Documente Academic
Documente Profesional
Documente Cultură
Planul cursului
1. Introducere
2. Modelul de regresie liniară simplă
3. Modelul de regresie liniară multiplă
4. Modele de regresie neliniară
5. Ipoteze statistice: normalitatea erorilor,
homoscedasticitatea, necorelarea erorilor,
multicoliniaritatea.
Bibliografie
1. Andrei, T., Bourbonnais, R., Econometrie, Economica,
Bucuresti, 2008
2. Bourbonnais, R., Econométrie, 5ème édition, Dunod,
Paris, 2003
3. Greene, W.H., Econometric analysis, Mac Millan, 1993.
4. Gujarati, D.N., Basic Econometrics, 3rd Edition,
McGraw-Hill, 1995
5. Jemna, D., Econometrie cu aplicații în R, Editura
Universității “Al. I Cuza” Iași, Iaşi, 2017
6. Jemna, D., Pintilescu, C., Turturean, C., Chirilă, V.,
Chirilă, C., Viorică, D., Econometrie. Probleme şi teste
grilă, Editura Sedcom Libris, Iaşi, 2009.
Evaluare
40% - test de evaluare pe parcurs (săptămâna a 10-a) din
materia primelor 3 teme;
Consum și venituri
Consum=b0+b1*Venituri
Exemplu: relaţia dintre rata inflaţiei şi rata şomajului poate fi
exprimată printr-un model de forma:
1
rata _ inf = β o + β1 ⋅
somaj
1.3. Metoda de lucru
Econometria studiază realităţile economice sub aspect
cantitativ, cu ajutorul unui instrument specific: modelul
econometric.
1.4. Scopul econometriei
Scopul principal al econometriei este identificarea, estimarea
şi testarea modelelor, prin care se surprind relaţiile dintre
fenomenele economice reale.
1.5. Scurt istoric
Şcoala Aritmeticii politice engleze
- începutul secolului al XVII-lea (W. Petty).
Tipuri de variabile:
- variabile dependente, numite şi variabile rezultative sau
efect, rezultat. Se notează cu Y. Depind de variația altor
variabile.
Exemplu.
- consum=Y
- variabile independente, numite şi variabile factoriale sau
factori de influenţă care determină un anumit efect asupra
variabilei rezultat. Se notează cu X.
Exemplu: X- venituri
Parametri
- parametrii modelului econometric, numiţi şi coeficienţi de
regresie, sunt mărimi reale, fixe dar necunoscute care apar în
model în diferite expresii alături de variabile (θ).
- parametrii fac obiectul procesului de estimare şi testare
statistică.
Exemplu. βo β1
θˆ
Estimatori
Estimatorii sunt variabile aleatoare cu distribuţii de
probabilitate cunoscute şi cu proprietăţi specifice în baza
cărora se realizează procesul de estimare a parametrilor
modelului econometric.
Estimaţii
Estimaţiile sunt valori posibile ale estimatorilor calculate la
nivelul unui eşantion sau set de date reale observate din
realitate.
Exemplu.
b0
b1
Proprietăţi ale estimatorilor
- nedeplasarea – un estimator este nedeplasat dacă media sau
speranţa matematică a acestuia este egală cu parametrul:
. M (θˆ) = θ
- convergenţa – un estimator este convergent dacă varianţa sa
tinde spre 0 atunci când volumul eşantionului tinde spre
volumul populaţiei: V (θˆ) → 0, .când n → N
- eficienţa – estimatorul este eficient dacă are varianţa cea mai
mică dintre toţi estimatorii posibili pentru parametrul θ :
V .(θˆ) = min im
2.2. Clasificarea modelelor de regresie
a. După natura dependenţei dintre variabile:
1. modele de regresie deterministe (matematice): Y=f(X);
Y = β0 + β1 X + β 2 X 2 + ε
2.3. Natura datelor economice
- Date înregistrate la un moment dat (cross-sectional
data);
- Serii de timp (time series);
- Date tip panel.
ECONOMETRIE
1
Planul cursului
1. Introducere
2. Modelul de regresie liniară simplă
3. Modelul de regresie liniară multiplă
4. Modele de regresie neliniară
5. Ipoteze statistice: normalitatea erorilor,
homoscedasticitatea, necorelarea erorilor,
multicoliniaritatea.
2
2. Modelul de regresie liniară simplă
2.1. Noţiuni introductive
2.2. Forma generală a modelului de regresie liniară simplă
2.3. Ipoteze clasice formulate
2.4. Estimarea parametrilor modelului
2.5. Estimarea indicatorilor de corelaţie
2.6. Testarea modelului şi a parametrilor
2.7. Aplicaţii
3
2.1. Noţiuni introductive
4
2.2. Forma generală a modelului
de regresie liniară simplă
A. Identificarea pe cale grafică a formei legăturii dintre
variabile:
5
2.2. Forma generală a modelului
de regresie liniară simplă
B. Modelul econometric de regresie liniară simplă
Y = β 0 + β1 ⋅ X + ε (scris cu variabile)
y i = β o + β 1 ⋅ xi + ε i (scris cu valori)
Dacă se consideră că regresia este o medie condiționată,
componenta deterministă este:
M ( Y / X = xi ) = β o + β 1 ⋅ xi
iar modelul este:
6
Parametrii modelului:
Y = β 0 + β1 ⋅ X + ε
yi = bo + b1 ⋅ xi + ei
y xi = bo + b1 ⋅ xi
Parametrii modelului sunt:
β0 – este constanta modelului (intercept). Arată nivelul mediu a
lui Y atunci când X=0. Este ordonata la origine (atunci când
dreapta de regresie trece prin origine, β0=0)
β1 – este panta dreptei de regresie. Semnul pantei arată sensul
legăturii dintre variabile:
7
Parametrii modelului:
- O valoare pozitivă arată o legătură directă dintre X și Y
- O valoare negativă arată o legătură inversă dintre X și Y
8
2.3. Ipoteze clasice
Normalitatea, homoscedasticitatea și autocorelarea
erorilor;
Multicoliniaritatea.
(tratate în ultimul capitol)
9
2.4. Estimarea parametrilor modelului
a. Noţiuni teoretice
b. Metoda de estimare
c. Estimarea punctuală a parametrilor modelului
d. Estimarea prin interval de încredere
e. Valorile estimate ale parametrilor modelului de
regresie în SPSS
10
a. Noţiuni teoretice
1. estimare punctuală.
2. estimare prin interval de încredere (IC).
11
b. Metoda de estimare
∑ i ) min
(
i
e 2
12
b. Metoda de estimare
Metoda celor mai mici pătrate (MCMMP sau OLS, în
engleză):
2
i (
S = ∑ e = ∑ yi − y xi ) = ∑ (y − b
2
i o − b1 ⋅ xi ) = min
2
i i i
13
c. Estimarea punctuală a parametrilor
modelului
S = ∑ ei2 = min
i
∂S
= 2 ⋅ ∑ ( yi − b0 − b1 ⋅ xi ) ⋅ ( −1 ) = 0
∂b0
∂S
= 2 ⋅ ∑ ( yi − b0 − b1 ⋅ xi ) ⋅ ( − xi ) = 0
∂b1
14
Relații de calcul:
- n este numărul de observații
2
∑ y i ⋅ ∑ xi − ∑ xi ⋅ ∑ xi ⋅ y i
b0 = sau b0 = y − b1 x
n ⋅ ∑ xi2 − (∑ xi )2
n ⋅ ∑ xi y i − ∑ xi ⋅ ∑ y i
b1 =
n ⋅ ∑ xi2 − (∑ xi )2
15
Derivatele parţiale de ordinul doi:
n
∑x
i
i
∑ xi ∑i xi
2
i
16
Derivatele parţiale de ordinul doi – pozitiv
definite:
2
n∑ x − ∑ xi = n ⋅ σ > 0
2
i
2
i i
17
d. Estimarea prin interval de încredere (IC) a
parametrilor modelului
Estimatorii parametrilor βi urmează o lege normală
şi sunt:
nedeplasaţi (în condiţiile respectării ipotezei că
variabila X este nestochastică şi pe baza proprietăţii
că variabilele aleatoare yi urmează aceeaşi lege de
repartiţie);
convergenţi (pentru un volum al eşantionului
suficient de mare) (n mai mare decât 30);
eficienţi.
18
d. Estimarea prin interval de încredere (IC) a
parametrilor modelului
A.- Parametrul β0 βˆ0 ~ N ( β 0 , σ β2ˆ ) 0
∑i
x 2
n ⋅ ∑ (xi − x )
0 2 ε
19
I.C. este definit de limitele de încredere care acoperă
valoarea unui parametru, pentru un coeficient de
încredere.
ˆ
β 0 ~ N ( β 0 , σ βˆ ) ⇒ Z ~ N (0,1)
2
0
după relaţia:
βˆ0 − β 0
Z=
σˆ βˆ 0
20
sau când nu se cunoaşte varianţa:
βˆ0 − β 0
t=
sβˆ
0
21
Această variabilă t Student (Z) permite să se
construiască un interval de încredere, astfel:
βˆ0 − β 0
P (−tα / 2 ≤ ≤ +tα / 2 ) = 1 − α
sβˆ
0
22
Prin prelucrarea datelor la nivelul unui eşantion, se
obţine o estimaţie punctuală a parametrului β0,
respectiv valoarea b0.
b0 − β 0
P( −tα / 2 ≤ ≤ +tα / 2 ) = 1 − α
s βˆ
0
23
I.C. pentru parametrul β0:
[b ± t
0 α / 2 ;n − 2 ⋅ s βˆ
0
]
unde:
▪ b0 este o estimaţie punctuală a parametrului β0;
∑ i
x 2
sβˆ = i
⋅ se2
n ⋅ ∑ ( xi − x )
0 2
2
∑e 2
i
s =
e
i
; ei = yi − y xi ; y xi = b0 + b1 ⋅ xi
n−2
25
B. Parametrul β1:
ˆ
β1 ~ Ν ( β1 , σ βˆ )
2
1
ˆ ˆ σε 2
M ( β1 ) = β1 ; V ( β1 ) = σ βˆ =
2
∑ (x − x)
1 2
i
i
26
- I.C. pentru parametrul β1:
[b ± t
1 α |2 ;n − 2 ⋅ sβˆ
1
]
unde: b1 este o estimaţie punctuală a parametrului β1;
se2
sβˆ =
∑ (xi − x )
1 2
27
2
∑e 2
i
s =
e
i
; ei = yi − y xi .
n−2
y xi = b0 + b1 ⋅ xi
28
e. Valorile estimate ale parametrilor modelului
de regresie în SPSS
X-Pret (lei/kg) Y-Consum (kg)
5 15
7 12
9 13
11 10
14 8
29
e. Valorile estimate ale parametrilor modelului
de regresie în SPSS
30
Exemplu:
Pe baza datelor din output-ul de mai sus, cunoscând
n=5, se cere:
1. Să se scrie modelul legăturii dintre cele două
variabile;
2. Să se precizeze sensul legăturii dintre aceste
variabile;
3. Să se calculeze limitele intervalului de încredere
pentru parametrul β1, considerând un risc de 0.05.
