Cursuri Econometrie

CURS 7
ECONOMETRIE
1
Programa analitică
1. INTRODUCERE
2. REGRESIA LINIARĂ SIMPLĂ
3. REGRESIA LINIARĂ MULTIPLĂ
4. REGRESIA NELINIARĂ
5. VERIFICAREA IPOTEZELOR MODELULUI DE
REGRESIE
2
Capitolul 4 Regresia neliniară
Modelele de regresie neliniară:
-modele liniarizabile
-Modelul log-liniar: putere (power)
-Modele semilogarimice: Compound, Growth, Exponential
-Modelul cu variabila independentă logaritmată: Logaritmic
- modele polinomiale: parabolic(quadratic), cubic
3
1. Modelul de regresie putere
Este de forma:
yi   0  xi  e
1 i
 Ecuaţia estimată la nivelul unui eşantion:
yx  b0  x b1
 Ecuaţia se liniarizează prin logaritmare:

ln y x  ln b0  b1 ln x
- cel mai utilizat logaritm este în bază e (e=2,718) 4

Modelul de regresie putere
 Identificarea modelului de regresie de tip putere
Figura 2 Identificarea modelului de regresie de tip putere
5
Estimarea parametrilor modelului de tip putere prin

metoda celor mai mici pătrate:
S   ei  min
2
ei  ln yi  ln y xi
ln yxi  ln b0  b1 ln x
S   ei    ln yi  ln b0  b1 ln xi   min
2 2
6
 S
 b  0
 0

 S  0
 b1
Estimaţiile parametrilor modelului se obţin prin rezolvarea
următorului sistem de ecuaţii:
n ln b0  b1  ln xi   ln yi

ln b0  ln xi  b1   ln xi    ln xi ln yi
2
7
Pentru estimarea parametrilor unui model de regresie de

tip putere se poate utiliza un model de forma:
ln y  ln  0  1  ln x  
Parametrul 1 reprezintă elasticitatea variabilei

dependente Y în raport cu variabila independentă X.
8
 Elasticitatea unei variabile Y în raport cu o altă

variabilă X reprezintă modificarea relativă (procentuală)
a variabile Y la o modificare relativă (procentuală) dată
a lui X cu o unitate.
 Elasticitatea poate fi determinată prin relaţia:
Y
100
% modif . Y Y Y X
E  
% modif . X X 100 X Y
X
9
 Pentru variaţii foarte mici ale variabilelor,

elasticitatea se poate aproxima prin relaţia:
Y X  ln Y
E 
X Y  ln X
10
Exemplu: Model de regresie de tip putere
Fertility: average number of kids
Observed
8,0 Power
6,0
4,0
2,0
0 5000 10000 15000 20000 25000
Gross domestic product / capita

11
Coefficients
Unstandardized Standardized
Coefficients Coefficients
B Std. Error Beta t Sig.
ln(Gross domestic
-,268 ,025 -,726 -10,804 ,000
product / capita)
(Constant) 25,533 5,067 5,039 ,000
The dependent variable is ln(Fertility: average number of kids).
12
Model Summary
Adjusted Std. Error of

R R Square R Square the Estimate
,726 ,526 ,522 ,367
The independent variable is Gross domestic product / capita.
ANOVA
Sum of
Squares df Mean Square F Sig.
Regression 15,748 1 15,748 116,719 ,000
Residual 14,167 105 ,135
Total 29,915 106
The independent variable is Gross domestic product / capita.
13
Model de regresie multiplă de tip putere
- forma generală a modelului
y   0  x1  x2   x p  e
1 2 p 
- ecuaţia se liniarizează prin logaritmare
ln y  ln  0  1  ln x1   2  ln x2     p  ln x p  
14
Model de regresie multiplă de tip putere
Interpretare:
- Parametrul β0 este valoarea lui Y atunci când Xi=1.
-parametrul βi este elasticitatea variabilei dependente Y în raport
cu variabilele independente Xi.
Ecuaţia estimată la nivelul unui eşantion:
yx  b0  x1  x2   x p
b1 b2 bp
15
EXEMPLU:Model de regresie multiplă de tip putere
Funcţia de tip Cobb-Douglas în modelul de creştere

economică.
Prezentarea modelului:
y   0  x1  x2  e
1 2 
unde:
y - produsul final (output);
x 1 - fondurile fixe productive (input);
x 2 - forţa de muncă (input).
16
β0 - valoarea lui Y când Xi=1.

