Cursuri Econometrie

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.
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;
 20% - evaluare la seminar;
 40% - examen final din materia temelor 4 și 5.

1. Introducere
1.1. Termenul de econometrie
1.2. Obiectul de studiu al econometriei
1.3. Metoda de lucru
1.4. Scopul econometriei
1.5. Scurt istoric

1. 1. Termenul de econometrie
Termenul econometrie a fost introdus în anul 1926 de către
economistul norvegian R. Frisch prin analogie cu termenul
„biometrie” (cercetări biologice cu ajutorul statisticii şi
matematicii), utilizat de Galton şi Pearson.
 Econometria este o disciplină care s-a conturat ca o sinteză

între economie, matematică şi statistică.
1.2. Obiectul de studiu al econometriei
 Pe baza datelor din economie, econometria construieşte
modele (expresii cantitative) pentru realităţile economice
studiate care au un corespondent în teoriile economice.
 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).
 Laboratoarele biometrice engleze

- sfârşitul sec. al XIX-lea şi începutul sec. al XX-lea (F.
Galton, K. Pearson, R.A: Fisher, F.Y. Edgeworth).
 Societatea de econometrie
La 29 decembrie 1930, la Cleveland (S.U.A.) a fost
întemeiată “Societatea de Econometrie”, instituţie care a
creat şi promovat termenul de “econometrie”.
Dintre membrii societăţii, menţionăm: Irving Fisher, R.
A. Fisher, Jan Timbergen, R. Frisch (primul preşedinte al
societăţii) ş.a.
2. Demersul metodologic al econometriei
2.1. Modelul econometric
Modelul este o schemă simplificată a realităţii studiate.
a. Forma generală a modelului:

Modelul econometric este o ecuaţie sau un sistem de ecuaţii
construit pe baza variabilelor statistice.
b. Variabile statistice
În cercetarea econometrică se utilizează variabile statistice

între care, în mod logic, există relaţii de interdependenţă.
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
- variabilele reziduale sau eroare. De regulă, aceste variabile

apar în model ca sumă a tuturor influenţelor necunoscute sau
care nu apar explicit în model. În cercetarea econometrică,
variabila eroare este o variabilă aleatoare care respectă
anumite proprietăţi, numite şi ipoteze clasice. Se notează cu ε.
Y=f(X)+ ε (forma generală)

Exemplu: un model de regresie liniară simplă poate fi
exprimat astfel:
Y= βo+β1X+ε.
c. Parametri-estimaţii-estimatori
 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);
2. modele de regresie probabiliste (stochastice): Y=f(X) +ε.

b. După numărul factorilor de influenţă (X):
1. modele de regresie simplă
- variabila Y este explicată printr-un singur factor determinant
(X).
Exemplu: funcţia de consum (consum-venituri).
2. modele de regresie multiplă

- variabila Y este explicată de doi sau mai mulţi factori (Xi).
Exemplu: funcţia de producţie Q=f(L,K)+ε,
unde: Q - producţia
L - factorul muncă
K – capitalul
c. După forma legăturii dintre variabile:

1. modele de regresie liniară – dacă Y este o funcţie liniară de
variabila sau variabilele explicative;
;
Y = β 0 + β1 X + ε Y = β0 + βi X i + ε
2. modele de regresie neliniară
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
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
 Natura datelor: variabile numerice.
 Obiectivele analizei de regresie: studiul legăturilor

dintre fenomene şi folosirea modelului în scop
predictiv.
 Corelaţie: intensitatea legăturii (legătura dintre

variabile este puternică sau slabă).
4
2.2. Forma generală a modelului
de regresie liniară simplă
A. Identificarea pe cale grafică a formei legăturii dintre
variabile:
5
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
- O valoare pozitivă arată o legătură directă dintre X și Y
- O valoare negativă arată o legătură inversă dintre X și Y
Valoarea pantei arată cu cât variază, în medie, nivelul lui Y la o

creștere cu o unitate a lui X.
8
2.3. Ipoteze clasice
 Normalitatea, homoscedasticitatea și autocorelarea
erorilor;
 Multicoliniaritatea.
(tratate în ultimul capitol)
Dacă se admite ipoteza ε i ~ N ( 0 ,σ 2 ) , atunci variabila

dependentă este o variabilă aleatoare normal
distribuită de forma: Y ~ N ( β 0 + β 1 X ;σ 2 )
9
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
 Estimarea reprezintă procedeul de determinare a

unui parametru al unei populaţii (β0, β1) pe baza
datelor înregistrate la nivelul unui eşantion.
 Se poate realiza prin:
1. estimare punctuală.
2. estimare prin interval de încredere (IC).
11
∑ i ) min
(
i
e 2
12
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:
∂2S ∂2S ∂2S