31
2.5. Estimarea indicatorilor de corelaţie
Obiectiv: studiul intensităţii legăturii dintre
variabile.
32
1. Coeficientul de corelaţie
cov( X , Y )
∑ (x i − µ X ) ⋅ ( yi − µY )
ρ= = i
σ X ⋅σ Y N ⋅σ X ⋅σ Y
σX
ρ = β1 ⋅
σY
• Domeniul de variaţie
• Interpretare 33
1. Coeficientul de corelaţie
σX
ρ = β1 ⋅
σY
•Domeniul de variaţie
• Interpretare
34
Observaţie:
Dacă se realizează o standardizare a variabilelor X
şi Y, atunci estimatorul coeficientului de corelaţie
pentru aceste variabile este identic cu cel al
coeficientului de regresie β1.
35
Exemplu
36
2. Raportul de determinaţie
măsoară gradul de corelaţie dintre variabile şi
calitatea ajustării norului de puncte prin dreapta de
regresie (goodness of fit).
37
2. Raportul de determinaţie
38
∑ ( yx − y )
2
2 i VE VR
η = = = 1−
∑ ( yi − y )
2
VT VT
i
39
Domeniul de variaţie
Interpretare
40
∑ ( yxi
−y) 2
∑ ( b0 + b1 ⋅ xi − y ) 2
ESS RSS
2 i i
R = = = = 1−
∑ ( yi − y ) 2
∑ i
( y − y ) 2
TSS TSS
i i
41
Exemplu
ANOV Ab
Sum of
Model Squares df Mean S quare F Sig.
1 Regres sion 25.970 1 25.970 24.125 .016a
Residual 3.230 3 1.077
Total 29.200 4
a. Predic tors: (Constant), Pret
b. Dependent Variable: Consum
42
Observaţii:
raportul de determinaţie poate fi folosit pentru
compararea calităţii modelelor care au aceeaşi
variabilă dependentă Y.
43
3. Raportul de corelaţie
(
∑ xy − y )2
2 i VE VR
η= η = = = 1−
∑ ( yi − y )
2
VT VT
i
- domeniul de variaţie.
44
Estimarea raportului de corelaţie
∑ (y x )
2
−y
2 i
i
ESS RSS
R= R = = = 1−
∑ ( yi − y )
2
TSS TSS
i
45
2.5.2 Indicatori de corelaţie în SPSS
Model Summary
46
Exemplu
ANOV Ab
Sum of
Model Squares df Mean S quare F Sig.
1 Regres sion 25.970 1 25.970 24.125 .016a
Residual 3.230 3 1.077
Total 29.200 4
a. Predic tors: (Constant), Pret
b. Dependent Variable: Consum
47
2.6 Testarea parametrilor modelului
Ipoteze statistice
Regula de decizie
Interpretare
48
Exemplu
49
Exemplu
50
Pe baza datelor din output-ul de mai sus, se cere:
51
2.7 Testarea modelului de regresie
Ipoteze
Ho: β0= 0; β1= 0
H1: β0 # 0; β1# 0
Calculul statisticii test
ESS
Fcalc = k −1
RSS
n−k
52
Regula de decizie
53
Exemplu
54
Exemplu
55
2.8. Testarea indicatorilor de corelaţie
a) Testarea coeficientului de corelaţie
Ipoteze statistice
Statistica test
Decizie
56
Exemplu
57
Exemplu
ANOV Ab
Sum of
Model Squares df Mean S quare F Sig.
1 Regres sion 25.970 1 25.970 24.125 .016a
Residual 3.230 3 1.077
Total 29.200 4
a. Predic tors: (Constant), Pret
b. Dependent Variable: Consum
58
b) Testarea raportului de corelaţie
Ipoteze statistice
Statistica test
Decizie
59
Exemplu
60
Exemplu
61
2.9 Regresia prin origine
Parametrul β0 poate să nu fie semnificativ statistic.
Modelul de regresie este:
Y = β1 ⋅ X + ε
(
S = ∑ ei2 = ∑ y i − y xi )2 = ∑ ( yi − b1 ⋅ xi )2 = min
i i i
62
∂S
= 2 ⋅ ∑ ( y i − b1 ⋅ xi ) ⋅ ( − xi ) = 0
∂b1
2
b1 ⋅ ∑ xi = ∑ xi y i
63
Probleme:
1. Nerespectarea condiţiei ∑ ei = 0
i
64
Observaţii:
Se recomandă evitarea eliminării parametrului β0 din
ecuaţia de regresie.
În cazul variabilelor standardizate, problemele
menţionate mai sus dispar (panta dreptei de regresie
este egală cu valoarea coeficientului de corelaţie
Pearson şi nu este necesară calcularea unui alt
coeficient).
65
Aplicație modelul de regresie liniară simplă
Chelt. public. (mii
Vânzări (mil lei)
lei)
7 8
14 10
12 12
27 20
19 15
25 17
15 10
18 15
25 17
8 9
Se cere:
1. Să se scrie ecuaţia estimată a legăturii dintre Vânzări și
Cheltuieli de publicitate.
2. Să se precizeze cu cât cresc, în medie, vânzările dacă se
măresc cheltuielile de publicitate cu 10 mii lei.
3. Să se estimeze cât ar trebui să se cheltuiască pentru
publicitate pentru a avea vânzări de 20 mil. lei.
4. Să se testeze dacă influența cheltuielilor de publicitate asupra
vânzărilor este semnificativă statistic (pentru un risc de 0.05).
5. Să se testeze dacă modelul de regresie este corect specificat
(pentru un risc de 0.05).
ECONOMETRIE
1
Planul cursului
1. Introducere
2. Modelul de regresie liniară simplă
3. Modelul de regresie liniară multiplă
4. Modele de regresie neliniară
5. Ipoteze statistice: normalitatea erorilor,
homoscedasticitatea, necorelarea erorilor,
multicoliniaritatea.
2
2. Modelul de regresie liniară simplă
2.1. Noţiuni introductive
2.2. Forma generală a modelului de regresie liniară simplă
2.3. Ipoteze clasice formulate
2.4. Estimarea parametrilor modelului
2.5. Estimarea indicatorilor de corelaţie
2.6. Testarea modelului şi a parametrilor
2.7. Aplicaţii
3
2.1. Noţiuni introductive
4
2.2. Forma generală a modelului
de regresie liniară simplă
A. Identificarea pe cale grafică a formei legăturii dintre
variabile:
5
2.2. Forma generală a modelului
de regresie liniară simplă
B. Modelul econometric de regresie liniară simplă
Y = β 0 + β1 ⋅ X + ε (scris cu variabile)
y i = β o + β 1 ⋅ xi + ε i (scris cu valori)
Dacă se consideră că regresia este o medie condiționată,
componenta deterministă este:
M ( Y / X = xi ) = β o + β 1 ⋅ xi
iar modelul este:
6
Parametrii modelului:
Y = β 0 + β1 ⋅ X + ε
yi = bo + b1 ⋅ xi + ei
y xi = bo + b1 ⋅ xi
Parametrii modelului sunt:
β0 – este constanta modelului (intercept). Arată nivelul mediu a
lui Y atunci când X=0. Este ordonata la origine (atunci când
dreapta de regresie trece prin origine, β0=0)
β1 – este panta dreptei de regresie. Semnul pantei arată sensul
legăturii dintre variabile:
7
Parametrii modelului:
- O valoare pozitivă arată o legătură directă dintre X și Y
- O valoare negativă arată o legătură inversă dintre X și Y
8
2.3. Ipoteze clasice
Normalitatea, homoscedasticitatea și autocorelarea
erorilor;
Multicoliniaritatea.
(tratate în ultimul capitol)
9
2.4. Estimarea parametrilor modelului
a. Noţiuni teoretice
b. Metoda de estimare
c. Estimarea punctuală a parametrilor modelului
d. Estimarea prin interval de încredere
e. Valorile estimate ale parametrilor modelului de
regresie în SPSS
10
a. Noţiuni teoretice
1. estimare punctuală.
2. estimare prin interval de încredere (IC).
11
b. Metoda de estimare
∑ i ) min
(
i
e 2
12
b. Metoda de estimare
Metoda celor mai mici pătrate (MCMMP sau OLS, în
engleză):
2
i (
S = ∑ e = ∑ yi − y xi ) = ∑ (y − b
2
i o − b1 ⋅ xi ) = min
2
i i i
13
c. Estimarea punctuală a parametrilor
modelului
S = ∑ ei2 = min
i
∂S
= 2 ⋅ ∑ ( yi − b0 − b1 ⋅ xi ) ⋅ ( −1 ) = 0
∂b0
∂S
= 2 ⋅ ∑ ( yi − b0 − b1 ⋅ xi ) ⋅ ( − xi ) = 0
∂b1
14
Relații de calcul:
- n este numărul de observații
2
∑ y i ⋅ ∑ xi − ∑ xi ⋅ ∑ xi ⋅ y i
b0 = sau b0 = y − b1 x
n ⋅ ∑ xi2 − (∑ xi )2
n ⋅ ∑ xi y i − ∑ xi ⋅ ∑ y i
b1 =
n ⋅ ∑ xi2 − (∑ xi )2
15
Derivatele parţiale de ordinul doi:
n
∑x
i
i
∑ xi ∑i xi
2
i
16
Derivatele parţiale de ordinul doi – pozitiv
definite:
2
n∑ x − ∑ xi = n ⋅ σ > 0
2
i
2
i i
17
d. Estimarea prin interval de încredere (IC) a
parametrilor modelului
Estimatorii parametrilor βi urmează o lege normală
şi sunt:
nedeplasaţi (în condiţiile respectării ipotezei că
variabila X este nestochastică şi pe baza proprietăţii
că variabilele aleatoare yi urmează aceeaşi lege de
repartiţie);
convergenţi (pentru un volum al eşantionului
suficient de mare) (n mai mare decât 30);
eficienţi.
18
d. Estimarea prin interval de încredere (IC) a
parametrilor modelului
A.- Parametrul β0 βˆ0 ~ N ( β 0 , σ β2ˆ ) 0
∑i
x 2
n ⋅ ∑ (xi − x )
0 2 ε
19
I.C. este definit de limitele de încredere care acoperă
valoarea unui parametru, pentru un coeficient de
încredere.