βi - coeficienţii de elasticitate
β1 - elasticitatea parţială a producţiei în raport cu fondurile
fixe;
β2 - elasticitatea parţială a producţiei în raport cu forţa de
muncă.
Elasticitatea scalei este egală cu suma celor două elasticităţi.
17
Interpretare:
• b1+ b2 <1: un spor al factorilor de producţie generează o
creştere a output-ului dar într-o proporţie mai mică (proces de
producţie cu randament de scală descrescător);
• b1+ b2 >1: un spor al factorilor de producţie generează o
creştere a output-ului dar într-o proporţie mai mare (proces de
producţie cu randament de scală crescător);
•b1 + b2 =1: sporul factorilor de producţie generează creşterea
output-ului în aceeaşi proporţie (randament de scală constant);
18
Să presupunem că, în urma prelucrării datelor

privind valoarea input-urilor (X1 - valoarea capitalului
fix; X2 - forţa de muncă) şi a output-urilor obţinute
într-un anumit domeniu de activitate (Y, valoarea
producţiei), s-au obţinut următoarele rezultate:
ln YX1X 2  4, 28  0, 63  ln X 1  1,35  ln X 2
R square=0,878; 19
Interpretare:
- pentru perioada analizată, dacă se consideră constantă valoarea

capitalului fix (X1), atunci o creştere cu un procent a nivelului
variabilei X2 duce la creşterea medie cu 1,35% a valorii
producţiei obţinute
- pentru perioada analizată, dacă se consideră constantă valoarea

forţei de muncă (X2), atunci o creştere cu un procent a valorii
capitalului fix (X1) duce la creşterea medie cu 0,63% a valorii
producţiei obţinute. 20
CURS 8-9
ECONOMETRIE
1
Programa analitică
1. INTRODUCERE
2. REGRESIA LINIARĂ SIMPLĂ
3. REGRESIA LINIARĂ MULTIPLĂ
4. REGRESIA NELINIARĂ
5. VERIFICAREA IPOTEZELOR MODELULUI DE
REGRESIE
2
Capitolul 4 Regresia neliniară
Modelele de regresie neliniară:
-modele liniarizabile
-Modelul log-liniar: putere (power)
-Modele semilogarimice: Compound, Growth, Exponential
-Modelul cu variabila independentă logaritmată: Logaritmic
- modele polinomiale: parabolic(quadratic), cubic
3
Modele neliniare semilogaritmice
 Modelul Compound
 Modelul Growth
 Modelul Exponential
4
Modelul Compound

 Modelul: Y   0  1  e
X
 Modelul liniarizat: ln Y  ln  0  X  ln 1  
 Interpretarea estimaţiilor parametrilor modelului

 b0: reprezintă valoarea medie a lui Y atunci când X = 0
 b1: la o creștere a variabilei independente X cu o unitate,
variabila dependentă Y crește, în medie cu (ln b1)*100%
5
Modelul Compound (EXEMPLU:)
 Ecuația estimată
Y  6, 680 1, 007 X
6
Y  6, 680 1, 007 X
7

Y  6, 680 1, 007 X
8
Modelul Growth
 0  1X  
 Modelul: Y  e
 Modelul liniarizat: ln Y   0  1  X  

b0
 b0: Y are valoarea medie egala cu e atunci când X = 0
variabila dependentă Y crește, în medie cu (b1*100)%
9
Modelul Growth (EXEMPLU:)
Y  e1,899 0,007 X
10
Y  e1,899 0,007 X
11

Y  e1,899 0,007 X
12
Modelul Exponential
1X  
 Modelul: Y  0 e
 Modelul liniarizat: ln Y  ln  0  1  X  
 Interpretarea estimațiilor parametrilor modelului
 b0: Y are valoarea medie egala cu b0 atunci când X = 0
variabila dependentă Y crește, în medie cu (b1*100)%
13
Modelul Exponential (EXEMPLU:)
Y  6, 680  e0,007 X
14
Y  6, 680  e0,007 X
15
0,007 X
Y  6, 680  e
 Atunci când nr. de cai putere este egal cu zero prețul mediu al
mașinilor este egal cu 6,680 mii dolari.
 Atunci când nr. de cai putere crește cu unu prețul mediu al
mașinilor crește în medie cu 0,7%.
16
Modele neliniare cu variabila independentă
logaritmată Modelul Logaritmic
 Modelul: Y   0  1  ln X  
 b0: Y are valoarea medie egala cu b0 atunci când X=1 sau
lnX=0
 b1: la o creștere a variabilei independente X cu 1%, variabila
dependentă Y crește, în medie cu (b1/100)
17
logaritmată
Modelul Logaritmic (EXEMPLU:)
Y  169,011 37,921 ln X
18
logaritmată
Modelul Logaritmic (EXEMPLU:)
Y  169,011 37,921 ln X
19
Modele polinomiale
Modelul Parabolic (Quadratic)
 Cel mai simplu model polinomial este
modelul parabolic.
Ecuaţia estimată a modelului parabolic este:
yx  b0  b1 x  b2 x 2
20
Modele polinomiale
b2  0
b12  4b0b2

