Documente Academic
Documente Profesional
Documente Cultură
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
-modele liniarizabile
-Modelul log-liniar: putere (power)
3
1. Modelul de regresie putere
Este de forma:
yi 0 xi e
1 i
yx b0 x b1
5
Modelul de regresie putere
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
Modelul de regresie putere
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
Modelul de regresie putere
ln y ln 0 1 ln x
8
Modelul de regresie putere
Y
100
% modif . Y Y Y X
E
% modif . X X 100 X Y
X
9
Modelul de regresie putere
Y X ln Y
E
X Y ln X
10
Exemplu: Model de regresie de tip putere
Observed
8,0 Power
6,0
4,0
2,0
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
Exemplu: Model de regresie de tip putere
Model Summary
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
y 0 x1 x2 x p e
1 2 p
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.
yx b0 x1 x2 x p
b1 b2 bp
15
EXEMPLU:Model de regresie multiplă de tip putere
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
EXEMPLU:Model de regresie multiplă de tip putere
17
EXEMPLU:Model de regresie multiplă de tip putere
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
EXEMPLU:Model de regresie multiplă de tip putere
R square=0,878; 19
EXEMPLU:Model de regresie multiplă de tip putere
Interpretare:
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
-modele liniarizabile
-Modelul log-liniar: putere (power)
3
Modele neliniare semilogaritmice
Modelul Compound
Modelul Growth
Modelul Exponential
4
Modele neliniare semilogaritmice
Modelul Compound
Modelul: Y 0 1 e
X
Modelul liniarizat: ln Y ln 0 X ln 1
5
Modele neliniare semilogaritmice
Modelul Compound (EXEMPLU:)
Ecuația estimată
Y 6, 680 1, 007 X
6
Modele neliniare semilogaritmice
Modelul Compound (EXEMPLU:)
Ecuația estimată
7
Modele neliniare semilogaritmice
Modelul Compound (EXEMPLU:)
8
Modele neliniare semilogaritmice
Modelul Growth
0 1X
Modelul: Y e
Modelul liniarizat: ln Y 0 1 X
9
Modele neliniare semilogaritmice
Modelul Growth (EXEMPLU:)
Ecuația estimată
Y e1,899 0,007 X
10
Modele neliniare semilogaritmice
Modelul Growth (EXEMPLU:)
Ecuația estimată
Y e1,899 0,007 X
11
Modele neliniare semilogaritmice
Modelul Growth (EXEMPLU:)
Y e1,899 0,007 X
12
Modele neliniare semilogaritmice
Modelul Exponential
1X
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
b1: la o creștere a variabilei independente X cu o unitate,
variabila dependentă Y crește, în medie cu (b1*100)%
13
Modele neliniare semilogaritmice
Modelul Exponential (EXEMPLU:)
Ecuația estimată
Y 6, 680 e0,007 X
14
Modele neliniare semilogaritmice
Modelul Exponential (EXEMPLU:)
Ecuația estimată
Y 6, 680 e0,007 X
15
Modele neliniare semilogaritmice
Modelul Exponential (EXEMPLU:)
Ecuația estimată
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
Interpretarea estimaţiilor parametrilor modelului
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
Modele neliniare cu variabila independentă
logaritmată
Modelul Logaritmic (EXEMPLU:)
Ecuația estimată
Y 169,011 37,921 ln X
18
Modele neliniare cu variabila independentă
logaritmată
Modelul Logaritmic (EXEMPLU:)
Ecuația estimată
Y 169,011 37,921 ln X
19
Modele polinomiale
Modelul Parabolic (Quadratic)
Cel mai simplu model polinomial este
modelul parabolic.