ˆ
β 0 ~ N ( β 0 , σ βˆ ) ⇒ Z ~ N (0,1)
2
0
după relaţia:
βˆ0 − β 0
Z=
σˆ βˆ 0
20
sau când nu se cunoaşte varianţa:
βˆ0 − β 0
t=
sβˆ
0
21
Această variabilă t Student (Z) permite să se
construiască un interval de încredere, astfel:
βˆ0 − β 0
P (−tα / 2 ≤ ≤ +tα / 2 ) = 1 − α
sβˆ
0
22
Prin prelucrarea datelor la nivelul unui eşantion, se
obţine o estimaţie punctuală a parametrului β0,
respectiv valoarea b0.
b0 − β 0
P( −tα / 2 ≤ ≤ +tα / 2 ) = 1 − α
s βˆ
0
23
I.C. pentru parametrul β0:
[b ± t
0 α / 2 ;n − 2 ⋅ s βˆ
0
]
unde:
▪ b0 este o estimaţie punctuală a parametrului β0;
∑ i
x 2
sβˆ = i
⋅ se2
n ⋅ ∑ ( xi − x )
0 2
2
∑e 2
i
s =
e
i
; ei = yi − y xi ; y xi = b0 + b1 ⋅ xi
n−2
25
B. Parametrul β1:
ˆ
β1 ~ Ν ( β1 , σ βˆ )
2
1
ˆ ˆ σε 2
M ( β1 ) = β1 ; V ( β1 ) = σ βˆ =
2
∑ (x − x)
1 2
i
i
26
- I.C. pentru parametrul β1:
[b ± t
1 α |2 ;n − 2 ⋅ sβˆ
1
]
unde: b1 este o estimaţie punctuală a parametrului β1;
se2
sβˆ =
∑ (xi − x )
1 2
27
2
∑e 2
i
s =
e
i
; ei = yi − y xi .
n−2
y xi = b0 + b1 ⋅ xi
28
e. Valorile estimate ale parametrilor modelului
de regresie în SPSS
X-Pret (lei/kg) Y-Consum (kg)
5 15
7 12
9 13
11 10
14 8
29
e. Valorile estimate ale parametrilor modelului
de regresie în SPSS
30
Exemplu:
Pe baza datelor din output-ul de mai sus, cunoscând
n=5, se cere:
1. Să se scrie modelul legăturii dintre cele două
variabile;
2. Să se precizeze sensul legăturii dintre aceste
variabile;
3. Să se calculeze limitele intervalului de încredere
pentru parametrul β1, considerând un risc de 0.05.
31
2.5. Estimarea indicatorilor de corelaţie
Obiectiv: studiul intensităţii legăturii dintre
variabile.
32
1. Coeficientul de corelaţie
cov( X , Y )
∑ (x i − µ X ) ⋅ ( yi − µY )
ρ= = i
σ X ⋅σ Y N ⋅σ X ⋅σ Y
σX
ρ = β1 ⋅
σY
• Domeniul de variaţie
• Interpretare 33
1. Coeficientul de corelaţie
σX
ρ = β1 ⋅
σY
•Domeniul de variaţie
• Interpretare
34
Observaţie:
Dacă se realizează o standardizare a variabilelor X
şi Y, atunci estimatorul coeficientului de corelaţie
pentru aceste variabile este identic cu cel al
coeficientului de regresie β1.
35
Exemplu
36
2. Raportul de determinaţie
măsoară gradul de corelaţie dintre variabile şi
calitatea ajustării norului de puncte prin dreapta de
regresie (goodness of fit).
37
2. Raportul de determinaţie
38
∑ ( yx − y )
2
2 i VE VR
η = = = 1−
∑ ( yi − y )
2
VT VT
i
39
Domeniul de variaţie
Interpretare
40
∑ ( yxi
−y) 2
∑ ( b0 + b1 ⋅ xi − y ) 2
ESS RSS
2 i i
R = = = = 1−
∑ ( yi − y ) 2
∑ i
( y − y ) 2
TSS TSS
i i
41
Exemplu
ANOV Ab
Sum of
Model Squares df Mean S quare F Sig.
1 Regres sion 25.970 1 25.970 24.125 .016a
Residual 3.230 3 1.077
Total 29.200 4
a. Predic tors: (Constant), Pret
b. Dependent Variable: Consum
42
Observaţii:
raportul de determinaţie poate fi folosit pentru
compararea calităţii modelelor care au aceeaşi
variabilă dependentă Y.
43
3. Raportul de corelaţie
(
∑ xy − y )2
2 i VE VR
η= η = = = 1−
∑ ( yi − y )
2
VT VT
i
- domeniul de variaţie.
44
Estimarea raportului de corelaţie
∑ (y x )
2
−y
2 i
i
ESS RSS
R= R = = = 1−
∑ ( yi − y )
2
TSS TSS
i
45
2.5.2 Indicatori de corelaţie în SPSS
Model Summary
46
Exemplu
ANOV Ab
Sum of
Model Squares df Mean S quare F Sig.
1 Regres sion 25.970 1 25.970 24.125 .016a
Residual 3.230 3 1.077
Total 29.200 4
a. Predic tors: (Constant), Pret
b. Dependent Variable: Consum
47
2.6 Testarea parametrilor modelului
Ipoteze statistice
Regula de decizie
Interpretare
48
Exemplu
49
Exemplu
50
Pe baza datelor din output-ul de mai sus, se cere:
51
2.7 Testarea modelului de regresie
Ipoteze
Ho: β0= 0; β1= 0
H1: β0 # 0; β1# 0
Calculul statisticii test
ESS
Fcalc = k −1
RSS
n−k
52
Regula de decizie
53
Exemplu
54
Exemplu
55
2.8. Testarea indicatorilor de corelaţie
a) Testarea coeficientului de corelaţie
Ipoteze statistice
Statistica test
Decizie
56
Exemplu
57
Exemplu
ANOV Ab
Sum of
Model Squares df Mean S quare F Sig.
1 Regres sion 25.970 1 25.970 24.125 .016a
Residual 3.230 3 1.077
Total 29.200 4
a. Predic tors: (Constant), Pret
b. Dependent Variable: Consum
58
b) Testarea raportului de corelaţie
Ipoteze statistice
Statistica test
Decizie
59
Exemplu
60
Exemplu
61
2.9 Regresia prin origine
Parametrul β0 poate să nu fie semnificativ statistic.
Modelul de regresie este:
Y = β1 ⋅ X + ε
(
S = ∑ ei2 = ∑ y i − y xi )2 = ∑ ( yi − b1 ⋅ xi )2 = min
i i i
62
∂S
= 2 ⋅ ∑ ( y i − b1 ⋅ xi ) ⋅ ( − xi ) = 0
∂b1
2
b1 ⋅ ∑ xi = ∑ xi y i
63
Probleme:
1. Nerespectarea condiţiei ∑ ei = 0
i
64
Observaţii:
Se recomandă evitarea eliminării parametrului β0 din
ecuaţia de regresie.
În cazul variabilelor standardizate, problemele
menţionate mai sus dispar (panta dreptei de regresie
este egală cu valoarea coeficientului de corelaţie
Pearson şi nu este necesară calcularea unui alt
coeficient).
65
Aplicație modelul de regresie liniară simplă
Chelt. public. (mii
Vânzări (mil lei)
lei)
7 8
14 10
12 12
27 20
19 15
25 17
15 10
18 15
25 17
8 9
Se cere:
1. Să se scrie ecuaţia estimată a legăturii dintre Vânzări și
Cheltuieli de publicitate.
2. Să se precizeze cu cât cresc, în medie, vânzările dacă se
măresc cheltuielile de publicitate cu 10 mii lei.
3. Să se estimeze cât ar trebui să se cheltuiască pentru
publicitate pentru a avea vânzări de 20 mil. lei.
4. Să se testeze dacă influența cheltuielilor de publicitate asupra
vânzărilor este semnificativă statistic (pentru un risc de 0.05).
5. Să se testeze dacă modelul de regresie este corect specificat
(pentru un risc de 0.05).
ECONOMETRIE
1
Planul cursului
1. Introducere
2. Modelul de regresie liniară simplă
3. Modelul de regresie liniară multiplă
4. Modele de regresie neliniară
5. Ipoteze statistice: normalitatea erorilor,
homoscedasticitatea, necorelarea erorilor,
multicoliniaritatea.
2
2. Modelul de regresie liniară simplă
2.1. Noţiuni introductive
2.2. Forma generală a modelului de regresie liniară simplă
2.3. Ipoteze clasice formulate
2.4. Estimarea parametrilor modelului
2.5. Estimarea indicatorilor de corelaţie
2.6. Testarea modelului şi a parametrilor
2.7. Aplicaţii
3
2.1. Noţiuni introductive
4
2.2. Forma generală a modelului
de regresie liniară simplă
A. Identificarea pe cale grafică a formei legăturii dintre
variabile:
5
2.2. Forma generală a modelului
de regresie liniară simplă
B. Modelul econometric de regresie liniară simplă
Y = β 0 + β1 ⋅ X + ε (scris cu variabile)
y i = β o + β 1 ⋅ xi + ε i (scris cu valori)
Dacă se consideră că regresia este o medie condiționată,
componenta deterministă este:
M ( Y / X = xi ) = β o + β 1 ⋅ xi
iar modelul este:
6
Parametrii modelului:
Y = β 0 + β1 ⋅ X + ε
yi = bo + b1 ⋅ xi + ei
y xi = bo + b1 ⋅ xi
Parametrii modelului sunt:
β0 – este constanta modelului (intercept). Arată nivelul mediu a
lui Y atunci când X=0. Este ordonata la origine (atunci când
dreapta de regresie trece prin origine, β0=0)
β1 – este panta dreptei de regresie. Semnul pantei arată sensul
legăturii dintre variabile:
7
Parametrii modelului:
- O valoare pozitivă arată o legătură directă dintre X și Y
- O valoare negativă arată o legătură inversă dintre X și Y
8
2.3. Ipoteze clasice
Normalitatea, homoscedasticitatea și autocorelarea
erorilor;
Multicoliniaritatea.
(tratate în ultimul capitol)
9
2.4. Estimarea parametrilor modelului
a. Noţiuni teoretice
b. Metoda de estimare
c. Estimarea punctuală a parametrilor modelului
d. Estimarea prin interval de încredere
e. Valorile estimate ale parametrilor modelului de
regresie în SPSS
10
a. Noţiuni teoretice
1. estimare punctuală.
2. estimare prin interval de încredere (IC).