4b2
b2  0
b1

2b2
Identificarea modelului parabolic
b1 b12  4b0b2
Punctul de max sau min are coordonatele:  ;
2b2 4b2 21
Modele polinomiale
Estimarea parametrilor modelului prin metoda
celor mai mici pătrate:
S   ei    yi  yxi   min
2
2
yx  b0  b1 x  b2 x 2
22
Modele polinomiale
 S
 a  0 nb0 + b1  x i + b2  x =  y i
2
i

 S 
b0  x i + b1  x i + b2  x i =  x i y i
2 3
 0
 b b  2 + b  3 + b  4 =  2 y
 S  0 xi 1 xi 2 xi xi i
 c  0

Prin rezolvarea sistemului se obţin estimaţiile
parametrilor ecuaţiei de regresie.
23
Modele polinomiale
Modelul Parabolic
24
Modele polinomiale
Modelul Parabolic
25
Modele polinomiale
Modelul Cubic
Modelul cubic
Ecuatia estimată a modelului cubic este de forma
yx  b0  b1 x  b2 x  b3 x
2 3
26
Modele polinomiale
Modelul Cubic
27
Modele polinomiale
Modelul Cubic
28
CURS 11
ECONOMETRIE
1
Capitolul 5
Verificarea ipotezelor modelului de regresie
 Modelarea econometrică se realizează cu

respectarea unui set de restricţii care se
numesc ipoteze ale modelului de regresie.
 Calitatea estimatorilor parametrilor modelului

de regresie depinde de îndeplinirea ipotezelor
modelului de regresie.
2
Capitolul 5
 Ipotezele modelului de regresie sunt:
- asupra componentei aleatoare (sau variabilei

eroare)
- asupra componentei deterministe (sau
variabilelor independente)
3
Capitolul 5
 Ipotezele modelului de regresie asupra

componentei aleatoare sunt:
- media erorilor este nulă: M  i   0
- ipoteza de homoscedasticitate: V  i    2
- ipoteza de normalitate: i   N  0, 2

- ipoteza de necorelare sau de independenţă a
erorilor: cov  i , j   0
4
Capitolul 5
 Ipotezele modelului de regresie asupra

componentei deterministe sunt:
- variabilele independente sunt nestochastice

- variabilele independente sunt necoliniare
- variabilele independente şi variabila eroare sunt
necorelate: cov  X i , i   0
5
Capitolul 5
5.1. Ipoteze asupra erorilor
5.2. Ipoteze asupra variabilelor independente
6
5.1 Ipoteze asupra erorilor
5.1. 1. Media variabilei reziduale este egală cu zero
1. Definirea ipotezei
M  i   0
Pentru un model de regresie liniar simplu ipoteza M  i   0
este echivalentă cu condiţia M Y X   0  1 X
7
2. Efectele încălcării ipotezei
Dacă ipoteza M  i   0 este încălcată parametrii

estimaţi vor fi deplasaţi.
a. Dacă M   i     cst. pentru un model de regresie

liniar simplu de forma Y   0   1 X   parametrul 0
este estimat deplasat.
8
b. Dacă M   i   i pentru un model de

regresie liniar simplu de forma Y   0   1 X  
parametrul 1 este estimat deplasat.
9
3. Testarea ipotezei cu privire la media erorilor
Presupune parcurgerea următoarelor etape:
- se estimează modelul de regresie;
- se determină erorile estimate astfel: ei  yi  b0  b1 xi
- cu ajutorul testului Student se testează ipoteza H 0 : M  i   0
- rezultatul testării pentru un prag de semnificaţie

stabilit ne arată dacă este încălcată ipoteza M  i   0
10
1.Formularea ipotezelor:
H 0 : M    0
H1 : M     0
2.Alegerea pragului de semnificație:
  0, 05
3.Alegerea și calcularea statisticii test:

M  ei 
t
sMˆ  
11
4. Regula de decizie:
Dacă tcalc  t / 2,n 1 cu o probabilitate de 1   se respinge

ipoteza nulă și se acceptă ipoteza alternativă
Dacă tcalc  t / 2,n 1 se acceptă ipoteza nulă.
5. Decizia statistică
12
4. Corectarea modelului
Modelul corectat va fi de forma:
y  0  1 xi  ui
*
i
unde: y  yi  M   i 
*
i
13
Coefficients a
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) -18331,178 2821,912 -6,496 ,000
Educational Level (years) 3909,907 204,547 ,661 19,115 ,000
a. Dependent Variable: Current Salary
Residuals Statistics a
Minimum Maximum Mean Std. Deviation N