∂b0
2
= 2 n;
∂b0 ∂b1
= 2 ∑
i
xi ;
∂b1
2
= 2 ∑
i
x 2
i .
Matricea derivatelor 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
A.- Parametrul β0 βˆ0 ~ N ( β 0 , σ β2ˆ ) 0
∑i
x 2
M ( βˆ0 ) = β 0 ; V ( βˆ0 ) = σ β2ˆ = i

⋅ σ 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
unde: α este un nivel al probabilităţii cuprins

între zero şi unu (numit şi risc asumat; de regulă,
egal cu 0,05 sau 5%).
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;
▪ t α/2,n-2 este o valoare a statisticii t Student care se

citeşte pentru un risc α (de regulă, egal cu 0,05) şi
(n-2) grade de libertate (df).
Obs.: df=n-k, unde k este numărul de parametri ai
modelului. 24
s este o estimație a abaterii standard a estimatorului acestui parametru (Std. Error)
∑ 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
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
 Obiectiv: studiul intensităţii legăturii dintre
variabile.
2.5.1 Indicatori de corelaţie:

1. Coeficientul de corelaţie
2. Raportul de determinaţie
3. Raportul de corelaţie
32
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
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
 măsoară gradul de corelaţie dintre variabile şi
calitatea ajustării norului de puncte prin dreapta de
regresie (goodness of fit).
 ecuaţia de analiză a variaţiei:

Variaţia totală = Variaţia explicată + Variaţia
reziduală sau
VT=VE +VR
37
38
∑ ( yx − y )
2
2 i VE VR
η = = = 1−
∑ ( yi − y )
2
VT VT
i
39
 Domeniul de variaţie
 Interpretare
 Estimarea raportului de determinaţie
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
 ESS este estimaţia variaţiei explicate;

 RSS este estimaţia variaţiei reziduale;
 TSS este estimaţia variaţiei totale.
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.
 pentru modelul de regresie liniară simplă:

ρ2=η2 şi r2=R2.
43
(
∑ 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
Adjusted Std. Error of

Model R R Square R Square the Estimate
1 .943a .889 .853 1.03755
a. Predictors: (Constant), Pret
46
Exemplu
ANOV Ab
Sum of
1 Regres sion 25.970 1 25.970 24.125 .016a
Residual 3.230 3 1.077
Total 29.200 4
47
2.6 Testarea parametrilor modelului
 Ipoteze statistice
 Calculul statisticii test
 Regula de decizie
 Interpretare
48
Exemplu
49
Exemplu
50
Pe baza datelor din output-ul de mai sus, se cere:
1. Să se testeze semnificaţia parametrului β0

2. Să se testeze semnificaţia parametrului β1 , pentru
un risc de 5%.
51
2.7 Testarea modelului de regresie
 Ipoteze
Ho: β0= 0; β1= 0
H1: β0 # 0; β1# 0
ESS
Fcalc = k −1
RSS
n−k
52
Dacă F > F , atunci se

calc α , k −1, n − k
respinge ipoteza Ho, cu o probabilitate de 1 − α
53
Exemplu
54
Exemplu
55
2.8. Testarea indicatorilor de corelaţie
a) Testarea coeficientului de corelaţie
 Statistica test
 Decizie
56
Exemplu
57
Exemplu
ANOV Ab
Sum of
1 Regres sion 25.970 1 25.970 24.125 .016a
Residual 3.230 3 1.077
Total 29.200 4
58
b) Testarea raportului de corelaţie
 Statistica test
 Decizie
c) Testarea raportului de determinaţie
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
 Metoda celor mai mici pătrate:
(
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
2. Pentru acest model de regresie prin origine, R2 poate

fi negativ. În literatură există un alt indicator:
2
∑ ( xi y i )
r2 = i
2 2
∑ xi ∑ y i
i 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
2.7. Aplicaţii
3

predictiv.