yx b0 b1 x b2 x 2
20
Modele polinomiale
Modelul Parabolic (Quadratic)
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
Modelul Parabolic (Quadratic)
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
Modelul Parabolic (Quadratic)
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
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
2
Capitolul 5
Verificarea ipotezelor modelului de regresie
3
Capitolul 5
Verificarea ipotezelor modelului de regresie
4
Capitolul 5
Verificarea ipotezelor modelului de regresie
5
Capitolul 5
Verificarea ipotezelor modelului de regresie
6
5.1 Ipoteze asupra erorilor
1. Definirea ipotezei
M i 0
Pentru un model de regresie liniar simplu ipoteza M i 0
7
5.1 Ipoteze asupra erorilor
9
5.1 Ipoteze asupra erorilor
1.Formularea ipotezelor:
H 0 : M 0
H1 : M 0
2.Alegerea pragului de semnificație:
0, 05
4. Regula de decizie:
5. Decizia statistică
12
5.1 Ipoteze asupra erorilor
4. Corectarea modelului
y 0 1 xi ui
*
i
unde: y yi M i
*
i
13
5.1 Ipoteze asupra erorilor
Coefficients a
Unstandardized Standardized
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
14
5.1 Ipoteze asupra erorilor
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 Ipoteze asupra erorilor
1. Definire ipoteză:
16
5.1 Ipoteze asupra erorilor
d) Medii condiţionate
Exemplu: Gujarati, N. D, 1995, pp. 32-35
20
5.1 Ipoteze asupra erorilor
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
5.1 Ipoteze asupra erorilor
a. Testul Glejser
- Se testează 1
Y 0 1 X 1 2 X 2
2. Se determină erorile pe baza modelului de regresie estimat
anterior. 26
5.1 Ipoteze asupra erorilor
4. Corectarea heteroscedasticităţii
a. Varianţele i
2
sunt cunoscute;
28
5.1 Ipoteze asupra erorilor
i. Varianţele i
2
sunt cunoscute
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
5.1 Ipoteze asupra erorilor
ii. Varianţele i
2
nu sunt cunoscute
30
CURS 12
ECONOMETRIE
1
CURS 12 Capitolul 5
Verificarea ipotezelor modelului de regresie
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
ˆ
1 ~ N ( 1 , ˆ1 )
2
3
5.1. IPOTEZE PRIVIND ERORILE
5.1.3. Ipoteza de normalitate a erorilor:
~ N (0, )
2
5
5.1. IPOTEZE PRIVIND ERORILE
5.1.3. Ipoteza de normalitate a erorilor:
6
5.1. IPOTEZE PRIVIND ERORILE
5.1.3. Ipoteza de normalitate a erorilor:
1. Ipoteze statistice
H0: variabila reziduală urmează o lege de repartiţie normală
H1: variabila reziduală nu urmează o lege de repartiţie normală
n 2 k 2
JBcalc sw
6 4
7
5.1. IPOTEZE PRIVIND ERORILE
5.1.3. Ipoteza de normalitate a erorilor:
4. Regula de decizie:
Unstandardized Residual
N Valid 23
Missing 0
Skewness ,474
Std. Error of Skewness ,481
Kurtosis -,126
Std. Error of Kurtosis ,935
9
5.1. IPOTEZE PRIVIND ERORILE
5.1.3. Ipoteza de normalitate a erorilor:
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. IPOTEZE PRIVIND ERORILE
5.1.4. Ipoteza de necorelare a erorilor:
1. Definirea ipotezei:
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
1. Definirea ipotezei:
Coeficientul de autocorelaţie de ordinul k
cov( i , ik ) cov( i , ik )
i i k
2
Funcţia de autocorelaţie
este definită prin relaţia de calcul a
coeficientului de autocorelaţie de ordin k.