Predicted Value $12,948.08 $63,776.86 $34,419.57 $11,279.480 474
Residual -$21,567.422 $79,042.953 $.000 $12,819.966 474
Std. Predicted Value -1,904 2,603 ,000 1,000 474
Std. Residual -1,681 6,159 ,000 ,999 474
a. Dependent Variable: Current Salary
14
One-Sample Statistics
Std. Error
N Mean Std. Deviation Mean
Unstandardized Residual 474 ,0000000 12819,96640 588,8406
One-Sample Test
Test Value = 0
95% Confidence
Interval of the
Mean Difference
t df Sig. (2-tailed) Difference Lower Upper
Unstandardized Residual ,000 473 1,000 ,00000000 -1157,07 1157,067
15
5.1.2. Homoscedasticitatea erorilor
1. Definire ipoteză:
Erorile sunt homoscedastice dacă la nivelul

repartiţiilor condiţionate varianţele sunt constante.
Formal, ipoteza se scrie astfel: V   i    2
16
d) Medii condiţionate
Exemplu: Gujarati, N. D, 1995, pp. 32-35
Fig. 2.1 Venitul săptămânal al familiilor

17
Figura 1. Erori homoscedastice

18
Figura 2. Erori heteroscedastice

19
2. Efectele încălcării ipotezei de homoscedasticitate
Dacă ipoteza de homoscedasticitate este încălcată

modelul de regresie se numeşte heteroscedastic.
Parametrii unui model de regresie heteroscedastic nu

sunt eficienţi.
20
3. Testarea homoscedasticităţii
- metode grafice
- metode numerice:
a. testul Glejser;
b. testul corelaţiei neparametrice între erorile estimate şi
variabila independentă
c. testul Breusch-Pagan-Godfrey
d. Testul White
21
a. Testul Glejser
- are la bază un model de regresie între variabila

reziduală estimată şi variabila independentă.
 i   0   1 xi  ui
- testul verifică dacă varianţele erorilor ar putea fi

explicate prin valorile variabilei independente
22
În cazul unui model de regresie multiplă se

identifică acea variabilă independentă ale cărei valori
pot fi asociate cu cele ale varianţei erorilor.
Testul Glejser se recomandă când estimarea

modelului de regresie se realizează pe eşantioane mari
de date. 23
Etapele testării homoscedasticităţii cu ajutorul

testului Glejser
- se estimează modelul de regresie y i   0   1 x i  
- se calculează valorile teoretice: y x i  b0  b1 x i
- se obţin erorile estimate: ei  y i  y x i
- se estimează modelul de regresie:  i   0   1 xi  ui

24
- Se testează  1
Dacă 1 este semnificativ diferit de zero există

legătură între erori în valoare absolută şi variabila
independentă. Prin urmare modelul este heteroscedastic.
Dacă  1 nu este semnificativ diferit de zero nu
există legătură între erori, în valoare absolută, şi
variabila independentă. Prin urmare modelul este
homoscedastic.
25
Testul Breusch-Pagan-Godfrey, ca și testul White, se

aplică modelelor de regresie multiplă pentru testarea
homoscedasticităţii erorilor.
Se parcurg următoarele etape:
1. Se estimează modelul de regresie multiplă
Y  0  1 X 1   2 X 2  
2. Se determină erorile pe baza modelului de regresie estimat
anterior. 26
3. Se estimează modelul auxiliar de forma:

ei2   0   1 X 1   2 X 2  u
4. Se realizează testul χ2 ,  cal  n  Ra
2 2
unde: n – volumul eşantionului, k – nr. de parametrii ai modelului

auxiliar estimat.
Ra2 - raportul de determinaţie din modelul auxiliar
5. Se compară valoarea teoretică a testului 2 ,k 1 cu

valoarea calculată a testului  cal
2
şi se ia decizia statistică. 27
4. Corectarea heteroscedasticităţii
Sunt două situaţii posibile:
a. Varianţele  i
2
sunt cunoscute;
b. Varianţele  i2 nu sunt cunoscute
28
i. Varianţele  i
2
sunt cunoscute
Modelul de regresie iniţial
yi  0  1 xi   i
1
este corectat prin ponderarea cu variabila
i
şi metoda de estimare poartă denumirea de metoda
celor mai mici pătrate ponderată.
29
ii. Varianţele  i
2
nu sunt cunoscute
Corectarea modelului se realizează prin aplicarea

unor transformări care au la bază relaţiile (obţinute
prin testul Glesjer) între parametrii 
2
i şi variabila
independentă.
30
CURS 12
ECONOMETRIE
1
CURS 12 Capitolul 5
 5.1. IPOTEZE PRIVIND ERORILE