11
b. Metoda de estimare
∑ i ) min
(
i
e 2
12
b. Metoda de estimare
Metoda celor mai mici pătrate (MCMMP sau OLS, în
engleză):
2
i (
S = ∑ e = ∑ yi − y xi ) = ∑ (y − b
2
i o − b1 ⋅ xi ) = min
2
i i i
13
c. Estimarea punctuală a parametrilor
modelului
S = ∑ ei2 = min
i
∂S
= 2 ⋅ ∑ ( yi − b0 − b1 ⋅ xi ) ⋅ ( −1 ) = 0
∂b0
∂S
= 2 ⋅ ∑ ( yi − b0 − b1 ⋅ xi ) ⋅ ( − xi ) = 0
∂b1
14
Relații de calcul:
- n este numărul de observații
2
∑ y i ⋅ ∑ xi − ∑ xi ⋅ ∑ xi ⋅ y i
b0 = sau b0 = y − b1 x
n ⋅ ∑ xi2 − (∑ xi )2
n ⋅ ∑ xi y i − ∑ xi ⋅ ∑ y i
b1 =
n ⋅ ∑ xi2 − (∑ xi )2
15
Derivatele parţiale de ordinul doi:
n
∑x
i
i
∑ xi ∑i xi
2
i
16
Derivatele parţiale de ordinul doi – pozitiv
definite:
2
n∑ x − ∑ xi = n ⋅ σ > 0
2
i
2
i i
17
d. Estimarea prin interval de încredere (IC) a
parametrilor modelului
Estimatorii parametrilor βi urmează o lege normală
şi sunt:
nedeplasaţi (în condiţiile respectării ipotezei că
variabila X este nestochastică şi pe baza proprietăţii
că variabilele aleatoare yi urmează aceeaşi lege de
repartiţie);
convergenţi (pentru un volum al eşantionului
suficient de mare) (n mai mare decât 30);
eficienţi.
18
d. Estimarea prin interval de încredere (IC) a
parametrilor modelului
A.- Parametrul β0 βˆ0 ~ N ( β 0 , σ β2ˆ ) 0
∑i
x 2
n ⋅ ∑ (xi − x )
0 2 ε
19
I.C. este definit de limitele de încredere care acoperă
valoarea unui parametru, pentru un coeficient de
încredere.
ˆ
β 0 ~ N ( β 0 , σ βˆ ) ⇒ Z ~ N (0,1)
2
0
după relaţia:
βˆ0 − β 0
Z=
σˆ βˆ 0
20
sau când nu se cunoaşte varianţa:
βˆ0 − β 0
t=
sβˆ
0
21
Această variabilă t Student (Z) permite să se
construiască un interval de încredere, astfel:
βˆ0 − β 0
P (−tα / 2 ≤ ≤ +tα / 2 ) = 1 − α
sβˆ
0
22
Prin prelucrarea datelor la nivelul unui eşantion, se
obţine o estimaţie punctuală a parametrului β0,
respectiv valoarea b0.
b0 − β 0
P( −tα / 2 ≤ ≤ +tα / 2 ) = 1 − α
s βˆ
0
23
I.C. pentru parametrul β0:
[b ± t
0 α / 2 ;n − 2 ⋅ s βˆ
0
]
unde:
▪ b0 este o estimaţie punctuală a parametrului β0;
∑ i
x 2
sβˆ = i
⋅ se2
n ⋅ ∑ ( xi − x )
0 2
2
∑e 2
i
s =
e
i
; ei = yi − y xi ; y xi = b0 + b1 ⋅ xi
n−2
25
B. Parametrul β1:
ˆ
β1 ~ Ν ( β1 , σ βˆ )
2
1
ˆ ˆ σε 2
M ( β1 ) = β1 ; V ( β1 ) = σ βˆ =
2
∑ (x − x)
1 2
i
i
26
- I.C. pentru parametrul β1:
[b ± t
1 α |2 ;n − 2 ⋅ sβˆ
1
]
unde: b1 este o estimaţie punctuală a parametrului β1;
se2
sβˆ =
∑ (xi − x )
1 2
27
2
∑e 2
i
s =
e
i
; ei = yi − y xi .
n−2
y xi = b0 + b1 ⋅ xi
28
e. Valorile estimate ale parametrilor modelului
de regresie în SPSS
X-Pret (lei/kg) Y-Consum (kg)
5 15
7 12
9 13
11 10
14 8
29
e. Valorile estimate ale parametrilor modelului
de regresie în SPSS
30
Exemplu:
Pe baza datelor din output-ul de mai sus, cunoscând
n=5, se cere:
1. Să se scrie modelul legăturii dintre cele două
variabile;
2. Să se precizeze sensul legăturii dintre aceste
variabile;
3. Să se calculeze limitele intervalului de încredere
pentru parametrul β1, considerând un risc de 0.05.
31
2.5. Estimarea indicatorilor de corelaţie
Obiectiv: studiul intensităţii legăturii dintre
variabile.
32
1. Coeficientul de corelaţie
cov( X , Y )
∑ (x i − µ X ) ⋅ ( yi − µY )
ρ= = i
σ X ⋅σ Y N ⋅σ X ⋅σ Y
σX
ρ = β1 ⋅
σY
• Domeniul de variaţie
• Interpretare 33
Observaţie:
Dacă se realizează o standardizare a variabilelor X
şi Y, atunci estimatorul coeficientului de corelaţie
pentru aceste variabile este identic cu cel al
coeficientului de regresie β1.
34
Exemplu
35
2. Raportul de determinaţie
măsoară gradul de corelaţie dintre variabile şi
calitatea ajustării norului de puncte prin dreapta de
regresie (goodness of fit).
36
∑ ( yx − y )
2
2 i VE VR
η = = = 1−
∑ ( yi − y )
2
VT VT
i
37
Domeniul de variaţie
Interpretare
38
∑ ( yxi
−y) 2
∑ ( b0 + b1 ⋅ xi − y ) 2
ESS RSS
2 i i
R = = = = 1−
∑ ( yi − y ) 2
∑ i
( y − y ) 2
TSS TSS
i i
39
Exemplu
ANOV Ab
Sum of
Model Squares df Mean S quare F Sig.
1 Regres sion 25.970 1 25.970 24.125 .016a
Residual 3.230 3 1.077
Total 29.200 4
a. Predic tors: (Constant), Pret
b. Dependent Variable: Consum
40
Observaţii:
raportul de determinaţie poate fi folosit pentru
compararea calităţii modelelor care au aceeaşi
variabilă dependentă Y.
41
3. Raportul de corelaţie
(
∑ xy − y )2
2 i VE VR
η= η = = = 1−
∑ ( yi − y )
2
VT VT
i
- domeniul de variaţie.
42
Estimarea raportului de corelaţie
∑ (y x )
2
−y
2 i
i
ESS RSS
R= R = = = 1−
∑ ( yi − y )
2
TSS TSS
i
43
2.5.2 Indicatori de corelaţie în SPSS
Model Summary
44
Exemplu
ANOV Ab
Sum of
Model Squares df Mean S quare F Sig.
1 Regres sion 25.970 1 25.970 24.125 .016a
Residual 3.230 3 1.077
Total 29.200 4
a. Predic tors: (Constant), Pret
b. Dependent Variable: Consum
45
2.6 Testarea parametrilor modelului
Ipoteze statistice
Regula de decizie
Interpretare
46
Exemplu
47
Exemplu
48
Pe baza datelor din output-ul de mai sus, se cere:
49
2.7 Testarea modelului de regresie
Ipoteze
Ho: β0= 0; β1= 0
H1: β0 # 0; β1# 0
Calculul statisticii test
ESS
Fcalc = k −1
RSS
n−k
50
Regula de decizie
51
Exemplu
52
Exemplu
53
2.8. Testarea indicatorilor de corelaţie
a) Testarea coeficientului de corelaţie
Ipoteze statistice
Statistica test
Decizie
54
Exemplu
55
Exemplu
ANOV Ab
Sum of
Model Squares df Mean S quare F Sig.
1 Regres sion 25.970 1 25.970 24.125 .016a
Residual 3.230 3 1.077
Total 29.200 4
a. Predic tors: (Constant), Pret
b. Dependent Variable: Consum
56
b) Testarea raportului de corelaţie
Ipoteze statistice
Statistica test
Decizie
57
Exemplu
58
Exemplu
59
2.9 Regresia prin origine
Parametrul β0 poate să nu fie semnificativ statistic.
Modelul de regresie este:
Y = β1 ⋅ X + ε
(
S = ∑ ei2 = ∑ y i − y xi )2 = ∑ ( yi − b1 ⋅ xi )2 = min
i i i
60
∂S
= 2 ⋅ ∑ ( y i − b1 ⋅ xi ) ⋅ ( − xi ) = 0
∂b1
2
b1 ⋅ ∑ xi = ∑ xi y i
61
Probleme:
1. Nerespectarea condiţiei ∑ ei = 0
i
62
Observaţii:
Se recomandă evitarea eliminării parametrului β0 din
ecuaţia de regresie.
În cazul variabilelor standardizate, problemele
menţionate mai sus dispar (panta dreptei de regresie
este egală cu valoarea coeficientului de corelaţie
Pearson şi nu este necesară calcularea unui alt
coeficient).
63
Aplicație modelul de regresie liniară simplă
Chelt. public. (mii
Vânzări (mil. lei)
lei)
7 8
14 10
12 12
27 20
19 15
25 17
15 10
18 15
25 17
8 9
Se cere:
1. Să se scrie ecuaţia estimată a legăturii dintre Vânzări și
Cheltuieli de publicitate și să se interpreteze panta dreptei de
regresie.
2. Pe baza rezultatelor din tabelul Coefficients, să se aprecieze
intensitatea legăturii dintre variabile.
3. Să se precizeze cu cât cresc, în medie, vânzările dacă se
măresc cheltuielile de publicitate cu 10 mii lei.
4. Să se estimeze cât ar trebui să se cheltuiască pentru
publicitate pentru a avea vânzări de 20 mil. lei.
5. Să se testeze dacă influența cheltuielilor de publicitate asupra
vânzărilor este semnificativă statistic (pentru un risc de 0.05).
Se cere:
6. Pe baza rezultatelor din tabelul Model summary, să se estimeze
valoarea coeficientului de corelație.
7. Să se testeze semnificația statistică a ordonatei la origine
(pentru un risc de 10%).
8. Să se testeze semnificația coeficientului de corelație, folosind
statistica test t Student (pentru un risc de 0.05).
9. Să se testeze semnificația raportului de corelație (pentru un risc
de 0.05).
10. Să se testeze dacă modelul de regresie este corect specificat
(pentru un risc de 0.05).
ECONOMETRIE
Planul cursului
1. Introducere
2. Modelul de regresie liniară simplă
3. Modelul de regresie liniară multiplă
4. Modele de regresie neliniară
5. Ipoteze statistice: normalitatea erorilor,
homoscedasticitatea, necorelarea erorilor,
multicoliniaritatea.
3. Modelul de regresie liniară multiplă
3.1. Identificarea modelului
- presupune reprezentarea punctelor (yi, xi).
- dacă toate legăturile sunt liniare, atunci regresia multiplă este
liniară.
Y = β 0 + β1 X 1 + β 2 X 2 + ... + β p X p + ε
Interpretare:
- β0 este valoarea medie a lui Y, atunci când valorile Xi sunt
egale cu zero.
- βi reprezintă variaţia medie absolută a variabilei Y la o
creştere cu o unitate a variabilei independente Xi, în condiţiile
în care influenţa celorlalte variabile independente este
constantă. Măsoară influenţa parţială a fiecărei variabile
independente asupra variabilei dependente.
