Documente Academic
Documente Profesional
Documente Cultură
- PROIECT LA ECONOMETRIE –
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:
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
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.
R= √R2 = 0.95
p-value = 0.0000 < alpha = 0.1 => respingem H0 si aceptam H1 => modelul statistic este valid
Testul t
H0: b=0
H1: b!=0
tcalc = 21.39
tcriticalfa/2,n-2=1.725
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
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.
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
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).
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
X4 = avg_household_size are probabilitatea 0,1263 > alpha => x4 nu este semnificativ statistic
H0: b=0
H1: b!=0
tcalceducatie-pupils-stud = -2.85
tcriticalfa/2,n-2=1.725
tcalcincome-greater-or-equal = -3.78
tcriticalfa/2,n-2=1.725
tcalcpop-and-employment= 13.16
tcriticalfa/2,n-2=1.725
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
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 <= a <= upper90% avg-household-size (A) => Intervalul de incredere este valid
Testul Fisher
H0: b=0
H1: b!=0
Fcalc = 229.02
Fcalc > Fsemnificativ => respingem H0 si aceptam H1 => modelul statistic este valid
Indicatori de bonitate
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
F-statistic = 0,02 < alpha => respingem H0 și acceptăm H1 => modelul este heteroscedastic
χ2 = 0,1
Corelația variabilelor
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.
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)
Testul t
H0: b=0
H1: b!=0
tcalceducatie-pupils-stud = -2.61
tcriticalfa/2,n-2=1.725
tcalcincome-greater-or-equal = -3.71
tcriticalfa/2,n-2=1.725
tcalcpop-and-employment= 12.93
tcriticalfa/2,n-2=1.725
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
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 <= a <= upper90% avg-household-size (A) => Intervalul de incredere este valid
adummy-share-outside-marriage = 18453.22
H0: b=0
H1: b!=0
Fcalc = 186.62
Fcalc > Fsemnificativ => respingem H0 si aceptam H1 => modelul statistic este valid
Indicatori de bonitate
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.
Să se dezvolte aplicația anterioară prin construirea unui model de regresie cu date de tip panel, care
va urmă următoarele specificații tehnice:
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.
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.
Figura 19: Statistici descriptive ale variabilelor modelului (Eviews) – Random Effects
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
tcalcincome-greater-or-equal = -3.72
tcriticalfa/2,n-2=1.725
tcalcpop-and-employment= 29.16
tcriticalfa/2,n-2=1.725
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
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 <= a <= upper90% avg-household-size (A) => Intervalul de incredere este valid
Testul Fisher
H0: b=0
H1: b!=0
Fcalc = 1296.21
Fcalc > Fsemnificativ => respingem H0 si aceptam H1 => modelul statistic este valid
Indicatori de bonitate
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)