 Ipoteza de 
normalitate: i  N  
0, 2
 Ipoteza de necorelare sau de independenţă a

erorilor: cov  i , j   0
 5.2. IPOTEZE PRIVIND VARIABILELE

INDEPENDENTE
 Ipoteza de necoliniaritate a variabilelor
independente 2
5.1. IPOTEZE PRIVIND ERORILE
5.1.3. Ipoteza de normalitate a erorilor:
 ~ N (0,  )
2
1. Definirea ipotezei:
 erorile ε urmează o lege normală de medie 0
şi varianţă  :  
2
~ N (0, 2
)
 dacă  ~ N (0,  ) , atunci estimatorii
i
2
parametrilor unui modelul de regresie liniară

simplă urmează, de asemenea, o lege
normală: ˆ  ~ N (  ,   ),
0 0
2
ˆ
0
ˆ
1 ~ N ( 1 ,  ˆ1 )
2
3
 ~ N (0,  )
2
2. Efectele încălcării ipotezei:

 dacă ipoteza de normalitate este încălcată,
estimatorii construiţi pe baza metodei celor
mai mici pătrate nu urmează o lege de
distribuţie normală
 Pentru eşantioane de volum mare ipoteza de
normalitate este atinsă asimptotic. 4
 ~ N (0,  )
2
3. Testarea ipotezei de normalitate a erorilor:

 Metode grafice: QQ Plot, PP Plot, Histograma
 Metode numerice
 testul Jarque-Bera
 testul Kolmogorov-Smirnov-Lilliefors (KSL)
5

Testul Jarque-Bera
 se bazează pe verificarea simultană a proprietăţilor de
asimetrie şi boltire ale seriei reziduurilor. Pentru o
distribuţie normală, valoarea coeficientului de asimetrie
(Sw) şi valoarea coeficientului de boltire (K) este zero.
6
1. Ipoteze statistice
H0: variabila reziduală urmează o lege de repartiţie normală
H1: variabila reziduală nu urmează o lege de repartiţie normală
2. Testul statistic : statistica JB se calculează după relaţia:
n  2 k  2
JBcalc    sw  
6  4
7
3. Prag de semnificaţie JBcalc   ,v2

2
4. Regula de decizie:
JBcalc  teor  sig 

2 - se respinge H0 (ipoteza
de normalitate a erorilor) cu o
 2 
  probabilitate 1  
JBcalc  teor  sig  - se acceptă ipoteza H0
8

Testul Jarque-Bera
Statistics
Unstandardized Residual
N Valid 23
Missing 0
Skewness ,474
Std. Error of Skewness ,481
Kurtosis -,126
Std. Error of Kurtosis ,935
9
Testul Kolmogorov-Smirnov-Lilliefors (KSL)

presupune compararea frecvenţelor cumulate (calculate) cu
frecvenţele teoretice cumulate extrase din tabelul Gauss.
 Ipoteze statistice:
H0: variabila eroare urmează o lege normală

H1: distribuţia erorilor nu urmează o lege normală
Regula de decizie:
- valoarea probabilităţii asociate statisticii test calculate (Sig.) se
compară cu α=0,05: dacă Sig.<0,05, atunci se respinge ipoteza de
normalitate a erorilor cu o probabilitate de 95%. 10
 ~ N (0,   )
2

Testul Kolmogorov-Smirnov-Lilliefors (KSL)
One-Sample Kolmogorov-Smirnov Test
Unstandardiz
ed Residual
N 23
Normal Parameters a,b Mean ,0000000
Std. Deviation 4,74761959
Most Extreme Absolute ,101
Differences Positive ,101
Negative -,060
Kolmogorov-Smirnov Z ,482
Asymp. Sig. (2-tailed) ,974
a. Test distribution is Normal.
b. Calculated from data. 11
5.1.4. Ipoteza de necorelare a erorilor:
 Autocorelarea sau corelaţia serială :
presupune existenţa, în cazul unui model de
regresie, a unei autocorelări între erorile ε, altfel
spus: cov (εi, εj) ≠0;
Coeficientul de autocorelaţie
cov( i ,  i1 ) cov( i ,  i1 )

 
i i 1
 2
unde: ρ- coeficient de autocorelaţie de ordinul 1

12
Coeficientul de autocorelaţie de ordinul k
cov( i ,  ik ) cov( i ,  ik )
 
i i k
 2
Funcţia de autocorelaţie
este definită prin relaţia de calcul a
coeficientului de autocorelaţie de ordin k.
cov( i ,  ik )
f k   13
 2

 Între erori există o relaţie dată de modelul: i  i1 ui
Din modelul anterior se obţine
ui i  i1
o quasi-diferenţă
unde: εi - eroarea
ui - zgomot alb
ρ - coeficient de corelaţie (autocorelaţie)
între εi şi εi-1
14