Exemple:
1. În studiul legăturii dintre salariul obţinut (Y, euro/oră),
numărul de ani de şcoală (X1), numărul de ani de experienţă
profesională în domeniu (X2) şi vechimea în muncă (X3), s-a
obţinut următorul model de regresie estimat:
homoscedasticitate;
autocorelarea erorilor;
lipsa coliniarităţii.
3.4. Estimarea parametrilor modelului
Ecuaţia estimată a modelului de regresie este:
y x = b0 + b1 x1 + b2 x 2 + ...b p x p
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 65,705 27,731 2,369 ,037
X1 48,979 10,658 ,581 4,596 ,001
X2 59,654 23,625 ,359 2,525 ,028
X3 -1,838 ,814 -,324 -2,258 ,045
a. Dependent Variable: Y
Exemplu
Știind că n=15, se cere:
1. Să se scrie modelul legăturii dintre variabila Y şi variabilele
independente Xi.
2. Să se interpreteze valoarea parametrului care arată legătura
dintre valoarea vânzărilor firmei şi cheltuielile de publicitate.
3. Să se calculeze limitele intervalului de încredere pentru
parametrul β1.
4. Să se estimeze cu cât crește valoarea vânzărilor la o creștere
a cheltuielilor de publicitate cu 15 sute euro.
5. Să se estimeze cu cât variază valoarea vânzărilor la o creștere
a cheltuielilor de publicitate cu 15 sute euro și a cheltuielilor
ocazionate de diferite promoții cu 10 sute euro.
3.5. Măsurarea intensităţii legăturii dintre
variabile
Se poate efectua cu ajutorul :
- coeficienţilor de corelaţie bivariată şi parţială;
- raportului de determinaţie multiplă;
- raportului de corelaţie multiplă;
- raportului de determinaţie multiplă ajustat.
a). Coeficienţii de corelaţie bivariată şi parţială
Coeficienţii de corelaţie bivariată măsoară dependenţa dintre
variabile, fără a lua în considerare influenţa celorlalte
variabile.
Notații.
a). Coeficienţii de corelaţie bivariată şi parţială
Formula de calcul:
n∑ x1i yi − ∑ x1i ∑ yi
ry1 = i i i
2
2
n∑ x1i − ∑ x1i n∑ yi − ∑ yi
2 2
i i i i
a). Coeficienţii de corelaţie bivariată şi parţială
Coeficienţii de corelaţie parţială măsoară dependenţa dintre
variabile, considerând influenţa celorlalte variabile constantă.
Exemplu:
ry1.2 – coeficientul de corelaţie dintre Y şi X1, considerând
constantă influenţa lui X2
ry2.1 – coeficientul de corelaţie dintre Y şi X2, considerând
constantă influenţa lui X1
r12.y - coeficientul de corelaţie dintre X1 şi X2, considerând
constantă influenţa lui Y.
a). Coeficienţii de corelaţie bivariată şi parţială
ry1 − ry 2 r12
ry1.2 =
(1 − r )(1 − r )
2
y2
2
12
ry 2 − ry1r12
ry 2.1 =
( y1 )( 12 )
1 − r 2
1 − r 2
Coeficienţii de corelaţie bivariată şi parţială în SPSS
Correl ations
Y X1 X2 X3
Y Pearson Correlation 1 ,708** ,612* -,625*
Sig. (2-tailed) ,003 ,015 ,013
N 15 15 15 15
X1 Pearson Correlation ,708** 1 ,161 -,213
Sig. (2-tailed) ,003 ,566 ,446
N 15 15 15 15
X2 Pearson Correlation ,612* ,161 1 -,494
Sig. (2-tailed) ,015 ,566 ,061
N 15 15 15 15
X3 Pearson Correlation -,625* -,213 -,494 1
Sig. (2-tailed) ,013 ,446 ,061
N 15 15 15 15
**. Correlation is s ignificant at t he 0.01 level (2-t ailed).
*. Correlation is s ignificant at t he 0.05 level (2-t ailed).
Coeficienţii de corelaţie bivariată şi parţială în SPSS
Correlations
Control Variables Y X1
X2 Y Correlation 1,000 ,780
Significance (2-tailed) . ,001
df 0 12
X1 Correlation ,780 1,000
Significance (2-tailed) ,001 .
df 12 0
b). Raportul de determinaţie multiplă
2ESS RSS ∑i
e 2
R = = 1− 1−
= i
TSS TSS ∑ ( yi − y )i
2
ESS RSS ∑i
e 2
R= =1 − =1 − i
TSS TSS ∑ i
( y − y ) 2
2 n −12
R = 1 − (1 − R ) ⋅
n−k
Raportul de determinaţie multiplă ajustat este întotdeauna mai
mic sau egal cu raportul de determinaţie multiplă.
Raportul de determinaţie multiplă ajustat are o importanţă
deosebită atunci când se compară mai multe modele de
regresie cu un număr diferit de parametri.
Exemplu. Pe baza rezultatelor prezentate în tabelul de mai jos, se
cere:
a) să se calculeze și să se interpreteze raportul de determinație
a) să se calculeze raportul de determinație multiplă ajustat
ANOV Ab
Sum of
Model Squares df Mean S quare F Sig.
1 Regres sion 16997, 537 3 5665,846 18,290 ,000a
Residual 3407,473 11 309,770
Total 20405, 009 14
a. Predic tors: (Constant), X3, X1, X2
b. Dependent Variable: Y
3.6. Testarea parametrilor modelului
Ipoteze: H 0 : βi = 0
H1 : β i ≠ 0
bi
Calculul statisticii test: t calc =
s β̂
i
Regula de decizie.
Exemplu:
Pentru datele prezentate în output-ul anterior, se cere să se
testeze valoarea parametrului β1, considerând un risc de 0,05.
3.7. Testarea modelului de regresie
Ipoteze
Statistica test
Regula de decizie
3.8. Testarea indicatorilor de corelaţie
Model Summary
Change Statistics
Adjusted Std. Error of R Square
Model R R Square R Square the Estimate Change F Change df1 df2 Sig. F Change
1 .910 a .828 .818 5.2961 .828 83.271 4 69 .000
2 .907 b .822 .814 5.3542 -.006 2.544 1 69 .115
a. Predictors: (Constant), Average female life expectancy, People living in cities (%), Daily calorie intake, People who read (%)
b. Predictors: (Constant), Average female life expectancy, Daily calorie intake, People who read (%)
3.9. Testarea influenţei marginale a unei variabile
independente
b) Cazul unei variabile nou introduse în model
Change Statistics
Adjusted Std. Error of R Square
Model R R Square R Square the Estimate Change F Change df1 df2 Sig. F Change
1 a
.885 .784 .778 5.398 .784 128.666 2 71 .000
2 b
.905 .819 .811 4.973 .035 13.656 1 70 .000
a. Predictors: (Constant), Gross domestic product / capita, People who read (%)
b. Predictors: (Constant), Gross domestic product / capita, People who read (%), Daily calorie intake
3.10. Modele cu variabile standardizate
Un obiectiv al regresiei liniare multiple este acela de a
identifica ordinea importanţei factorilor care au o influenţă
asupra variabilei dependente.
Pentru aceasta, se construieşte un model cu variabile
standardizate, în care variaţia se măsoară în unităţi de abateri
standard pentru fiecare variabilă.
Valoarea estimată a coeficienţilor în modul sau în valoare
absolută arată impactul parţial al variaţiei cu o unitate a
variabilei independente standardizate asupra variabilei
dependente standardizate.
3.10. Modele cu variabile standardizate
Cel mai mare coeficient în valoare absolută indică cea mai
mare influenţă asupra variabilei dependente, iar semnul
coeficientului arată sensul acestei influenţe.
Exemplu
În studiul legăturii dintre valoarea vânzărilor unei firme (Y,
mii euro) şi cheltuielile de publicitate (X1 sute euro),
cheltuielile ocazionate de diferite promoţii (X2, sute euro) şi
vânzările anuale realizate de principalul concurent (X3 mii
euro), s-au obţinut următoarele rezultate:
Coefficients a
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 65,705 27,731 2,369 ,037
X1 48,979 10,658 ,581 4,596 ,001
X2 59,654 23,625 ,359 2,525 ,028
X3 -1,838 ,814 -,324 -2,258 ,045
a. Dependent Variable: Y
ECONOMETRIE
Planul cursului
1. Introducere
2. Modelul de regresie liniară simplă
3. Modelul de regresie liniară multiplă
4. Modele de regresie neliniară
5. Ipoteze statistice: normalitatea erorilor,
homoscedasticitatea, necorelarea erorilor,
multicoliniaritatea.
3. Modelul de regresie liniară multiplă
3.1. Identificarea modelului
- presupune reprezentarea punctelor (yi, xi).
- dacă toate legăturile sunt liniare, atunci regresia multiplă este
liniară.
Y = β 0 + β1 X 1 + β 2 X 2 + ... + β p X p + ε
Interpretare:
- β0 este valoarea medie a lui Y, atunci când valorile Xi sunt
egale cu zero.
- βi reprezintă variaţia medie absolută a variabilei Y la o
creştere cu o unitate a variabilei independente Xi, în condiţiile
în care influenţa celorlalte variabile independente este
constantă. Măsoară influenţa parţială a fiecărei variabile
independente asupra variabilei dependente.
Exemple:
1. În studiul legăturii dintre salariul obţinut (Y, euro/oră),
numărul de ani de şcoală (X1), numărul de ani de experienţă
profesională în domeniu (X2) şi vechimea în muncă (X3), s-a
obţinut următorul model de regresie estimat:
homoscedasticitate;
autocorelarea erorilor;
lipsa coliniarităţii.
3.4. Estimarea parametrilor modelului
Ecuaţia estimată a modelului de regresie este:
y x = b0 + b1 x1 + b2 x 2 + ...b p x p
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 65,705 27,731 2,369 ,037
X1 48,979 10,658 ,581 4,596 ,001
X2 59,654 23,625 ,359 2,525 ,028
X3 -1,838 ,814 -,324 -2,258 ,045
a. Dependent Variable: Y
Exemplu
Știind că n=15, se cere:
1. Să se scrie modelul legăturii dintre variabila Y şi variabilele
independente Xi.
2. Să se interpreteze valoarea parametrului care arată legătura
dintre valoarea vânzărilor firmei şi cheltuielile de publicitate.
3. Să se calculeze limitele intervalului de încredere pentru
parametrul β1, pentru un risc de 0,05.
4. Să se estimeze cu cât crește valoarea vânzărilor la o creștere
a cheltuielilor de publicitate cu 15 sute euro.
5. Să se estimeze cu cât variază valoarea vânzărilor la o creștere
a cheltuielilor de publicitate cu 15 sute euro și a cheltuielilor
ocazionate de diferite promoții cu 10 sute euro.