4
variabile:
5
M ( Y / X = xi ) = β o + β 1 ⋅ xi
iar modelul este:
6
Y = β 0 + β1 ⋅ X + ε
7

8
erorilor;

9
regresie în SPSS
10

11
∑ i ) min
(
i
e 2
12
engleză):
2
i (
S = ∑ e = ∑ yi − y xi ) = ∑ (y − b
2
i o − b1 ⋅ xi ) = min
2
i i i
13
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:
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
∂2S ∂2S ∂2S

∂b0
2
= 2 n;
∂b0 ∂b1
= 2 ∑
i
xi ;
∂b1
2
= 2 ∑
i
x 2
i .
n
 ∑x
i
i 

 
 ∑ xi ∑i xi 
2
 i
16
definite:
2
 
n∑ x −  ∑ xi  = n ⋅ σ > 0
2
i
2
i  i 
17
şi sunt:
repartiţie);
 eficienţi.
18
∑i
x 2
M ( βˆ0 ) = β 0 ; V ( βˆ0 ) = σ β2ˆ = i

⋅ σ 2
n ⋅ ∑ (xi − x )
0 2 ε
19
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
βˆ0 − β 0
t=
sβˆ
0
21
βˆ0 − β 0
P (−tα / 2 ≤ ≤ +tα / 2 ) = 1 − α
sβˆ
0

22
b0 − β 0
P( −tα / 2 ≤ ≤ +tα / 2 ) = 1 − α
s βˆ
0
23
[b ± t
0 α / 2 ;n − 2 ⋅ s βˆ
0
]
unde:

modelului. 24
∑ 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
[b ± t
1 α |2 ;n − 2 ⋅ sβˆ
1
]
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
5 15
7 12
9 13
11 10
14 8
29
30
Exemplu:
n=5, se cere:
variabile;
variabile;
31
variabile.

32
cov( X , Y )
∑ (x i − µ X ) ⋅ ( yi − µY )
ρ= = i
σX
ρ = β1 ⋅
σY
• Interpretare 33
σX
ρ = β1 ⋅
σY
•Domeniul de variaţie
• Interpretare
34
Observaţie:
35
Exemplu
36

reziduală sau
VT=VE +VR
37
38
∑ ( yx − y )
2
2 i VE VR
η = = = 1−
∑ ( yi − y )
2
VT VT
i
39
 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
1 Regres sion 25.970 1 25.970 24.125 .016a
Residual 3.230 3 1.077
Total 29.200 4
42
Observaţii:

ρ2=η2 şi r2=R2.
43
(
∑ xy − y )2
2 i VE VR
η= η = = = 1−
∑ ( yi − y )
2
VT VT
i
44
∑ (y x )
2
−y
2 i
i
ESS RSS
R= R = = = 1−
∑ ( yi − y )
2
TSS TSS
i
45
Model Summary

1 .943a .889 .853 1.03755
46
Exemplu
ANOV Ab
Sum of
1 Regres sion 25.970 1 25.970 24.125 .016a
Residual 3.230 3 1.077
Total 29.200 4
47
 Interpretare
48
Exemplu
49
Exemplu
50

un risc de 5%.
51
 Ipoteze
Ho: β0= 0; β1= 0
H1: β0 # 0; β1# 0
ESS
Fcalc = k −1
RSS
n−k
52

53
Exemplu
54
Exemplu
55
 Statistica test
 Decizie
56
Exemplu
57
Exemplu
ANOV Ab
Sum of
1 Regres sion 25.970 1 25.970 24.125 .016a
Residual 3.230 3 1.077
Total 29.200 4
58
 Statistica test
 Decizie
59
Exemplu
60
Exemplu
61
Y = β1 ⋅ X + ε
(
i i i
62
∂S
= 2 ⋅ ∑ ( y i − b1 ⋅ xi ) ⋅ ( − xi ) = 0
∂b1
2
b1 ⋅ ∑ xi = ∑ xi y i
63
Probleme:
i

2
∑ ( xi y i )
r2 = i
2 2
∑ xi ∑ y i
i i
64
Observaţii:
coeficient).
65
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:
Cheltuieli de publicitate.
ECONOMETRIE
1
Planul cursului
1. Introducere
2
2.7. Aplicaţii
3

predictiv.