Pe baza quasi-diferenţei ui   i   i1
Se poate construi un model transformat:
yi   yi 1   0  1      1  xi   xi 1   ui
care se poate scrie: y i *   0 *   1 * x i *  u i
unde  0 *   0  1   
 1*   1
xi*  xi   xi 1
y i*  y i   y i  1 15
3.Testarea ipotezei de necorelare a erorilor

 Runs Test
 Durbin-Watson test
16

A.Runs Test
se bazează pe ideea că valorile variabilei reziduale se
constituie în secvenţe sau seturi de valori pozitive sau
negative numite runs, care se succed într-o anumită ordine
sau aleator;
ipoteza de bază a acestui test este aceea că în cazul lipsei
autocorelării erorilor succesiunea acestor seturi (runs,
notate k) este aleatoare sau este distribuită normal.
17
Testarea ipotezei de necorelare a erorilor

3.
Formularea ipotezelor:
H0: k este distribuit normal (nu există autocorelare a
erorilor)
H1: k nu este distribuit normal – succesiunea runs-urilor
este aleatoare (există autocorelare a erorilor și astfel
ipoteza este încălcată)
18

3.
Alegerea şi calcularea statisticii test:
se foloseşte statistica t Student care se calculează

conform relaţiei:
k  M (k )
tcalc 
ˆ k
19
3. Testarea ipotezei de necorelare a erorilor
unde: k este numărul de runs caracterizat prin:

n1n2
M (k )  2 1
n1  n2
2n1 n2  n1  n2
V (k )   k  2n1 n2
2
(n1  n2 ) (n1  n2  1)
2
n1 este numărul de valori pozitive ale variabilei;

 n2 este numărul de valori negative ale variabilei 20
 n1 + n2 = n ;

dacă |tcalc| < tα/2,n-2 sau sig>α

atunci se acceptă ipoteza H0.
21
Runs Test Runs Test
Unstandardiz Unstandardiz
ed Residual ed Residual
Test Valuea ,0000000 Test Valuea ,0000000
Cases < Test Value 3 Cases < Test Value 9
Cases >= Test Value 2 Cases >= Test Value 8
Total Cases 5 Total Cases 17
Number of Runs 4 Number of Runs 3
Z ,109 Z -3,002
Asymp. Sig. (2-tailed) ,913 Asymp. Sig. (2-tailed) ,003
a. Mean a. Mean 22

3.
B. Testul Durbin-Watson
 Ipoteze statistice:
H0: erorile nu sunt autocorelate ( = 0)
H1: erorile sunt autocorelate (  0 )
23
Testul Durbin-Watson
 (î î1 )
B. 2
 Calculul statisticii test: DW  d  i
 î
2
Întrucât  i   i1  ui statistica DW se mai poate scrie

i

astfel: d  2(1  ˆ )
24
B.Testul Durbin-Watson
Deoarece 1  ˆ  1 atunci valorile statisticii DW sunt date de
intervalul: 0  d  4
Interpretare:
 Dacă   1  d  0 ,atunci
ˆ există autocorelare pozitivă
maximă a erorilor;
 Dacă ˆ  1  d  4 , atunci există autocorelare negativă
maximă a erorilor;
 Dacă
ˆ  0  d  2 , atunci nu există autocorelare
25
 Valorile teoretice ale statisticii DW sunt calculate şi tabelate în

funcţie de pragul de semnificaţie, de volumul eşantionului şi de
numărul de variabile independente.
 În tabele se determină două valori critice, notate cu dL (limita

26
inferioară) şi dU (limita superioară).

• (0<DWcalc<dL) se respinge ipoteza Ho, erorile înregistrează o
autocorelare pozitivă;
• (dL<DWcalc<dU) şi (4-du<DWcalc< 4-dL) sunt regiuni de
nedeterminare, nu se poate decide asupra existenţei autocorelării
erorilor;
• (du < DWcalc< 4 - du) se acceptă ipoteza H0, erorile nu sunt
autocorelate;
• (4-dL <DWcalc< 4) se respinge ipoteza H0, erorile înregistrează o
27
autocorelare negativă.