Exemplu
Rezolvare:
2. La o creștere a cheltuielilor de publicitate cu o sută de euro,
vânzările cresc (pentru că b1>0), în medie, cu 48,979 mii euro,
considerând constantă influența celorlalte variabile.
3.5. Măsurarea intensităţii legăturii dintre
variabile
Se poate efectua cu ajutorul :
- coeficienţilor de corelaţie bivariată şi parţială;
- raportului de determinaţie multiplă;
- raportului de corelaţie multiplă;
- raportului de determinaţie multiplă ajustat.
a). Coeficienţii de corelaţie bivariată şi parţială
Coeficienţii de corelaţie bivariată măsoară dependenţa dintre
variabile, fără a lua în considerare influenţa celorlalte
variabile.
Notații.
coeficientul de corelație bivariată (Pearson) dintre Y și
X1.
coeficientul de corelație bivariată (Pearson) dintre Y și
X2.
coeficientul de corelație bivariată (Pearson) dintre X1 și
X2.
a). Coeficienţii de corelaţie bivariată şi parţială
Formula de calcul:
n∑ x1i yi − ∑ x1i ∑ yi
ry1 = i i i
2
2
n∑ x1i − ∑ x1i n∑ yi − ∑ yi
2 2
i i i i
a). Coeficienţii de corelaţie bivariată şi parţială
Coeficienţii de corelaţie parţială măsoară dependenţa dintre
variabile, considerând influenţa celorlalte variabile
constantă.
Exemplu:
ry1.2 – coeficientul de corelaţie dintre Y şi X1, considerând
constantă influenţa lui X2
ry2.1 – coeficientul de corelaţie dintre Y şi X2, considerând
constantă influenţa lui X1
r12.y - coeficientul de corelaţie dintre X1 şi X2, considerând
constantă influenţa lui Y.
a). Coeficienţii de corelaţie bivariată şi parţială
ry1 − ry 2 r12
ry1.2 =
(1 − r )(1 − r )
2
y2
2
12
ry 2 − ry1r12
ry 2.1 =
( y1 )( 12 )
1 − r 2
1 − r 2
Coeficienţii de corelaţie bivariată şi parţială în SPSS
Correl ations
Y X1 X2 X3
Y Pearson Correlation 1 ,708** ,612* -,625*
Sig. (2-tailed) ,003 ,015 ,013
N 15 15 15 15
X1 Pearson Correlation ,708** 1 ,161 -,213
Sig. (2-tailed) ,003 ,566 ,446
N 15 15 15 15
X2 Pearson Correlation ,612* ,161 1 -,494
Sig. (2-tailed) ,015 ,566 ,061
N 15 15 15 15
X3 Pearson Correlation -,625* -,213 -,494 1
Sig. (2-tailed) ,013 ,446 ,061
N 15 15 15 15
**. Correlation is s ignificant at t he 0.01 level (2-t ailed).
*. Correlation is s ignificant at t he 0.05 level (2-t ailed).
Coeficienţii de corelaţie bivariată şi parţială în SPSS
coeficientul de corelație parțială: arată corelația dintre Y și X1
este o corelație directă, puternică, considerând constantă
influența lui X2.
Correlations
Control Variables Y X1
X2 Y Correlation 1,000 ,780
Significance (2-tailed) . ,001
df 0 12
X1 Correlation ,780 1,000
Significance (2-tailed) ,001 .
df 12 0
b). Raportul de determinaţie multiplă
2ESS RSS ∑i
e 2
R = = 1− 1−
= i
TSS TSS ∑ ( yi − y )i
2
ESS RSS ∑i
e 2
R= =1 − =1 − i
TSS TSS ∑ i
( y − y ) 2
2 n −12
R = 1 − (1 − R ) ⋅
n−k
Raportul de determinaţie multiplă ajustat este întotdeauna mai
mic sau egal cu raportul de determinaţie multiplă.
Raportul de determinaţie multiplă ajustat are o importanţă
deosebită atunci când se compară mai multe modele de
regresie cu un număr diferit de parametri (cel mai ”bun”
model este cel pentru care valoarea raportului de determinaţie
multiplă ajustat este cea mai mare).
Exemplu. Pe baza rezultatelor prezentate în tabelul de mai jos, se
cere:
a) să se calculeze și să se interpreteze raportul de determinație;
b) să se calculeze raportul de determinație multiplă ajustat.
ANOV Ab
Sum of
Model Squares df Mean S quare F Sig.
1 Regres sion 16997, 537 3 5665,846 18,290 ,000a
Residual 3407,473 11 309,770
Total 20405, 009 14
a. Predic tors: (Constant), X3, X1, X2
b. Dependent Variable: Y
Rezolvare.
ANOV Ab
Sum of
Model Squares df Mean S quare F Sig.
1 Regres sion 16997, 537 3 5665,846 18,290 ,000a
Residual 3407,473 11 309,770
Total 20405, 009 14
a. Predic tors: (Constant), X3, X1, X2
b. Dependent Variable: Y
3.6. Testarea parametrilor modelului
Ipoteze: H 0 : βi = 0
H1 : β i ≠ 0
bi
Calculul statisticii test: t calc =
s β̂
i
Regula de decizie.
Exemplu:
Pentru datele prezentate în output-ul anterior, se cere să se
testeze valoarea parametrului β1, considerând un risc de 0,05.
3.7. Testarea modelului de regresie
Ipoteze
Statistica test
Regula de decizie
3.8. Testarea indicatorilor de corelaţie
Model Summary
Change Statistics
Adjusted Std. Error of R Square
Model R R Square R Square the Estimate Change F Change df1 df2 Sig. F Change
1 .910 a .828 .818 5.2961 .828 83.271 4 69 .000
2 .907 b .822 .814 5.3542 -.006 2.544 1 69 .115
a. Predictors: (Constant), Average female life expectancy, People living in cities (%), Daily calorie intake, People who read (%)
b. Predictors: (Constant), Average female life expectancy, Daily calorie intake, People who read (%)
3.9. Testarea influenţei marginale a unei variabile
independente
b) Cazul unei variabile nou introduse în model
Change Statistics
Adjusted Std. Error of R Square
Model R R Square R Square the Estimate Change F Change df1 df2 Sig. F Change
1 a
.885 .784 .778 5.398 .784 128.666 2 71 .000
2 b
.905 .819 .811 4.973 .035 13.656 1 70 .000
a. Predictors: (Constant), Gross domestic product / capita, People who read (%)
b. Predictors: (Constant), Gross domestic product / capita, People who read (%), Daily calorie intake
3.10. Modele cu variabile standardizate
Un obiectiv al regresiei liniare multiple este acela de a
identifica ordinea importanţei factorilor care au o influenţă
asupra variabilei dependente.
Pentru aceasta, se construieşte un model cu variabile
standardizate, în care variaţia se măsoară în unităţi de abateri
standard pentru fiecare variabilă.
Valoarea estimată a coeficienţilor în modul sau în valoare
absolută arată impactul parţial al variaţiei cu o unitate a
variabilei independente standardizate asupra variabilei
dependente standardizate.
3.10. Modele cu variabile standardizate
Cel mai mare coeficient în valoare absolută indică cea mai
mare influenţă asupra variabilei dependente, iar semnul
coeficientului arată sensul acestei influenţe.
Exemplu
În studiul legăturii dintre valoarea vânzărilor unei firme (Y,
mii euro) şi cheltuielile de publicitate (X1 sute euro),
cheltuielile ocazionate de diferite promoţii (X2, sute euro) şi
vânzările anuale realizate de principalul concurent (X3 mii
euro), s-au obţinut următoarele rezultate:
Coefficients a
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 65,705 27,731 2,369 ,037
X1 48,979 10,658 ,581 4,596 ,001
X2 59,654 23,625 ,359 2,525 ,028
X3 -1,838 ,814 -,324 -2,258 ,045
a. Dependent Variable: Y
ECONOMETRIE
Planul cursului
1. Introducere
2. Modelul de regresie liniară simplă
3. Modelul de regresie liniară multiplă
4. Modele de regresie neliniară
5. Ipoteze statistice: normalitatea erorilor,
homoscedasticitatea, necorelarea erorilor,
multicoliniaritatea.
3. Modelul de regresie liniară multiplă
3.1. Identificarea modelului
- presupune reprezentarea punctelor (yi, xi).
- dacă toate legăturile sunt liniare, atunci regresia multiplă este
liniară.
Y = β 0 + β1 X 1 + β 2 X 2 + ... + β p X p + ε
Interpretare:
- β0 este valoarea medie a lui Y, atunci când valorile Xi sunt
egale cu zero.
- βi reprezintă variaţia medie absolută a variabilei Y la o
creştere cu o unitate a variabilei independente Xi, în condiţiile
în care influenţa celorlalte variabile independente este
constantă. Măsoară influenţa parţială a fiecărei variabile
independente asupra variabilei dependente.
Exemple:
1. În studiul legăturii dintre salariul obţinut (Y, euro/oră),
numărul de ani de şcoală (X1), numărul de ani de experienţă
profesională în domeniu (X2) şi vechimea în muncă (X3), s-a
obţinut următorul model de regresie estimat:
homoscedasticitate;
autocorelarea erorilor;
lipsa coliniarităţii.
3.4. Estimarea parametrilor modelului
Ecuaţia estimată a modelului de regresie este:
y x = b0 + b1 x1 + b2 x 2 + ...b p x p
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 65,705 27,731 2,369 ,037
X1 48,979 10,658 ,581 4,596 ,001
X2 59,654 23,625 ,359 2,525 ,028
X3 -1,838 ,814 -,324 -2,258 ,045
a. Dependent Variable: Y
Exemplu
Știind că n=15, se cere:
1. Să se scrie modelul legăturii dintre variabila Y şi variabilele
independente Xi.
2. Să se interpreteze valoarea parametrului care arată legătura
dintre valoarea vânzărilor firmei şi cheltuielile de publicitate.
3. Să se calculeze limitele intervalului de încredere pentru
parametrul β1, pentru un risc de 0,05.
4. Să se estimeze cu cât crește valoarea vânzărilor la o creștere
a cheltuielilor de publicitate cu 15 sute euro.
5. Să se estimeze cu cât variază valoarea vânzărilor la o creștere
a cheltuielilor de publicitate cu 15 sute euro și a cheltuielilor
ocazionate de diferite promoții cu 10 sute euro.
Exemplu
Rezolvare:
2. La o creștere a cheltuielilor de publicitate cu o sută de euro,
vânzările cresc (pentru că b1>0), în medie, cu 48,979 mii
euro, considerând constantă influența celorlalte variabile.
n∑ x1i yi − ∑ x1i ∑ yi
ry1 = i i i
2
2
n∑ x1i − ∑ x1i n∑ yi − ∑ yi
2 2
i i i i
a). Coeficienţii de corelaţie bivariată şi parţială
Coeficienţii de corelaţie parţială măsoară dependenţa dintre
variabile, considerând influenţa celorlalte variabile constantă.