4
variabile:
5
M ( Y / X = xi ) = β o + β 1 ⋅ xi
iar modelul este:
6
Y = β 0 + β1 ⋅ X + ε
7

8
erorilor;

9
regresie în SPSS
10

11
∑ i ) min
(
i
e 2
12
engleză):
2
i (
S = ∑ e = ∑ yi − y xi ) = ∑ (y − b
2
i o − b1 ⋅ xi ) = min
2
i i i
13
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:
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
∂2S ∂2S ∂2S

∂b0
2
= 2 n;
∂b0 ∂b1
= 2 ∑
i
xi ;
∂b1
2
= 2 ∑
i
x 2
i .
n
 ∑x
i
i 

 
 ∑ xi ∑i xi 
2
 i
16
definite:
2
 
n∑ x −  ∑ xi  = n ⋅ σ > 0
2
i
2
i  i 
17
şi sunt:
repartiţie);
 eficienţi.
18
∑i
x 2
M ( βˆ0 ) = β 0 ; V ( βˆ0 ) = σ β2ˆ = i

⋅ σ 2
n ⋅ ∑ (xi − x )
0 2 ε
19
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
βˆ0 − β 0
t=
sβˆ
0
21
βˆ0 − β 0
P (−tα / 2 ≤ ≤ +tα / 2 ) = 1 − α
sβˆ
0

22
b0 − β 0
P( −tα / 2 ≤ ≤ +tα / 2 ) = 1 − α
s βˆ
0
23
[b ± t
0 α / 2 ;n − 2 ⋅ s βˆ
0
]
unde:

modelului. 24
∑ 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
[b ± t
1 α |2 ;n − 2 ⋅ sβˆ
1
]
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
5 15
7 12
9 13
11 10
14 8
29
30
Exemplu:
n=5, se cere:
variabile;
variabile;
31
variabile.

32
cov( X , Y )
∑ (x i − µ X ) ⋅ ( yi − µY )
ρ= = i
σX
ρ = β1 ⋅
σY
• Interpretare 33
Observaţie:
34
Exemplu
35

reziduală sau
VT=VE +VR
36
∑ ( yx − y )
2
2 i VE VR
η = = = 1−
∑ ( yi − y )
2
VT VT
i
37
 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
1 Regres sion 25.970 1 25.970 24.125 .016a
Residual 3.230 3 1.077
Total 29.200 4
40
Observaţii:

ρ2=η2 şi r2=R2.
41
(
∑ xy − y )2
2 i VE VR
η= η = = = 1−
∑ ( yi − y )
2
VT VT
i
42
∑ (y x )
2
−y
2 i
i
ESS RSS
R= R = = = 1−
∑ ( yi − y )
2
TSS TSS
i
43
Model Summary

1 .943a .889 .853 1.03755
44
Exemplu
ANOV Ab
Sum of
1 Regres sion 25.970 1 25.970 24.125 .016a
Residual 3.230 3 1.077
Total 29.200 4
45
 Interpretare
46
Exemplu
47
Exemplu
48

un risc de 5%.
49
 Ipoteze
Ho: β0= 0; β1= 0
H1: β0 # 0; β1# 0
ESS
Fcalc = k −1
RSS
n−k
50

51
Exemplu
52
Exemplu
53
 Statistica test
 Decizie
54
Exemplu
55
Exemplu
ANOV Ab
Sum of
1 Regres sion 25.970 1 25.970 24.125 .016a
Residual 3.230 3 1.077
Total 29.200 4
56
 Statistica test
 Decizie
57
Exemplu
58
Exemplu
59
Y = β1 ⋅ X + ε
(
i i i
60
∂S
= 2 ⋅ ∑ ( y i − b1 ⋅ xi ) ⋅ ( − xi ) = 0
∂b1
2
b1 ⋅ ∑ xi = ∑ xi y i
61
Probleme:
i

2
∑ ( xi y i )
r2 = i
2 2
∑ xi ∑ y i
i i
62
Observaţii:
coeficient).
63
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:
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.
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).
ECONOMETRIE
Planul cursului
1. Introducere
3.1. Identificarea modelului
- presupune reprezentarea punctelor (yi, xi).
- dacă toate legăturile sunt liniare, atunci regresia multiplă este
liniară.
3.2. Prezentarea modelului
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:
YX = 0 ,284 + 0 ,092 ⋅ X 1 + 0 ,041 ⋅ X 2 + 0 ,022 ⋅ X 3

2. În studiul legăturii dintre consumul anual pentru un produs
(kg/pers.), preţul produsului (cenţi/kg) şi venitul anual
disponibil (mii euro), s-a obţinut următorul model de
regresie estimat:
YX = 37 ,54 − 0 ,88 ⋅ X 1 + 11,9 ⋅ X 2

3.3. Ipoteze
 normalitatea erorilor;
 homoscedasticitate;
 autocorelarea erorilor;
 lipsa coliniarităţii.
 Ecuaţia estimată a modelului de regresie este:
y x = b0 + b1 x1 + b2 x 2 + ...b p x p
Estimarea parametrilor modelului de regresie liniară multiplă

se realizează prin MCMMP.
Dacă punem condiţia de minim:
2 2
S = ∑(yi − y xi ) = ∑(yi − b0 − b1 x1i − b2 x2i − ... − b p x pi ) = minim
De exemplu, în cazul unui model cu 2 variabile independente

se obţine sistemul de ecuaţii:

nb0 + b1 ∑ x1i + b2 ∑ x2i =∑ yi
 i i i
 0 ∑ 1i 1 ∑ 1i + b2 ∑ x1i x2i =∑ yi x1i

2
b x + b x
 i i i i
b ∑ x +b ∑ x x + b ∑ x 2 =∑ y x
 0 i 2i 1 i 1i 2i 2 i 2i i i 2i
a) Estimarea punctuală: bi sunt estimații punctuale ale
parametrilor modelului.
b) Estimarea prin IC: [b ± t

i α / 2; n − k ⋅ sβˆ
i
]
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
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.
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  
 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
 r12.y - coeficientul de corelaţie dintre X1 şi X2, considerând
constantă influenţa lui Y.
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).
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
Interpretare: arată cât la sută din variaţia lui Y depinde de

variaţia simultană a variabilelor factoriale considerate.
c). Raportul de corelaţie multiplă
ESS RSS ∑i
e 2
R= =1 − =1 − i
TSS TSS ∑ i
( y − y ) 2
Măsoară influenţa simultană a variabilelor factoriale asupra

variabilei rezultative.
d). Raportul de determinaţie multiplă ajustat
O estimaţie a raportului de determinaţie multiplă ajustat este:
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
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
a) Coeficientul de corelație bivariată

 Ipoteze statistice H0: ρy1=0
H1: ρy1≠0
 Statistica test - t Student
 Pragul de semnificaţie
 Calculul statisticii test:
 Decizie și interpretare: v=n-2 grade de libertate.

b) Coeficientul de corelație parțială

 Ipoteze statistice H0: ρy1.2=0
H1: ρy1.2≠0
 Alegerea statisticii test - Student
 Alegerea pragului de semnificaţie
 Calculul statisticii test: ry1.2 n - k
tcalculat =
2
1 - ry1.2
 Decizie și interpretare: v=n-k grade de libertate.

c). Raportul de corelație și Raportul de determinație

-se realizează în mod identic ca la modelul de regresie liniară
simplă
(Statistica test Fisher)

3.9. Testarea influenţei marginale a unei variabile
independente
 Atunci când se doreşte testarea influenţei marginale a unei
variabile nou introduse în model sau excluse din model, se
foloseşte un test Fisher.
a) Cazul unei variabile excluse din model

 Prin procedura Backward din SPSS, modelarea se realizează
într-o primă etapă cu toate variabilele independente. Variabilele
care au cea mai mică influenţă sunt eliminate pas cu pas din
modelul de regresie.
independente
Ipoteze statistice
Ho: variabila exclusă din model nu are o influenţă semnificativă
asupra variaţiei variabilei dependente
H1: variabila exclusă din model are o influenţă semnificativă
asupra variaţiei variabilei dependente.
independente
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 (%)
independente
b) Cazul unei variabile nou introduse în model
 Prin procedura Stepwise din SPSS, modelarea presupune