Runs Test
Unstandardiz
B. Testul Durbin-Watson Test Valuea
ed Residual
-2502,56250
b Cases < Test Value 237
Model Summary
Cases >= Test Value 237
Adjusted Std. Error of Durbin- Total Cases 474
Model R R Square R Square the Estimate Watson
a Number of Runs 219
1 ,661 ,436 ,435 $12,833.540 1,863
Z -1,747
a. Predictors: (Constant), Educational Level (years)
Asymp. Sig. (2-tailed) ,081
b. Dependent Variable: Current Salary
a. Median
28
CURS
ECONOMETRIE
1
5.2. IPOTEZE PRIVIND VARIABILELE INDEPENDENTE
5.2.1. Ipoteza de necoliniaritate a variabilelor independente:
 Coliniaritatea poate fi definită ca o legătură liniară existentă între
două sau mai multe variabile independente ale unui model de
regresie de forma:
Y = 0 + 1  X1 + 2  X 2 + +  p  X p + i
2
a.1. Coliniaritatea perfectă

- apare atunci când între variabilele independente X1, X2, ..., Xk
există o legătură liniară perfectă, funcţională. Această legătură
poate fi exprimată printr-o relaţie de forma:
 X + X +
1 1 2 2
+ k  X k = 0
unde: λi, cu i=1, ..., k, valori constante care nu sunt toate, în
mod simultan, nule.
3
a.2. Coliniaritatea imperfectă

Poate fi definită ca o relație liniară puternică existentă între
două sau mai multe variabile independente.
4
Considerând cazul existenței a două variabile

independente, X1 și X2, relația dintre aceste variabile poate fi
exprimată astfel:
X 1 =  0 + 1  X 2 + ui
unde: α0 şi α1 sunt parametrii modelului de regresie
ui reprezintă componenta aleatoare sau termenul
eroare.
Această relație arată faptul că variabila X1 nu este
explicată doar de variația variabilei X2, ci și de variații
aleatoare, definite prin termenul eroare, ui. 5
b. Testarea coliniarității
20,00
b.1. Prin procedee grafice

15,00
X2
10,00
5,00
R Sq Linear = 1
0,00
0,00 2,00 4,00 6,00 8,00 10,00
X1
Figura 1. Reprezentarea grafică a coliniarităţii perfecte dintre două variabile

independente, X1 şi X2 6
20,00
15,00
X2
10,00
5,00
0,00 R Sq Linear = 0,902
0,00 2,00 4,00 6,00 8,00 10,00 12,00 14,00
X1
Figura 2. Reprezentarea grafică a coliniarităţii imperfecte dintre două

variabile independente, X1 şi X2 7
b.2. Prin procedee numerice

1. Matricea corelațiilor
Valori ridicate ale coeficienților de corelație pot indica
existența coliniarităţii puternice între variabilele independente.
Correlations
X1 X2 X3
X1 Pearson Correlation 1 ,161 -,213
Sig. (2-tailed) ,566 ,446
N 15 15 15
X2 Pearson Correlation ,161 1 -,494
Sig. (2-tailed) ,566 ,061
N 15 15 15
X3 Pearson Correlation -,213 -,494 1
Sig. (2-tailed) ,446 ,061
8
N 15 15 15
2. VIF (Variance - Inflation Factor, VIF)

1
VIFj =
1 − Rj
2
2
unde: R j este raportul de determinație din modelul auxiliar
construit pe baza variabilelor independente.
X j = 0 + 1  X1 + ... +  j−1  X j−1 +  j+1  X j+1 + .... +  p  X p + u
9
1
VIFj =
1 − Rj
2
Atunci când legăturile dintre variabilele independente

sunt puternice, valoarea raportului de determinație se apropie
de unu iar raportul VIF este infinit.
Atunci când între variabilele independente nu există
corelație, valoarea raportului VIF este egală cu 1.
În practică, o valoare VIF>10 indică prezența
coliniarității ( alți autori estimează un VIF>5).
10
3. Tolerance -TOL
-se calculează după relația:
1
TOLj = = (1 − R j2 )
VIFj
Interpretare:
• dacă valoarea TOL=1, atunci nu există coliniaritate;
• dacă valoarea TOL=0, atunci există coliniaritate perfectă.
11
Exemplu:
Coefficientsa
Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 65,705 27,731 2,369 ,037
X1 48,979 10,658 ,581 4,596 ,001 ,950 1,052
X2 59,654 23,625 ,359 2,525 ,028 ,753 1,328
X3 -1,838 ,814 -,324 -2,258 ,045 ,738 1,355
a. Dependent Variable: Y
12
Interpretare:
Deoarece valorile pentru VIF sunt mai mici decât 10 (și chiar
decât 5) variabilele independete nu sunt coliniare.
Valorile pentru TOL sunt apropiate de 1 prin urmare

variabilele independete nu sunt coliniare.
13
TOL1 = 1 − R12
TOL1 = 0,95
R1 = 1 − 0,95 = 0, 05
2
Reprezintă raportul de determinație al următorului model