Exemplu:
ry1.2 – coeficientul de corelaţie dintre Y şi X1, considerând
constantă influenţa lui X2
ry2.1 – coeficientul de corelaţie dintre Y şi X2, considerând
constantă influenţa lui X1
r12.y - coeficientul de corelaţie dintre X1 şi X2, considerând
constantă influenţa lui Y.
a). Coeficienţii de corelaţie bivariată şi parţială
ry1 − ry 2 r12
ry1.2 =
(1 − r )(1 − r )
2
y2
2
12
ry 2 − ry1r12
ry 2.1 =
( y1 )( 12 )
1 − r 2
1 − r 2
Coeficienţii de corelaţie bivariată şi parţială în SPSS
Correl ations
Y X1 X2 X3
Y Pearson Correlation 1 ,708** ,612* -,625*
Sig. (2-tailed) ,003 ,015 ,013
N 15 15 15 15
X1 Pearson Correlation ,708** 1 ,161 -,213
Sig. (2-tailed) ,003 ,566 ,446
N 15 15 15 15
X2 Pearson Correlation ,612* ,161 1 -,494
Sig. (2-tailed) ,015 ,566 ,061
N 15 15 15 15
X3 Pearson Correlation -,625* -,213 -,494 1
Sig. (2-tailed) ,013 ,446 ,061
N 15 15 15 15
**. Correlation is s ignificant at t he 0.01 level (2-t ailed).
*. Correlation is s ignificant at t he 0.05 level (2-t ailed).
Coeficienţii de corelaţie bivariată şi parţială în SPSS
Correlations
Control Variables Y X1
X2 Y Correlation 1,000 ,780
Significance (2-tailed) . ,001
df 0 12
X1 Correlation ,780 1,000
Significance (2-tailed) ,001 .
df 12 0
b). Raportul de determinaţie multiplă
2ESS RSS ∑i
e 2
R = = 1− 1−
= i
TSS TSS ∑ ( yi − y )i
2
ESS RSS ∑i
e 2
R= =1 − =1 − i
TSS TSS ∑ i
( y − y ) 2
2 n −12
R = 1 − (1 − R ) ⋅
n−k
Raportul de determinaţie multiplă ajustat este întotdeauna mai
mic sau egal cu raportul de determinaţie multiplă.
Raportul de determinaţie multiplă ajustat are o importanţă
deosebită atunci când se compară mai multe modele de
regresie cu un număr diferit de parametri.
Exemplu. Pe baza rezultatelor prezentate în tabelul de mai jos, se
cere:
a) să se calculeze și să se interpreteze raportul de determinație
a) să se calculeze raportul de determinație multiplă ajustat
ANOV Ab
Sum of
Model Squares df Mean S quare F Sig.
1 Regres sion 16997, 537 3 5665,846 18,290 ,000a
Residual 3407,473 11 309,770
Total 20405, 009 14
a. Predic tors: (Constant), X3, X1, X2
b. Dependent Variable: Y
3.6. Testarea parametrilor modelului
Ipoteze: H 0 : βi = 0
H1 : β i ≠ 0
bi
Calculul statisticii test: t calc =
s β̂
i
Regula de decizie.
Exemplu:
Pentru datele prezentate în output-ul de mai jos, se cere să se
testeze valoarea parametrului β1, considerând un risc de 0,05
(n=15).
Coefficients a
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 65,705 27,731 2,369 ,037
X1 48,979 10,658 ,581 4,596 ,001
X2 59,654 23,625 ,359 2,525 ,028
X3 -1,838 ,814 -,324 -2,258 ,045
a. Dependent Variable: Y
Exemplu:
Coefficients a
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 65,705 27,731 2,369 ,037
X1 48,979 10,658 ,581 4,596 ,001
X2 59,654 23,625 ,359 2,525 ,028
X3 -1,838 ,814 -,324 -2,258 ,045
a. Dependent Variable: Y
3.7. Testarea modelului de regresie
Ipoteze
Statistica test
Regula de decizie
3.8. Testarea indicatorilor de corelaţie
Change Statistics
Adjusted Std. Error of R Square
Model R R Square R Square the Estimate Change F Change df1 df2 Sig. F Change
1 a
.910 .828 .818 5.2961 .828 83.271 4 69 .000
2 .907 b .822 .814 5.3542 -.006 2.544 1 69 .115
a. Predictors: (Constant), Average female life expectancy, People living in cities (%), Daily calorie intake, People who read (%)
b. Predictors: (Constant), Average female life expectancy, Daily calorie intake, People who read (%)
3.9. Testarea influenţei marginale a unei variabile
independente
b) Cazul unei variabile nou introduse în model
Change Statistics
Adjusted Std. Error of R Square
Model R R Square R Square the Estimate Change F Change df1 df2 Sig. F Change
1 .885 a
.784 .778 5.398 .784 128.666 2 71 .000
2 .905b .819 .811 4.973 .035 13.656 1 70 .000
a. Predictors: (Constant), Gross domestic product / capita, People who read (%)
b. Predictors: (Constant), Gross domestic product / capita, People who read (%), Daily calorie intake
3.10. Modele cu variabile standardizate
Un obiectiv al regresiei liniare multiple este acela de a
identifica ordinea (ierarhia) importanţei factorilor care au o
influenţă asupra variabilei dependente.
Pentru aceasta, se construieşte un model cu variabile
standardizate, în care variaţia se măsoară în unităţi de abateri
standard pentru fiecare variabilă.
Valoarea estimată a coeficienţilor în modul sau în valoare
absolută arată impactul parţial al variaţiei cu o unitate a
variabilei independente standardizate asupra variabilei
dependente standardizate.
3.10. Modele cu variabile standardizate
Interpretare:
Cel mai mare coeficient în valoare absolută indică cea mai mare
influenţă asupra variabilei dependente, iar semnul coeficientului
arată sensul acestei influenţe.
Exemplu
În studiul legăturii dintre valoarea vânzărilor unei firme (Y,
mii euro) şi cheltuielile de publicitate (X1 sute euro),
cheltuielile ocazionate de diferite promoţii (X2, sute euro) şi
vânzările anuale realizate de principalul concurent (X3 mii
euro), s-au obţinut următoarele rezultate:
Coefficients a
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 65,705 27,731 2,369 ,037
X1 48,979 10,658 ,581 4,596 ,001
X2 59,654 23,625 ,359 2,525 ,028
X3 -1,838 ,814 -,324 -2,258 ,045
a. Dependent Variable: Y
ECONOMETRIE
Planul cursului
1. Introducere
2. Modelul de regresie liniară simplă
3. Modelul de regresie liniară multiplă
4. Modele de regresie neliniară
5. Ipoteze statistice: normalitatea erorilor,
homoscedasticitatea, necorelarea erorilor,
multicoliniaritatea.
4. Modele de regresie neliniară
4.1. Tipuri de modele
ln Y = ln β 0 + X ⋅ ln β1 + ε
Parametrii modelului:
- β0 este valoarea lui Y pentru X=0. Variabila Y are
numai valori pozitive, deci β0 satisface condiţia β0
>0.
- β1 arată variaţia medie procentuală a lui Y la o
variaţie absolută a lui X cu o unitate. Reprezintă
rata de creştere sau reducere a variabilei Y în raport
cu variabila X.
Observaţii:
- Dacă β1>1, atunci legătura dintre cele două variabile
este directă.
ln b0 ∑ x i + ln b1 ∑ x i2 = ∑ x iln y i
n∑ xi ln yi − ∑ xi ∑ ln yi
ln b1 = ;
n∑ xi2 − (∑ xi )
2
ln b0 = ∑ ln yi ∑ 2
xi − ∑ xi ∑ xi ln yi
n∑ 2
xi − (∑ xi )2
Valorile estimaţiilor b0 şi b1 sunt prezentate în output-ul
Coefficients, coloana Unstandardized Coefficients.
Interpretare
Unstandardized St andardiz ed
Coeffic ients Coeffic ients
B St d. E rror Beta t Sig.
X 1.139 .039 2.488 29.566 .000
(Const ant) 15.175 2.726 5.568 .011
The dependent variable is ln(Y).
Rezolvare:
Ecuaţia estimată a legăturii dintre cele două
variabile este:
y xi = 15 ,175 ⋅ 1,139 xi
β 0 + β 1 ⋅ X +ε
Y =e
ln Y = β 0 + β 1 ⋅ X + ε
II. Modelul Growth (de creştere)
Parametrii modelului:
Unstandardized St andardiz ed
Coeffic ients Coeffic ients
B St d. E rror Beta t Sig.
X .130 .034 .912 3.843 .031
(Const ant) 2.720 .180 15.142 .001
The dependent variable is ln(Y).
Ecuaţia estimată a legăturii dintre cele două variabile este:
Y X = e 2 ,72 +0 ,13⋅ X
Y = β 0 ⋅ e β1 X ⋅ eε
Ecuaţia se liniarizează prin logaritmare:
ln Y = ln β 0 + β 1 ⋅ X + ε
III. Modelul exponenţial
Parametrii modelului:
Coeffi cients
Unstandardized St andardiz ed
Coeffic ients Coeffic ients
B St d. E rror Beta t Sig.
X .130 .034 .912 3.843 .031
(Const ant) 15.175 2.726 5.568 .011
The dependent variable is ln(Y).
Ecuaţia estimată:
Y X = 15 ,175 ⋅ e 0 ,13 X
Interpretare:
La o creştere a investiţiilor cu o mie de lei,
producţia creşte, în medie, cu 13%.
a.2 Modele cu variabila independentă logaritmată
Modelul Logarithmic
Y = β 0 + β 1 ⋅ ln X + ε
Coefficients
Unstandardized Standardized
Coefficients Coefficients
B Std. Error Beta t Sig.
ln(X) 20.535 3.396 .961 6.047 .009
(Constant) -1.799 5.388 -.334 .760
Ecuaţia estimată a legăturii dintre cele două variabile este:
Y X = −1,799 + 20 ,535 ⋅ ln X
Interpretare:
La o creştere a investiţiilor (X) cu 1 % producţia creşte, în
medie, cu 0,20535 mil. lei (20,535/100).
b. Modelul de tip putere (Power) (log-liniar)
1. Forma generală a modelului:
β1 ε
Y = β0 ⋅ X ⋅e
ln Y = ln β 0 + β1 ⋅ ln X + ε
În modelul putere, parametrul β1 este elasticitatea variabilei
dependente Y în raport cu variabila independentă X.
n ln b0 + b1 ∑ ln x i = ∑ ln y i , i = 1, n
2
ln b0 ∑ ln x i + b1 ∑ (ln x i ) = ∑ln x iln y i
3. Testarea semnificaţiei parametrilor
4. Exemplu
În urma prelucrării datelor privind valoarea
producţiei industriale (mil. lei) şi nivelul
investiţiilor nete din industrie (mii lei) în România,
în perioada 1990-2010, s-au obţinut următoarele
rezultate:
Coeffi cients
Unstandardized St andardiz ed
Coeffic ient s Coeffic ient s
B St d. E rror Beta t Sig.
ln(X) ,960 ,012 ,999 79,735 ,000
(Const ant) 1,603 ,143 11,204 ,000
The dependent variable is ln(Y).