cov( i , ik )
f k 13
2
5.1. IPOTEZE PRIVIND ERORILE
5.1.4. Ipoteza de necorelare a erorilor:
Durbin-Watson test
16
5.1. IPOTEZE PRIVIND ERORILE
5.1.4. Ipoteza de necorelare a erorilor:
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
5.1. IPOTEZE PRIVIND ERORILE
5.1.4. Ipoteza de necorelare a erorilor:
19
5.1. IPOTEZE PRIVIND ERORILE
5.1.4. Ipoteza de necorelare a erorilor:
(n1 n2 ) (n1 n2 1)
2
n1 + n2 = n ;
5.1. IPOTEZE PRIVIND ERORILE
5.1.4. Ipoteza de necorelare a erorilor:
21
5.1. IPOTEZE PRIVIND ERORILE
5.1.4. Ipoteza de necorelare a erorilor:
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
5.1. IPOTEZE PRIVIND ERORILE
5.1.4. Ipoteza de necorelare a erorilor:
B. Testul Durbin-Watson
Ipoteze statistice:
H0: erorile nu sunt autocorelate ( = 0)
H1: erorile sunt autocorelate ( 0 )
23
5.1. IPOTEZE PRIVIND ERORILE
5.1.4. Ipoteza de necorelare a erorilor:
Testul Durbin-Watson
(ˆi ˆi1 )
B. 2
ˆi
2
24
5.1. IPOTEZE PRIVIND ERORILE
5.1.4. Ipoteza de necorelare a erorilor:
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
5.1. IPOTEZE PRIVIND ERORILE
5.1.4. Ipoteza de necorelare a erorilor:
B.Testul Durbin-Watson
Regula de decizie:
B.Testul Durbin-Watson
• (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.
5.1. IPOTEZE PRIVIND ERORILE
5.1.4. Ipoteza de necorelare a erorilor:
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:
1. Definirea ipotezei:
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
5.2. IPOTEZE PRIVIND VARIABILELE INDEPENDENTE
5.2.1. Ipoteza de necoliniaritate a variabilelor independente:
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
5.2. IPOTEZE PRIVIND VARIABILELE INDEPENDENTE
5.2.1. Ipoteza de necoliniaritate a variabilelor independente:
4
5.2. IPOTEZE PRIVIND VARIABILELE INDEPENDENTE
5.2.1. Ipoteza de necoliniaritate a variabilelor independente:
b. Testarea coliniarității
20,00
X2
10,00
5,00
R Sq Linear = 1
0,00
X1
20,00
15,00
X2
10,00
5,00
X1
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
5.2. IPOTEZE PRIVIND VARIABILELE INDEPENDENTE
5.2.1. Ipoteza de necoliniaritate a variabilelor independente:
2
unde: R j este raportul de determinație din modelul auxiliar
construit pe baza variabilelor independente.
9
5.2. IPOTEZE PRIVIND VARIABILELE INDEPENDENTE
5.2.1. Ipoteza de necoliniaritate a variabilelor independente:
1
VIFj =
1 − Rj
2
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
5.2. IPOTEZE PRIVIND VARIABILELE INDEPENDENTE
5.2.1. Ipoteza de necoliniaritate a variabilelor independente:
Exemplu:
Coefficientsa
Unstandardized Standardized
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
5.2. IPOTEZE PRIVIND VARIABILELE INDEPENDENTE
5.2.1. Ipoteza de necoliniaritate a variabilelor independente:
Interpretare:
Deoarece valorile pentru VIF sunt mai mici decât 10 (și chiar
decât 5) variabilele independete nu sunt coliniare.
13
5.2. IPOTEZE PRIVIND VARIABILELE INDEPENDENTE
5.2.1. Ipoteza de necoliniaritate a variabilelor independente:
TOL1 = 1 − R12
TOL1 = 0,95
R1 = 1 − 0,95 = 0, 05
2
14
5.2. IPOTEZE PRIVIND VARIABILELE INDEPENDENTE
5.2.1. Ipoteza de necoliniaritate a variabilelor independente:
TOL2 = 1 − R22
TOL2 = 0, 753
R2 = 1 − 0, 753 = 0, 247
2
15
5.2. IPOTEZE PRIVIND VARIABILELE INDEPENDENTE
5.2.1. Ipoteza de necoliniaritate a variabilelor independente:
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
5.2. IPOTEZE PRIVIND VARIABILELE INDEPENDENTE
5.2.1. Ipoteza de necoliniaritate a variabilelor independente:
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