auxiliar:
X1 = 0 +  2  X 2 + 3  X 3 + u
5% din variația variabilei X 1 este explicată prin variația
simultană a variabilelor X 2 și X 3 .
14
TOL2 = 1 − R22
TOL2 = 0, 753
R2 = 1 − 0, 753 = 0, 247
2
Reprezintă raportul de determinație al următorului model

auxiliar:
X 2 =  0 + 1  X 1 +  3  X 3 + u
24,7% din variația variabilei X 2 este explicată prin variația
simultană a variabilelor X 1 și X 3 .
15
Efectele coliniarității
Dacă pentru un model de regresie multiplă, variabilele
independente sunt coliniare, varianța estimatorilor
parametrilor modelului de regresie crește – estimatorii își pierd
proprietatea de eficiență.
Dacă este o coliniaritate perfectă – varianța estimatorilor este
infinită ceea ce înseamnă că parametrii pentru aceste variabile
nu pot fi estimați.
Dacă este o coliniaritate imperfectă, varianțele estimatorilor
pentru parametrii modelului de regresie sunt mari. 16
Corectarea coliniarității
Cea mai ușoară metodă este eliminarea variabilei care
introduce coliniaritatea la nivelul modelului de regresie. În
această situație există riscul eliminării din model a unei
variabile importante în explicarea fenomenului studiat.
17

Cursuri Econometrie

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Cursuri Econometrie

Încărcat de

Drepturi de autor:

Formate disponibile

CURS 7

Modelele de regresie neliniară:

-Modele semilogarimice: Compound, Growth, Exponential

-Modelul cu variabila independentă logaritmată: Logaritmic

- modele polinomiale: parabolic(quadratic), cubic

 Ecuaţia estimată la nivelul unui eşantion:

 Ecuaţia se liniarizează prin logaritmare:

- cel mai utilizat logaritm este în bază e (e=2,718) 4

 Identificarea modelului de regresie de tip putere

Figura 2 Identificarea modelului de regresie de tip putere

Estimarea parametrilor modelului de tip putere prin

Pentru estimarea parametrilor unui model de regresie de

Parametrul 1 reprezintă elasticitatea variabilei

 Elasticitatea unei variabile Y în raport cu o altă

 Pentru variaţii foarte mici ale variabilelor,

Fertility: average number of kids

0 5000 10000 15000 20000 25000

Gross domestic product / capita

Adjusted Std. Error of

- forma generală a modelului

- ecuaţia se liniarizează prin logaritmare

Ecuaţia estimată la nivelul unui eşantion:

Funcţia de tip Cobb-Douglas în modelul de creştere

β0 - valoarea lui Y când Xi=1.

Elasticitatea scalei este egală cu suma celor două elasticităţi.

Să presupunem că, în urma prelucrării datelor

ln YX1X 2  4, 28  0, 63  ln X 1  1,35  ln X 2

- pentru perioada analizată, dacă se consideră constantă valoarea

- pentru perioada analizată, dacă se consideră constantă valoarea

Modelele de regresie neliniară:

-Modele semilogarimice: Compound, Growth, Exponential

-Modelul cu variabila independentă logaritmată: Logaritmic

- modele polinomiale: parabolic(quadratic), cubic

 Interpretarea estimaţiilor parametrilor modelului

Y  6, 680 1, 007 X

Y  6, 680 1, 007 X

 Interpretarea estimaţiilor parametrilor modelului

Ecuaţia estimată a modelului parabolic este:

Ecuatia estimată a modelului cubic este de forma

 Modelarea econometrică se realizează cu

 Calitatea estimatorilor parametrilor modelului

 Ipotezele modelului de regresie sunt:

- asupra componentei aleatoare (sau variabilei

 Ipotezele modelului de regresie asupra

 Ipotezele modelului de regresie asupra

- variabilele independente sunt nestochastice

5.1. Ipoteze asupra erorilor

5.2. Ipoteze asupra variabilelor independente

5.1. 1. Media variabilei reziduale este egală cu zero

este echivalentă cu condiţia M Y X   0  1 X

2. Efectele încălcării ipotezei

Dacă ipoteza M  i   0 este încălcată parametrii

a. Dacă M   i     cst. pentru un model de regresie

b. Dacă M   i   i pentru un model de

3. Testarea ipotezei cu privire la media erorilor

Presupune parcurgerea următoarelor etape:

- se estimează modelul de regresie;

- se determină erorile estimate astfel: ei  yi  b0  b1 xi

- cu ajutorul testului Student se testează ipoteza H 0 : M  i   0

- rezultatul testării pentru un prag de semnificaţie

3.Alegerea și calcularea statisticii test:

Dacă tcalc  t / 2,n 1 cu o probabilitate de 1   se respinge

Dacă tcalc  t / 2,n 1 se acceptă ipoteza nulă.