Model Summary
Sum of
Squares df Mean S quare F Sig.
Regres sion 86,240 1 86,240 6357,625 ,000
Residual ,190 14 ,014
Total 86,429 15
The independent variable is X.
Rezolvare:
1. Ecuaţia estimată a modelului putere este:
0 ,960
YX = 1,603 ⋅ X
3. Analiza de corelaţie
4.3. Modele polinomiale
a. Modelul parabolic: cel mai simplu model polinomial este
modelul parabolic (Quadratic).
Y = β 0 + β1 ⋅ X + β 2 ⋅ X + ε 2
La nivelul eşantionului:
2
YX = b0 + b1 ⋅ X + b2 ⋅ X
În economie, modelul polinomial este folosit pentru
descrierea relaţiei dintre costul unitar şi producţia realizată:
costul unitar scade concomitent cu creşterea producţiei până
la un nivel optim al producţiei, după care, dacă producţia
continuă să crească, începe să crească şi costul unitar.
Exemplu
Cost unitar
50.00 Observed
Quadratic
40.00
30.00
20.00
10.00
Productia
Exemplu
În studiul legăturii dintre costul unitar şi producţia
unui bun (sute bucăţi), înregistrate pentru un
eşantion de firme, s-au obţinut următoarele rezultate:
Exemplu
Coeffi cients
Unstandardized St andardiz ed
Coeffic ient s Coeffic ient s
B St d. E rror Beta t Sig.
Produc tia -25.795 3.895 -5. 322 -6. 623 .000
Produc tia ** 2 2.114 .351 4.842 6.026 .001
(Const ant) 89.041 9.231 9.646 .000
Exemplu
Model Summary
ANOV A
Sum of
Squares df Mean S quare F Sig.
Regres sion 1091.326 2 545.663 27.133 .001
Residual 140.774 7 20.111
Total 1232.100 9
The independent variable is Productia.
Interpretare:
β2>o, deci legătura de tip parabolic admite un punct de
minim.
Y = β 0 + β1 ⋅ X + β 2 ⋅ X + β 3 ⋅ X + ε
2 3
80
60
40
20
PIB / loc
Coefficients
Unstandardized Standardized
Coefficients Coefficients
B Std. Error Beta t Sig.
PIB 2,931 ,071 1,197 41,218 ,000
PIB ** 2 -3,9E-007 ,000 -,361 -4,932 ,000
PIB ** 3 7,73E-014 ,000 ,165 . .
(Constant) -3962,660 11506,083 -,344 ,737
4.4. Modele de regresie neliniară multiplă.
Modelul putere
a. Forma generală a modelului:
Y = β 0 ⋅ X 1 β1 ⋅ X 2 β 2 ⋅ ⋅ X p β p ⋅ eε
Ecuaţia se liniarizează prin logaritmare:
ln Y = ln β0 + β1 ⋅ ln X 1 + β 2 ⋅ ln X 2 + + β p ⋅ ln X p + ε
Interpretare:
ln Y = ln β 0 + X ⋅ ln β1 + ε
Parametrii modelului:
- β0 este valoarea lui Y pentru X=0. Variabila Y are
numai valori pozitive, deci β0 satisface condiţia β0
>0.
- β1 arată variaţia medie procentuală a lui Y la o
variaţie absolută a lui X cu o unitate. Reprezintă
rata de creştere sau reducere a variabilei Y în raport
cu variabila X.
Observaţii:
- Dacă β1>1, atunci legătura dintre cele două variabile
este directă.
ln b0 ∑ x i + ln b1 ∑ x i2 = ∑ x iln y i
n∑ xi ln yi − ∑ xi ∑ ln yi
ln b1 = ;
n∑ xi2 − (∑ xi )
2
ln b0 = ∑ ln yi ∑ 2
xi − ∑ xi ∑ xi ln yi
n∑ 2
xi − (∑ xi )2
Valorile estimaţiilor b0 şi b1 sunt prezentate în output-ul
Coefficients, coloana Unstandardized Coefficients.
Interpretare
Unstandardized St andardiz ed
Coeffic ients Coeffic ients
B St d. E rror Beta t Sig.
X 1.139 .039 2.488 29.566 .000
(Const ant) 15.175 2.726 5.568 .011
The dependent variable is ln(Y).
Rezolvare:
Ecuaţia estimată a legăturii dintre cele două
variabile este:
y xi = 15 ,175 ⋅ 1,139 xi
β 0 + β 1 ⋅ X +ε
Y =e
ln Y = β 0 + β 1 ⋅ X + ε
II. Modelul Growth (de creştere)
Parametrii modelului:
Unstandardized St andardiz ed
Coeffic ients Coeffic ients
B St d. E rror Beta t Sig.
X .130 .034 .912 3.843 .031
(Const ant) 2.720 .180 15.142 .001
The dependent variable is ln(Y).
Ecuaţia estimată a legăturii dintre cele două variabile este:
Y X = e 2 ,72 +0 ,13⋅ X
lnYX=2,72+0.13X
III. Modelul exponenţial
Y = β 0 ⋅ e β1 X ⋅ eε
Ecuaţia se liniarizează prin logaritmare:
ln Y = ln β 0 + β 1 ⋅ X + ε
III. Modelul exponenţial
Parametrii modelului:
Coeffi cients
Unstandardized St andardiz ed
Coeffic ients Coeffic ients
B St d. E rror Beta t Sig.
X .130 .034 .912 3.843 .031
(Const ant) 15.175 2.726 5.568 .011
The dependent variable is ln(Y).
Ecuaţia estimată:
Y X = 15 ,175 ⋅ e 0 ,13 X
Interpretare:
La o creştere a investiţiilor cu o mie de lei,
producţia creşte, în medie, cu 13%.
a.2 Modele cu variabila independentă logaritmată
Modelul Logarithmic
Y = β 0 + β 1 ⋅ ln X + ε
Coefficients
Unstandardized Standardized
Coefficients Coefficients
B Std. Error Beta t Sig.
ln(X) 20.535 3.396 .961 6.047 .009
(Constant) -1.799 5.388 -.334 .760
Ecuaţia estimată a legăturii dintre cele două variabile este:
Y X = −1,799 + 20 ,535 ⋅ ln X
Interpretare:
La o creştere a investiţiilor cu 1 % producţia creşte, în
medie, cu 0,20535 mil. lei (20,535/100).
b. Modelul de tip putere (Power) (log-liniar)
1. Forma generală a modelului:
β1 ε
Y = β0 ⋅ X ⋅e
ln Y = ln β 0 + β1 ⋅ ln X + ε
În modelul putere, parametrul β1 este elasticitatea variabilei
dependente Y în raport cu variabila independentă X.
n ln b0 + b1 ∑ ln x i = ∑ ln y i , i = 1, n
2
ln b0 ∑ ln x i + b1 ∑ (ln x i ) = ∑ln x iln y i
3. Testarea semnificaţiei parametrilor
4. Exemplu
În urma prelucrării datelor privind valoarea
producţiei industriale (mil. lei) şi nivelul
investiţiilor nete din industrie (mii lei) în România,
în perioada 1990-2010, s-au obţinut următoarele
rezultate:
Coeffi cients
Unstandardized St andardiz ed
Coeffic ient s Coeffic ient s
B St d. E rror Beta t Sig.
ln(X) ,960 ,012 ,999 79,735 ,000
(Const ant) 1,603 ,143 11,204 ,000
The dependent variable is ln(Y).
Model Summary
Sum of
Squares df Mean S quare F Sig.
Regres sion 86,240 1 86,240 6357,625 ,000
Residual ,190 14 ,014
Total 86,429 15
The independent variable is X.
Rezolvare:
1. Ecuaţia estimată a modelului putere este:
0 ,960
YX = 1,603 ⋅ X
3. Analiza de corelaţie
4.3. Modele polinomiale
a. Modelul parabolic: cel mai simplu model polinomial este
modelul parabolic (Quadratic).
4.3. Modele polinomiale
a. Modelul parabolic: cel mai simplu model polinomial este
modelul parabolic (Quadratic).
Y = β 0 + β1 ⋅ X + β 2 ⋅ X + ε 2
La nivelul eşantionului:
2
YX = b0 + b1 ⋅ X + b2 ⋅ X
În economie, modelul polinomial este folosit pentru
descrierea relaţiei dintre costul unitar şi producţia realizată:
costul unitar scade concomitent cu creşterea producţiei până
la un nivel optim al producţiei, după care, dacă producţia
continuă să crească, începe să crească şi costul unitar.
Exemplu
Cost unitar
50.00 Observed
Quadratic
40.00
30.00
20.00
10.00
Productia
Exemplu
În studiul legăturii dintre costul unitar şi producţia
unui bun (sute bucăţi), înregistrate pentru un
eşantion de firme, s-au obţinut următoarele rezultate:
Exemplu
Coeffi cients
Unstandardized St andardiz ed
Coeffic ient s Coeffic ient s
B St d. E rror Beta t Sig.
Produc tia -25.795 3.895 -5. 322 -6. 623 .000
Produc tia ** 2 2.114 .351 4.842 6.026 .001
(Const ant) 89.041 9.231 9.646 .000
Exemplu
Model Summary
ANOV A
Sum of
Squares df Mean S quare F Sig.
Regres sion 1091.326 2 545.663 27.133 .001
Residual 140.774 7 20.111
Total 1232.100 9
The independent variable is Productia.
Interpretare:
β2>o, deci legătura de tip parabolic admite un punct de
minim.
Y = β 0 + β1 ⋅ X + β 2 ⋅ X + β 3 ⋅ X + ε
2 3
80
60
40
20
PIB / loc
Exemplu:
Coefficients
Unstandardized Standardized
Coefficients Coefficients
B Std. Error Beta t Sig.
PIB 2,931 ,071 1,197 41,218 ,000
PIB ** 2 -3,9E-007 ,000 -,361 -4,932 ,000
PIB ** 3 7,73E-014 ,000 ,165 . .
(Constant) -3962,660 11506,083 -,344 ,737
4.4. Modele de regresie neliniară multiplă.
Modelul putere
a. Forma generală a modelului:
Y = β 0 ⋅ X 1 β1 ⋅ X 2 β 2 ⋅ ⋅ X p β p ⋅ eε
Ecuaţia se liniarizează prin logaritmare:
ln Y = ln β0 + β1 ⋅ ln X 1 + β 2 ⋅ ln X 2 + + β p ⋅ ln X p + ε
Interpretare: