluția economică a variabilelor modelului

Figura 7: Statistici descriptive ale variabilelor modelului (Eviews)

Figura 8: Statistici descriptive ale variabilelor modelului (Excel)

H0: alpha=0 => nu este semnificativ statistic

H1: alpha != 0 => este semnificativ statistic

F-statistic = 0,000000 < alpha = 0,1 => respingem H0 și acceptăm H1 => modelul statistic este
valid

Analiza variabilelor x

X1 = educatie_pupils_stud are probabilitatea 0,0111 < alpha => x1 este semnificativ statistic

X2 = income_greater_or_equal are probabilitatea 0,0015 < alpha => x2 este semnificativ statistic

X3 = pop_and_employment are probabilitatea 0,00000<alpha =>x3 este semnificativ statistic

X4 = avg_household_size are probabilitatea 0,1263 > alpha => x4 nu este semnificativ statistic

Forma modelului: Y = 231844.6 – 0.14*Xeducatie-pupils-stud – 9773.97*Xincome-greater-or-equal +

11.77*Xpop-and-employment – 46036.5*Xavg-household-size
Testul t

H0: b=0

H1: b!=0

tcalceducatie-pupils-stud = -2.85

tcriticalfa/2,n-2=1.725

|tcalceducatie-pupils-stud |>tcritic => Respingem H0, acceptam H1 => Semnificativ diferit de 0

tcalcincome-greater-or-equal = -3.78

tcriticalfa/2,n-2=1.725

|tcalcincome-greater-or-equal |>tcritic => Respingem H0, acceptam H1 => Semnificativ diferit de 0

tcalcpop-and-employment= 13.16

tcriticalfa/2,n-2=1.725

|tcalcpop-and-employment |>tcritic => Respingem H0, acceptam H1 => Semnificativ diferit de 0

tcalcavg-household-size = -1.61

tcriticalfa/2,n-2=1.725

|tcalcavg-household-size |>tcritic => Respingem H1, acceptam H0 =>Nu este semnificativ diferit de 0

Intervale de incredere

aeducatie-pupils-stud = -0.14

lower90%educatie-pupils-stud= -0.23

upper90%educatie-pupils-stud=-0.06

lower90%educatie-pupils-stud <= a <= upper90%educatie-pupils-stud (A) => Intervalul de incredere este valid
aincome-greater-or-equal = -9773

lower90%income-greater-or-equal= -14270.27

upper90%income-greater-or-equal=-5277.66

lower90%income-greater-or-equal <= a <= upper90%income-greater-or-equal (A) => Intervalul de incredere este

valid

apop-and-employment = 11.77

lower90%pop-and-employment = 10.21

upper90%pop-and-employment = 13.32

lower90%pop-and-employment <= a <= upper90%pop-and-employment (A) => Intervalul de incredere este valid

aavg-household-size = -46036.5

lower90% avg-household-size = -95845.68

upper90% avg-household-size = 3772.67

lower90% avg-household-size <= a <= upper90% avg-household-size (A) => Intervalul de incredere este valid

Testul Fisher

H0: b=0

H1: b!=0

Fcalc = 229.02

Fsemnificativalfa,k-1,n-k =1.53 (din excel)

Fcalc > Fsemnificativ => respingem H0 si aceptam H1 => modelul statistic este valid
Indicatori de bonitate

a. Coeficientul de determinație ajustat

Adjusted R-squared este un coeficient de determeninaţie corectat cu grade de libertate, iar

semnificaţia sa coincide cu cea a lui R-squared.

b. Eroarea standard

Eroarea standard arată cu cât se abat în medie valorile observate de la valorile teoretice
aflate pe dreapta de regresie.

c. Coeficientul de determinație

Valoarea acestui coeficient indică faptul că numărul populației care are un loc de muncă
explică aproximativ 98,17% din variația nașterilor vii

3) Să se testeze ipotezele modelului de regresie multifactoriala și să se corecteze

modelul în cazul în care acestea nu se verifică.

Figura 9: Heteroscedasticitate (Eviews)

H0: a=0 => homoscedasticitate

H1: a != 0 => heteroscedasticitate

F-statistic = 0,02 < alpha => respingem H0 și acceptăm H1 => modelul este heteroscedastic

χ2 = 0,1

Corelația variabilelor

Figura 10: Tabelul de corelatie

Din tabel putem observa că, folosind criteriul lui Klein, variabilele educatie_pupils_stud și
pop_and_employment au o legătură directă pozitivă puternică; între educatie_pupils_stud și
avg_household_size este o legătură negativă și slabă; între educatie_pupils_stud și
income_greater_or_equal este o legătură pozitivă slabă; între pop_and_employment și
avg_household_size legătura este inversă și slabă; între pop_and_employment și
income_greater_or_equal este o legătură pozitivă slabă; iar legătura dintre avg_household_size și
income_greater_or_equal este una inversă și slabă.
În concluzie există autocorelație între educatie_pupils_stud și pop_and_employment.
Am încercat să logaritmăm, nu a funcționat. Vom înlocui educatie_pupils_stud cu un alt x.
Am gasit inca 9 variante pentru a inlocui x, dar nu erau semnificativi statistici.

4) Să se îmbunătățească modelul de regresie multiplă prin adoptarea altei forme

funcționale și/sau prin adăugarea unor variabile dummy în cadrul modelului. Să se
interpreteze economic și econometric rezultatele obținute cu evidențierea
principalilor indicatori cheie (interpretarea parametrilor modelului, testarea
validității modelului și testarea semnificației parametrilor, interpretarea indicatorilor
de bonitate).
Tabelul 3: Imbunatatirea modelului cu o variabila dummy

dummy-share-outside-
COUNTRIES
marriage
Belgium 0
Bulgaria 1
Czechia 0
Denmark 1
Germany (until 1990 former territory of
0
the FRG)
Estonia 0
Greece 0
Spain 0
France 1
Croatia 0
Italy 0
Latvia 0
Lithuania 0
Hungary 0
Austria 0
Poland 0
Portugal 1
Romania 0
Slovenia 1
Slovakia 0
Finland 0
Sweden 1
x5 - https://ec.europa.eu/eurostat/web/products-datasets/-/tps00018
Figura 11: Statistici descriptive ale variabilelor modelului (Eviews)

Figura 12: Statistici descriptive ale variabilelor modelului (Excel)

Forma modelului: Y = 207478.2 – 0.13*Xeducatie-pupils-stud – 9552.96*Xincome-greater-or-equal + 11.6*Xpop-

and-employment – 39354.76*Xavg-household-size + 18453.22*Xdummy-share-outside-marriage

Testul t

H0: b=0

H1: b!=0

tcalceducatie-pupils-stud = -2.61
tcriticalfa/2,n-2=1.725

|tcalceducatie-pupils-stud |>tcritic => Respingem H0, acceptam H1 => Semnificativ diferit de 0

tcalcincome-greater-or-equal = -3.71

tcriticalfa/2,n-2=1.725

|tcalcincome-greater-or-equal |>tcritic => Respingem H0, acceptam H1 => Semnificativ diferit de 0

tcalcpop-and-employment= 12.93

tcriticalfa/2,n-2=1.725

|tcalcpop-and-employment |>tcritic => Respingem H0, acceptam H1 => Semnificativ diferit de 0

tcalcavg-household-size = -1.35

tcriticalfa/2,n-2=1.725

|tcalcavg-household-size |>tcritic => Respingem H1, acceptam H0 =>Nu este semnificativ diferit de 0

tcalcdummy-share-outside-marriage = 1.13

tcriticalfa/2,n-2=1.725

|tcalcdummy-share-outside-marriage |>tcritic => Respingem H1, acceptam H0 =>Nu este semnificativ diferit
de 0

Intervale de incredere

aeducatie-pupils-stud = -0.13

lower90%educatie-pupils-stud= -0.21

upper90%educatie-pupils-stud= -0.04

lower90%educatie-pupils-stud <= a <= upper90%educatie-pupils-stud (A) => Intervalul de incredere este valid
aincome-greater-or-equal = -9552.96

lower90%income-greater-or-equal= -14040.03

upper90%income-greater-or-equal=--5065.88

lower90%income-greater-or-equal <= a <= upper90%income-greater-or-equal (A) => Intervalul de incredere este

valid

apop-and-employment = 11.61

lower90%pop-and-employment = 10.04

upper90%pop-and-employment = 13.18

lower90%pop-and-employment <= a <= upper90%pop-and-employment (A) => Intervalul de incredere este valid

aavg-household-size = -39354.76

lower90% avg-household-size = -89970.33

upper90% avg-household-size = 11260.8

lower90% avg-household-size <= a <= upper90% avg-household-size (A) => Intervalul de incredere este valid

adummy-share-outside-marriage = 18453.22

lower90% dummy-share-outside-marriage = -9886.21

upper90% dummy-share-outside-marriage = 46792.65

lower90% dummy-share-outside-marriage <= a <= upper90% dummy-share-outside-marriage (A) => Intervalul de

incredere este valid
Testul Fisher

H0: b=0

H1: b!=0

Fcalc = 186.62

Fsemnificativalfa,k-1,n-k =1.35 (din excel)

Fcalc > Fsemnificativ => respingem H0 si aceptam H1 => modelul statistic este valid

Indicatori de bonitate

1. Coeficientul de determinație ajustat

Adjusted R-squared este un coeficient de determeninaţie corectat cu grade de libertate, iar

semnificaţia sa coincide cu cea a lui R-squared.

2. Eroarea standard

Eroarea standard arată cu cât se abat în medie valorile observate de la valorile teoretice
aflate pe dreapta de regresie.

3. Coeficientul de determinație

Valoarea acestui coeficient indică faptul că numărul populației care are un loc de muncă explică
aproximativ 98,31% din variația nașterilor vii
 5) Să se simuleze impactul factorilor explicativi prin realizarea de prognoze.

Figura 13: Coeficientul Theil

Coeficientul Theil U2 = 0,148123 < 1 => este emnificativ statistic

Dacă educatie_pupils_stud crește cu o unitate, atunci live_births scade cu 0,142433 unități.

Dacă income_greater_or_equal crește cu o unitate, atunci live_births scade cu 9773,973 unități.

Daca pop_and_employment crește cu o unitate atunci live_births crește cu 11,76585 unități.

Dacă avg_household_size crește cu o unitate, atunci live_births scade cu 46036,50 unități.

 APLICATIA 3

Să se dezvolte aplicația anterioară prin construirea unui model de regresie cu date de tip panel, care
va urmă următoarele specificații tehnice:

1) Să se extindă stadiul actual al cunoașterii cu lucrări care au utilizat modele cu date

de tip panel pe tematică proiectului.

Analizând perioada de după cel de-al Doilea Război Mondial, se pot observa condițiile de viață
și modul în care consecințele războiului au influențat rata natalității. Astfel, există numeroase
articole ce prezintă în detaliu condițiile economice ale acestui studiu. În timp ce unele articole
vorbesc despre modul în care rata natalității a crescut semnificativ datorită numărului total de
văduve, alte articole menționează influența Rusiei și restul lumii, ceea ce a făcut ca rata să crească
frenetic, cauzând un baby boom, iar apoi să scadă semnificativ din cauza schimbarilor pe plan
social.

Tabel 4: Regresia de tip panel a ratei natalității

educatie-
pop-and- avg-household- income-greater-or- pupils-
Tari Ani live_births employment size equal stud
Belgium 2013 125,606 11,159.40 2.3 9.1 466,040
Belgium 2014 125,014 11,209.10 2.3 8.8 463,451
Belgium 2015 122,274 11,274.20 2.3 8.6 460,591
Belgium 2016 121,896 11,331.40 2.3 8.4 455,259
Belgium 2017 119,690 11,375.20 2.3 8.0 439,501
Belgium 2018 118,319 11,427.10 2.3 7.9 426,537
Belgium 2019 117,695 11,489.00 2.3 7.8 425,848
Belgium 2020 114,350 11,544.30 2.3 7.0 408,908
Bulgaria 2013 66,578 7,265.12 2.7 11.4 148,968
Bulgaria 2014 67,585 7,223.94 2.6 10.8 154,073
Bulgaria 2015 65,950 7,177.99 2.5 10.3 146,191
Bulgaria 2016 64,984 7,127.82 2.5 11.5 136,539
Bulgaria 2017 63,955 7,075.95 2.4 10.1 132,932
Bulgaria 2018 62,197 7,025.04 2.4 10.3 153,023
Bulgaria 2019 61,538 6,975.76 2.4 9.9 146,713
Bulgaria 2020 59,086 6,934.02 2.4 9.9 141,035
Czechia 2013 106,751 10,510.72 2.4 9.9 321,686
Czechia 2014 109,860 10,524.78 2.4 9.6 304,211
Czechia 2015 110,764 10,542.94 2.4 9.0 292,892
Czechia 2016 112,663 10,565.28 2.4 10.2 284,557
Czechia 2017 114,405 10,589.53 2.4 10.0 281,177
Czechia 2018 114,036 10,626.43 2.4 10.5 277,013
Czechia 2019 112,231 10,669.32 2.3 11.2 275,567
Czechia 2020 110,200 10,700.16 2.3 12.0 278,022
Denmark 2013 55,873 5,613.00 2.0 13.2 134,687
Denmark 2014 56,870 5,643.00 2.0 15.1 131,279
Denmark 2015 58,205 5,682.00 2.0 15.4 132,370
Denmark 2016 61,614 5,729.00 2.0 16.0 122,082
Denmark 2017 61,397 5,765.00 2.0 14.1 114,940
Denmark 2018 61,476 5,794.00 2.0 15.3 109,573
Denmark 2019 61,167 5,817.00 2.0 15.3 106,253
Denmark 2020 60,937 5,830.00 2.0 14.6 109,510
Germany 2013 682,069 80,646.00 2.0 12.7 1,223,673
Germany 2014 714,927 80,983.00 2.0 14.1 1,232,771
Germany 2015 737,575 81,687.00 2.0 12.7 1,202,449
Germany 2016 792,141 82,349.00 2.0 11.2 1,183,083
Germany 2017 784,901 82,657.00 2.0 11.8 1,136,356
Germany 2018 787,523 82,906.00 2.0 11.8 1,126,502
Germany 2019 778,090 83,093.00 2.0 11.4 1,166,146
Germany 2020 773,144 83,161.00 2.0 15.5 1,169,601
Estonia 2013 13,531 1,320.20 2.2 15 15,118
Estonia 2014 13,551 1,315.80 2.2 18.0 14,250
Estonia 2015 13,907 1,313.30 2.2 16.4 14,541
Estonia 2016 14,053 1,315.90 2.2 14.9 16,163
Estonia 2017 13,784 1,315.60 2.2 14.2 17,708
Estonia 2018 14,367 1,319.13 2.2 13.6 17,957
Estonia 2019 14,099 1,324.82 2.1 12.9 17,984
Estonia 2020 13,209 1,328.89 2.1 13.7 18,256
Greece 2013 94,134 10,965.24 2.6 18 124,944
Greece 2014 92,149 10,892.37 2.5 16.8 111,062
Greece 2015 91,847 10,820.96 2.6 18.5 102,292
Greece 2016 92,898 10,775.99 2.6 18.6 99,290
Greece 2017 88,553 10,754.70 2.6 19.1 99,132
Greece 2018 86,440 10,732.89 2.6 17.1 98,447
Greece 2019 83,763 10,721.55 2.6 17.5 104,652
Greece 2020 84,764 10,698.59 2.6 16.1 109,805
Spain 2013 424,440 46,593.24 2.5 19 547,099
Spain 2014 426,076 46,455.12 2.5 21.1 572,184
Spain 2015 418,432 46,410.15 2.5 19.7 594,148
Spain 2016 408,734 46,449.87 2.5 18.9 594,479
Spain 2017 391,265 46,532.87 2.5 18.9 599,747
Spain 2018 370,827 46,728.81 2.5 16.9 611,772
Spain 2019 358,747 47,105.36 2.5 18.6 634,993
Spain 2020 340,635 47,355.69 2.5 17.9 647,188
France 2013 812,343 65,991.00 2.2 17.3 1,109,601
France 2014 819,328 66,312.00 2.2 16.6 1,108,625
France 2015 799,671 66,581.00 2.2 16.2 1,081,359
France 2016 784,325 66,831.00 2.2 14.2 1,080,091
France 2017 770,045 67,116.00 2.2 14.3 1,078,016
France 2018 759,199 67,449.00 2.2 15.4 1,072,405
France 2019 754,008 67,762.00 2.1 13.9 1,065,632
France 2020 735,775 68,004.00 2.2 12.1 1,064,882
Croatia 2013 39,939 4,254.48 2.8 12 115,981
Croatia 2014 39,566 4,236.06 2.8 13.8 131,830
Croatia 2015 37,503 4,207.99 2.8 12.6 127,787
Croatia 2016 37,537 4,172.44 2.8 12.4 121,466
Croatia 2017 36,556 4,129.85 2.8 12.9 114,910
Croatia 2018 36,945 4,090.87 2.8 11.6 109,303
Croatia 2019 36,135 4,067.21 2.7 10.9 103,827
Croatia 2020 35,845 4,047.26 2.7 11.8 102,745
Italy 2013 514,308 60,311.60 2.4 20.2 1,067,253
Italy 2014 502,596 60,320.70 2.4 20.4 1,573,016
Italy 2015 485,780 60,229.60 2.4 20.2 1,580,693
Italy 2016 473,438 60,115.20 2.3 19.8 1,573,663
Italy 2017 458,151 60,002.30 2.3 19.6 1,566,407
Italy 2018 439,747 59,877.20 2.3 19.3 1,530,356
Italy 2019 420,084 59,729.10 2.3 20.1 1,515,671
Italy 2020 404,892 59,438.90 2.3 18.4 1,501,061
Latvia 2013 20,596 2,012.81 2.4 16.8 27,992
Latvia 2014 21,746 1,994.25 2.4 13.1 26,464
Latvia 2015 21,979 1,977.31 2.4 13.6 24,847
Latvia 2016 21,968 1,959.34 2.4 13.1 23,010
Latvia 2017 20,828 1,941.16 2.3 13.0 23,591
Latvia 2018 19,314 1,926.25 2.3 13.9 23,646
Latvia 2019 18,786 1,913.19 2.3 13.3 23,523
Latvia 2020 17,552 1,900.86 2.3 14.2 23,295
Lithuania 2013 29,885 2,957.69 2.3 15.0 25,139
Lithuania 2014 30,369 2,932.37 2.3 14.0 23,042
Lithuania 2015 31,475 2,904.91 2.3 14.9 21,579
Lithuania 2016 30,623 2,868.23 2.2 14.5 20,540
Lithuania 2017 28,696 2,828.40 2.2 13.4 20,133
Lithuania 2018 28,149 2,801.54 2.2 11.5 18,398
Lithuania 2019 27,393 2,794.14 2.2 14.3 16,583
Lithuania 2020 25,144 2,794.89 2.2 12.2 14,781
Hungary 2013 89,524 9,893.08 2.4 8.8 132,463
Hungary 2014 93,281 9,866.47 2.4 9.4 118,129
Hungary 2015 92,135 9,843.03 2.3 8.8 102,305
Hungary 2016 95,361 9,814.02 2.3 9.0 90,490
Hungary 2017 94,646 9,787.97 2.3 9.7 97,724
Hungary 2018 93,467 9,775.56 2.3 10.4 158,318
Hungary 2019 93,100 9,771.14 2.3 10.8 180,373
Hungary 2020 93,807 9,750.15 2.3 10.1 202,472
Austria 2013 79,330 8,477.23 2.3 13.1 259,553
Austria 2014 81,722 8,543.93 2.8 12.7 253,506
Austria 2015 84,381 8,629.52 2.6 12.6 248,660
Austria 2016 87,675 8,739.81 2.7 13.3 241,386
Austria 2017 87,633 8,795.07 2.5 13.4 238,161
Austria 2018 85,535 8,837.71 2.9 12.8 236,857
Austria 2019 84,952 8,877.64 2.1 13.1 240,605
Austria 2020 83,603 8,916.85 2.0 13.5 241,553
Poland 2013 369,576 38,502.00 2.2 13.0 774,844
Poland 2014 375,160 38,484.00 2.8 11.4 733,588
Poland 2015 369,308 38,455.00 2.6 11.9 722,902
Poland 2016 382,257 38,427.00 2.7 11.6 697,988
Poland 2017 401,982 38,422.00 2.5 10.2 684,955
Poland 2018 388,178 38,413.00 2.8 10.5 672,025
Poland 2019 374,954 38,386.00 2.0 10.9 664,678
Poland 2020 355,309 38,354.00 2.0 11.1 858,021
Portugal 2013 82,787 10,457.30 2.2 25.2 182,518
Portugal 2014 82,367 10,401.10 2.8 20.7 177,169
Portugal 2015 85,500 10,358.10 2.5 19.5 176,573
Portugal 2016 87,126 10,325.50 2.7 20.1 161,192
Portugal 2017 86,154 10,300.30 2.5 19.1 162,613
Portugal 2018 87,020 10,283.80 2.8 18.9 159,254
Portugal 2019 86,579 10,286.30 2.0 17.8 155,576
Portugal 2020 84,530 10,297.10 2.0 16.8 152,319
Romania 2013 188,599 19,988.69 2.2 13.2 511,259
Romania 2014 198,740 19,916.45 2.8 12.8 459,500
Romania 2015 201,995 19,822.25 2.5 18.5 437,720
Romania 2016 205,773 19,706.42 2.7 19.3 417,329
Romania 2017 210,590 19,592.93 2.5 13.9 413,229
Romania 2018 210,290 19,476.71 2.8 13.1 409,419
Romania 2019 199,720 19,394.23 2.0 11.0 404,682
Romania 2020 198,302 19,269.47 2.0 10.7 406,036
Slovenia 2013 21,111 2,059.55 2.2 9.1 61,245
Slovenia 2014 21,165 2,061.80 2.8 9.5 60,601
Slovenia 2015 20,641 2,063.30 2.5 9.4 59,815
Slovenia 2016 20,345 2,064.63 2.6 9.1 67,073
Slovenia 2017 20,241 2,065.82 2.5 10.2 66,513
Slovenia 2018 19,585 2,071.96 2.8 8.6 65,536
Slovenia 2019 19,328 2,089.01 2.0 9.0 63,865
Slovenia 2020 18,767 2,102.80 2.1 8.9 63,033
Slovakia 2013 54,823 5,413.00 2.2 12.9 151,404
Slovakia 2014 55,033 5,418.56 2.8 11.6 143,187
Slovakia 2015 55,602 5,422.34 2.5 9.5 138,303
Slovakia 2016 57,557 5,430.80 2.6 8.6 134,639
Slovakia 2017 57,969 5,438.39 2.5 7.3 130,768
Slovakia 2018 57,639 5,446.01 2.9 9.2 127,302
Slovakia 2019 57,054 5,453.24 2.0 9.5 123,307
Slovakia 2020 56,650 5,460.51 2.0 6.9 120,923
Finland 2013 58,134 5,439.00 2.2 13 252,191
Finland 2014 57,232 5,462.50 2.8 13.0 251,652
Finland 2015 55,472 5,480.50 2.5 12.9 257,764
Finland 2016 52,814 5,495.30 2.6 12.5 258,482
Finland 2017 50,321 5,508.20 2.4 13.0 261,660
Finland 2018 47,577 5,516.20 2.9 13.5 261,248
Finland 2019 45,613 5,521.60 2.0 13.3 226,965
Finland 2020 46,463 5,530.70 2.0 13.0 221,987
Sweeden 2013 113,593 9,600.38 2.2 14.2 242,586
Sweeden 2014 114,907 9,696.11 2.8 15.5 219,512
Sweeden 2015 114,870 9,799.19 2.5 14.2 195,158
Sweeden 2016 117,425 9,923.09 2.6 14.6 185,218
Sweeden 2017 115,416 10,057.70 2.5 14.6 186,467
Sweeden 2018 115,832 10,175.21 2.9 15.1 195,448
Sweeden 2019 114,523 10,278.89 2.0 13.6 190,423
Sweeden 2020 113,077 10,353.44 2.0 13.3 195,603

y – https://ec.europa.eu/eurostat/databrowser/view/tps00204/default/table?lang=en

x1 – https://ec.europa.eu/eurostat/databrowser/view/nama_10_pe/default/table?lang=en

x2 - https://ec.europa.eu/eurostat/databrowser/view/ilc_lvph01/default/table?lang=en
x3 -
https://ec.europa.eu/eurostat/databrowser/view/ILC_DI27__custom_4343275/default/table?lang=
en
x4 – https://ec.europa.eu/eurostat/databrowser/view/educ_uoe_enra03/default/table?lang=en
 2) Să se extindă baza de date prin adăugarea de date istorice și să se organizaze datele
în formatul potrivit.
Am extras date din intervalul 2013-2020. O perioadă de opt ani este suficient de lungă pentru
a face o analiză de ansamblu panel.

3) Sa se testeze alegerea tipului de model: pooled OLS, RE sau FE cu ajutorul testelor

potrivite.

Figura 14: Histograma pentru live-birth

Figura 15: Histograma pentru avg-household-size

Figura 16: Histograma pentru income-greater-or-equal

Figura 17: Histograma pentru pop-and-employment

Figura 16: Histograma pentru educatie-pupils-stud

Figura 17: Statistici descriptive ale variabilelor modelului (Eviews)

Figura 18: Statistici descriptive ale variabilelor modelului (Excel)

Figura 19: Statistici descriptive ale variabilelor modelului (Eviews) – Random Effects

S-a luat decizia de a o analiza în funcție de efectele aleatorii (Random Effects)

Figura 20: Statistici descriptive ale variabilelor modelului (Eviews) – Random Effects2

Figura 21: Tabelul de corelatie

 Din tabel putem observa că, folosind criteriul lui Klein, variabilele educatie_pupils_stud și
pop_and_employment au o legătură directă pozitivă puternică; între educatie_pupils_stud și
avg_household_size este o legătură negativă și slabă; între educatie_pupils_stud și
income_greater_or_equal este o legătură pozitivă slabă; între pop_and_employment și
avg_household_size legătura este inversă și slabă; între pop_and_employment și
income_greater_or_equal este o legătură pozitivă slabă; iar legătura dintre avg_household_size și
income_greater_or_equal este una inversă și slabă.

În concluzie există autocorelație între educatie_pupils_stud și pop_and_employment.

4) Să se estimeze parametrii modelului cu metoda oferita de rezultatele testelor

anterioare &

5) Să se interpreteze rezultatele obţinute din punct de vedere economic si econometric.

Figura 10: Serii standardalizate - Jarque-Bera

H0 – Erorile sunt normal distribuite

H1 – Erorile nu sunt normal distribuite

Daca Jarque-Bera are o valoare apropiata de 0 se respinde H1 si se accepta H0

Cum in cazul nostru Jarque-Bera are valoarea 615.84 respingem H0 si acceptam H1 => erorile nu
sunt normal distribuite.
Forma modelului:

Y1 2013 = 62219,54 +11,03*X11 2013 – 3401,67*X21 2013 – 5445,71*X31 2013 – 0,08*X41 2013 + α1 +
μ2013 + Ɛ1 2013

Y1 2014 = 62219,54 +11,03*X11 2014 – 3401,67*X21 2014 – 5445,71*X31 2014 – 0,08*X41 2014 + α1 +
μ2014 + Ɛ1 2014

Y1 2015 = 62219,54 +11,03*X11 2015 – 3401,67*X21 2015 – 5445,71*X31 2015 – 0,08*X41 2015+ α1 +
μ2015 + Ɛ1 2015

Y1 2016 = 62219,54 +11,03*X11 2016 – 3401,67*X21 2016 – 5445,71*X31 2016 – 0,08*X41 2016+ α1 +
μ2016 + Ɛ1 2016

Y1 2017 = 62219,54 +11,03*X11 2017 – 3401,67*X21 2017 – 5445,71*X31 2017 – 0,08*X41 2017+ α1 +
μ2017 + Ɛ1 2017

Y1 2018 = 62219,54 +11,03*X11 2018 – 3401,67*X21 2018 – 5445,71*X31 2018 – 0,08*X41 2018+ α1 +
μ2018+ Ɛ1 2018

Y1 2019 = 62219,54 +11,03*X11 2019 – 3401,67*X21 2019 – 5445,71*X31 2019 – 0,08*X41 2019+ α1 +
μ2019 + Ɛ1 2019

Y1 2020 = 62219,54 +11,03*X11 2020 – 3401,67*X21 2020 – 5445,71*X31 2020 – 0,08*X41 2020+ α1 +
μ2020 + Ɛ1 2020

Y2 2013 = 62219,54 +11,03*X12 2013 – 3401,67*X22 2013 – 5445,71*X32 2013 – 0,08*X42 2013 + α2 +
μ2013 + Ɛ2 2013

Y2 2014 = 62219,54 +11,03*X12 2014 – 3401,67*X22 2014 – 5445,71*X32 2014 – 0,08*X42 2014 + α2 +
μ2014 + Ɛ2 2014

Y2 2015 = 62219,54 +11,03*X12 2015 – 3401,67*X22 2015 – 5445,71*X32 2015 – 0,08*X42 2015 + α2 +
μ2015 + Ɛ2 2015

Y2 2016 = 62219,54 +11,03*X12 2016 – 3401,67*X22 2016 – 5445,71*X32 2016 – 0,08*X42 2016 + α2 +
μ2016 + Ɛ2 2016
Y2 2017 = 62219,54 +11,03*X12 2017 – 3401,67*X22 2017 – 5445,71*X32 2017 – 0,08*X42 2017 + α2 +
μ2017 + Ɛ2 2017

Y2 2018 = 62219,54 +11,03*X12 2018 – 3401,67*X22 2018 – 5445,71*X32 2018 – 0,08*X42 2018 + α2 +
μ2018 + Ɛ2 2018

Y2 2019 = 62219,54 +11,03*X12 2019 – 3401,67*X22 2019 – 5445,71*X32 2019 – 0,08*X42 2019 + α2 +
μ2019 + Ɛ2 2019

Y2 2020 = 62219,54 +11,03*X12 2020 – 3401,67*X22 2020 – 5445,71*X32 2020 – 0,08*X42 2020 + α2 +
μ2020 + Ɛ2 2020

Y22 2013 = 62219,54 +11,03*X122 2013 – 3401,67*X222 2013 – 5445,71*X322 2013 – 0,08*X422 2013 + α22
+ μ2013 + Ɛ22 2013

Y22 2014 = 62219,54 +11,03*X122 2014 – 3401,67*X222 2014 – 5445,71*X322 2014 – 0,08*X422 2014 + α22
+ μ2014 + Ɛ22 2014

Y22 2015 = 62219,54 +11,03*X122 2015 – 3401,67*X222 2015 – 5445,71*X322 2015 – 0,08*X422 2015 + α22
+ μ2015 + Ɛ22 2015

Y22 2016 = 62219,54 +11,03*X122 2016 – 3401,67*X222 2016 – 5445,71*X322 2016 – 0,08*X422 2016 + α22
+ μ2016 + Ɛ22 2016

Y22 2017 = 62219,54 +11,03*X122 2017 – 3401,67*X222 2017 – 5445,71*X322 2017 – 0,08*X422 2017 + α22
+ μ2017 + Ɛ22 2017

Y22 2018 = 62219,54 +11,03*X122 2018 – 3401,67*X222 2018 – 5445,71*X322 2018 – 0,08*X422 2018 + α22
+ μ2018 + Ɛ22 2018

Y22 2019 = 62219,54 +11,03*X122 2019 – 3401,67*X222 2019 – 5445,71*X322 2019 – 0,08*X422 2019 + α22
+ μ2019 + Ɛ22 2019
Y22 2020 = 62219,54 +11,03*X122 2020 – 3401,67*X222 2020 – 5445,71*X322 2020 – 0,08*X422 2020 + α22
+ μ2020 + Ɛ22 2020

Testul t

H0: b=0

H1: b!=0

tcalceducatie-pupils-stud = -4.15

tcriticalfa/2,n-2=1.725

|tcalceducatie-pupils-stud |>tcritic => Respingem H0, acceptam H1 => Semnificativ diferit de 0

tcalcincome-greater-or-equal = -3.72

tcriticalfa/2,n-2=1.725

|tcalcincome-greater-or-equal |>tcritic => Respingem H0, acceptam H1 => Semnificativ diferit de 0

tcalcpop-and-employment= 29.16

tcriticalfa/2,n-2=1.725

|tcalcpop-and-employment |>tcritic => Respingem H0, acceptam H1 => Semnificativ diferit de 0

tcalcavg-household-size = -0.44

tcriticalfa/2,n-2=1.725

|tcalcavg-household-size |>tcritic => Respingem H1, acceptam H0 =>Nu este semnificativ diferit de 0
Intervale de incredere

aeducatie-pupils-stud = -0.088

lower90%educatie-pupils-stud= -0.123

upper90%educatie-pupils-stud=-0.053

lower90%educatie-pupils-stud <= a <= upper90%educatie-pupils-stud (A) => Intervalul de incredere este valid

aincome-greater-or-equal = -3401.67

lower90%income-greater-or-equal= -4911.2

upper90%income-greater-or-equal= -1892.11

lower90%income-greater-or-equal <= a <= upper90%income-greater-or-equal (A) => Intervalul de incredere este

valid

apop-and-employment = 11.03

lower90%pop-and-employment = 10.41

upper90%pop-and-employment = 11.65

lower90%pop-and-employment <= a <= upper90%pop-and-employment (A) => Intervalul de incredere este valid

aavg-household-size = -5445.71

lower90% avg-household-size = -2569.41

upper90% avg-household-size = 14803.98

lower90% avg-household-size <= a <= upper90% avg-household-size (A) => Intervalul de incredere este valid

Testul Fisher
H0: b=0

H1: b!=0

Fcalc = 1296.21

Fsemnificativalfa,k-1,n-k =1.07 (din excel)

Fcalc > Fsemnificativ => respingem H0 si aceptam H1 => modelul statistic este valid

Indicatori de bonitate

a. Coeficientul de determinație ajustat

Adjusted R-squared este un coeficient de determeninaţie corectat cu grade de libertate, iar

semnificaţia sa coincide cu cea a lui R-squared.

b. Eroarea standard

Eroarea standard arată cu cât se abat în medie valorile observate de la valorile teoretice
aflate pe dreapta de regresie.

c. Coeficientul de determinație

Valoarea acestui coeficient indică faptul că numărul populației care are un loc de muncă explică
aproximativ 96,8% din variația nașterilor vii.
 BIBLIOGRAFIE

• https://www.tandfonline.com/doi/abs/10.1080/00220387108421370
• https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3254888/
• https://www.tandfonline.com/doi/abs/10.1080/00324728.1947.10415527
• https://www.sciencedirect.com/science/article/pii/S001502821830428X
• https://pophealthmetrics.biomedcentral.com/articles/10.1186/1478-7954-12-16
• [An analysis of the birth rate in the Soviet Union after World War II] - PubMed (nih.gov)
• Effect of the War on the Birth Rate and Postwar Fertility Prospects | American Journal of
Sociology: Vol 50, No 2 (uchicago.edu)
• Fertility trends in Europe since the second world war: Population Studies: Vol 22, No 1
(tandfonline.com)