adăugarea, pas cu pas, a variabilelor care au cea mai mare
influenţă asupra variabilei dependente.
Ipoteze
Ho: variabila nou adăugată în model nu are o influenţă
semnificativă asupra variaţiei variabilei dependente
H1: variabila nou adăugată în model are o influenţă
semnificativă asupra variaţiei variabilei dependente.
Model Summary
Change Statistics
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.
 Cel mai mare coeficient în valoare absolută indică cea mai
mare influenţă asupra variabilei dependente, iar semnul
coeficientului arată sensul acestei influenţe.
Exemplu
Coefficients a
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
ECONOMETRIE
Planul cursului
1. Introducere
liniară.
Y = β 0 + β1 X 1 + β 2 X 2 + ... + β p X p + ε
 Interpretare:
egale cu zero.
Exemple:
YX = 0 ,284 + 0 ,092 ⋅ X 1 + 0 ,041 ⋅ X 2 + 0 ,022 ⋅ X 3
arată că la o creștere cu un an a numărului de ani de școală,

salariul crește, în medie, cu 0,092 euro/oră, considerând constantă
influența celorlalte variabile.
regresie estimat:
YX = 37 ,54 − 0 ,88 ⋅ X 1 + 11,9 ⋅ X 2

3.3. Ipoteze
y x = b0 + b1 x1 + b2 x 2 + ...b p x p

2 2


nb0 + b1 ∑ x1i + b2 ∑ x2i =∑ yi
 i i i
 0 ∑ 1i 1 ∑ 1i + b2 ∑ x1i x2i =∑ yi x1i

2
b x + b x
 i i i i
b ∑ x +b ∑ x x + b ∑ x 2 =∑ y x
 0 i 2i 1 i 1i 2i 2 i 2i i i 2i

i α / 2; n − k ⋅ sβˆ
i
]
Exemplu
Coefficients a
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
Exemplu
independente Xi.
parametrul β1, pentru un risc de 0,05.
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.
variabile
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.
Formula de calcul:
ry1 = i i i
  
2
    
2
 n∑ x1i −  ∑ x1i    n∑ yi −  ∑ yi  
2 2
 i  i    i  i  
variabile, considerând influenţa celorlalte variabile
constantă.
Exemplu:
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
Correl ations
Y X1 X2 X3
Sig. (2-tailed) ,003 ,015 ,013
N 15 15 15 15
Sig. (2-tailed) ,003 ,566 ,446
N 15 15 15 15
Sig. (2-tailed) ,015 ,566 ,061
N 15 15 15 15
Sig. (2-tailed) ,013 ,446 ,061
N 15 15 15 15
 coeficientul de corelație parțială: arată corelația dintre Y și X1
este o corelație directă, puternică, considerând constantă
influența lui X2.
Correlations
df 0 12
df 12 0
2ESS RSS ∑i
e 2
R = = 1− 1−
= 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
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).
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
1 Regres sion 16997, 537 3 5665,846 18,290 ,000a
Residual 3407,473 11 309,770
Total 20405, 009 14
Rezolvare.
- arată că 83,3% din variația lui Y depinde de variația simultană a

variabilelor independente (corelație puternică).
ANOV Ab
Sum of
1 Regres sion 16997, 537 3 5665,846 18,290 ,000a
Residual 3407,473 11 309,770
Total 20405, 009 14
H1 : β i ≠ 0
bi
s β̂
i
Exemplu:
 Pentru datele prezentate în output-ul anterior, se cere să se
testeze valoarea parametrului β1, considerând un risc de 0,05.
 Ipoteze
 Statistica test

H1: ρy1≠0


H1: ρy1.2≠0
tcalculat =
2
1 - ry1.2


simplă

independente

independente
Ipoteze statistice
independente
Model Summary
Change Statistics
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
independente

Ipoteze
Model Summary
Change Statistics
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
identifica ordinea importanţei factorilor care au o influenţă
asupra variabilei dependente.
 Cel mai mare coeficient în valoare absolută indică cea mai
mare influenţă asupra variabilei dependente, iar semnul
coeficientului arată sensul acestei influenţe.
Exemplu
Coefficients a
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
ECONOMETRIE
Planul cursului
1. Introducere
liniară.
Y = β 0 + β1 X 1 + β 2 X 2 + ... + β p X p + ε
 Interpretare:
egale cu zero.
Exemple:
YX = 0 ,284 + 0 ,092 ⋅ X 1 + 0 ,041 ⋅ X 2 + 0 ,022 ⋅ X 3
arată că la o creștere cu un an a numărului de ani de școală,

salariul crește, în medie, cu 0,092 euro/oră, considerând constantă
influența celorlalte variabile.
regresie estimat:
YX = 37 ,54 − 0 ,88 ⋅ X 1 + 11,9 ⋅ X 2

3.3. Ipoteze
y x = b0 + b1 x1 + b2 x 2 + ...b p x p

2 2


nb0 + b1 ∑ x1i + b2 ∑ x2i =∑ yi
 i i i
 0 ∑ 1i 1 ∑ 1i + b2 ∑ x1i x2i =∑ yi x1i

2
b x + b x
 i i i i
b ∑ x +b ∑ x x + b ∑ x 2 =∑ y x
 0 i 2i 1 i 1i 2i 2 i 2i i i 2i

i α / 2; n − k ⋅ sβˆ
i
]
Exemplu
Coefficients a
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
Exemplu
independente Xi.
parametrul β1, pentru un risc de 0,05.
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.

variabile
variabile.
 Notații.
Formula de calcul:
ry1 = i i i
  
2
    
2
 n∑ x1i −  ∑ x1i    n∑ yi −  ∑ yi  
2 2
 i  i    i  i  
variabile, considerând influenţa celorlalte variabile constantă.
Exemplu:
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
Correl ations
Y X1 X2 X3
Sig. (2-tailed) ,003 ,015 ,013
N 15 15 15 15
Sig. (2-tailed) ,003 ,566 ,446
N 15 15 15 15
Sig. (2-tailed) ,015 ,566 ,061
N 15 15 15 15
Sig. (2-tailed) ,013 ,446 ,061
N 15 15 15 15
Correlations
df 0 12
df 12 0
2ESS RSS ∑i
e 2
R = = 1− 1−
= 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
regresie cu un număr diferit de parametri.
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
1 Regres sion 16997, 537 3 5665,846 18,290 ,000a
Residual 3407,473 11 309,770
Total 20405, 009 14
H1 : β i ≠ 0
bi
s β̂
i
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
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
Exemplu:
Coefficients a
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
 Ipoteze
 Statistica test

H1: ρy1≠0


H1: ρy1.2≠0
tcalculat =
2
1 - ry1.2


simplă

independente

independente
Ipoteze statistice
excluderea acestei variabile nu modifică capacitatea

explicativă a modelului, deci ”cel mai bun” model este cel fără
această variabilă exclusă.
independente
Model Summary
Change Statistics
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
independente

Ipoteze
Model Summary
Change Statistics
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
identifica ordinea (ierarhia) importanţei factorilor care au o
Interpretare:
Cel mai mare coeficient în valoare absolută indică cea mai mare
influenţă asupra variabilei dependente, iar semnul coeficientului
arată sensul acestei influenţe.
Exemplu
Coefficients a
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
ECONOMETRIE
Planul cursului
1. Introducere
4.1. Tipuri de modele
4.2. Modele liniarizabile
4.3. Modele polinomiale
4.4. Modele neliniare multiple

4.1. Tipuri de modele neliniare
 Putem distinge două mari clase de modele neliniare:
I. Modelele liniarizabile sunt acele modele neliniare care se
pot transforma în modele liniare prin logaritmare sau alte
transformări: modele semi-logaritmice şi modelul putere.
II. Modele polinomiale sunt acele modele care exprimă relaţia

dintre variabilele X şi Y cu ajutorul unui polinom de gradul
2, 3, etc.
a. Modele semi-logaritmice
a.1 Modele cu variabila dependentă logaritmată

I. Modelul Compound (compus)
II. Modelul Growth (de creştere)
III. Modelul exponenţial
a.2 Modele cu variabila independentă logaritmată:

modelul Logarithmic.
a.1 Modele cu variabila dependentă (Y) logaritmată
1. Forma generală a modelului:

X
Y = β 0 ⋅ β1 ⋅ eε
Ecuaţia se liniarizează prin logaritmare:
ln Y = ln β 0 + X ⋅ ln β1 + ε
- 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.
- Dacă 0<β1<1, atunci legătura dintre cele două

variabile este indirectă.
2. Estimarea parametrilor modelului
Se face prin MCMMP: 2
∑ ei = min im
Sistemul de ecuaţii normale:

n ln b0 + ln b1 ∑ xi = ∑ ln yi , i = 1, n
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.
3. Testarea semnificaţiei parametrilor (similar modelului de

regresie liniară)
 Ipoteze
 Interpretare
4. Intensitatea legăturii dintre variabile

Exemplu: raportul de determinaţie (R square).
5. Exemplu
În urma analizei legăturii dintre valoarea investiţiilor (mii lei)

şi valoarea producţiei (mil. lei) înregistrate pe un eşantion de 5
firme, folosind modelul Compound, s-au obţinut următoarele
rezultate:
Coeffi cients
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
Logaritmând ecuaţia de mai sus, se obţine:

lnyxi=ln15,175+xiln1,139=2,719+0,13xi
Interpretare:
- valoarea parametrului β1 arată că la o creştere cu o
mie de lei a investiţiilor (X), producţia (Y) creşte în
medie cu o rată de 0,13 sau cu 13%.
2. Testarea semnificaţiei parametrilor

- pentru parametrul β1, valoarea Sig.=0<0.05, se respinge ipoteza
H0 pentru un risc de 5%.
3. Estimarea şi testarea intensităţii legăturii dintre

variabile (similar modelului de regresie liniară simplă)
 Forma generală a modelului:
β 0 + β 1 ⋅ X +ε
Y =e
ln Y = β 0 + β 1 ⋅ X + ε
- eβ0 este valoarea medie a lui Y pentru X=0.

variaţie absolută a lui X cu o unitate.
Exemplu
În urma analizei legăturii dintre valoarea investiţiilor
(mii lei) şi valoarea producţiei (mil. lei) înregistrate pe
un eşantion de 5 firme, folosind modelul Growth, s-au
obţinut următoarele rezultate:
Coeffi cients
X .130 .034 .912 3.843 .031
(Const ant) 2.720 .180 15.142 .001
Ecuaţia estimată a legăturii dintre cele două variabile este:
Y X = e 2 ,72 +0 ,13⋅ X

lnYX=2,72+0.13X
b0=2,72: arată că pentru X=0, nivelul mediu al lui Y este e2,72

b1=0,13: arată că la o creștere a investițiilor cu o mie de lei,
producția crește (pentru că b1 este mai mare decât zero) în medie
cu o rată de 0,13 sau cu 13%.
Y = β 0 ⋅ e β1 X ⋅ eε
ln Y = ln β 0 + β 1 ⋅ X + ε
- β0 este valoarea medie a lui Y pentru X=0.

Exemplu
Se consideră legătura dintre valoarea investiţiilor (mii lei) şi
valoarea producţiei (mil. lei).
Coeffi cients
X .130 .034 .912 3.843 .031
(Const ant) 15.175 2.726 5.568 .011
 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
 Forma generală a modelului:
Y = β 0 + β 1 ⋅ ln X + ε

- β1 arată variaţia medie absolută a lui Y la o
variaţie procentuală a lui X cu o unitate.
Exemplu
Se consideră legătura dintre valoarea investiţiilor (mii
lei) şi valoarea producţiei (mil. lei).
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)
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.
• Elasticitatea unei variabile Y în raport cu o altă variabilă X

reprezintă modificarea relativă (procentuală) a variabilei Y la
o modificare relativă (procentuală) a lui X cu o unitate.
Elasticitatea poate fi determinată prin relaţia:
∆Y
⋅ 100
% mod if . Y ∆Y X
E= = Y = ⋅
% mod if . X ∆X ∆X Y
⋅ 100
X
 Prin MCMMP
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
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
Coeffic ient s Coeffic ient s
ln(X) ,960 ,012 ,999 79,735 ,000
(Const ant) 1,603 ,143 11,204 ,000
Model Summary

R R Square R Square the Estimate
,999 ,998 ,998 ,116
The independent variable is X.
ANOV A
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
Rezolvare:
1. Ecuaţia estimată a modelului putere este:
0 ,960
YX = 1,603 ⋅ X
Prin logaritmare se obţine:
ln YX = ln 1,603 + 0 ,960 ⋅ ln X = 0 ,472 + 0 ,960 ⋅ ln X

Interpretare:
 Producţia industrială (Y) creşte în medie cu 0,96%, la o
creştere cu 1% a investiţiilor nete în industrie (X).
 Panta dreptei (parametrul β1) reprezintă elasticitatea (E)

investiţiilor în raport cu producţia.
3. Analiza de corelaţie
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
2.00 3.00 4.00 5.00 6.00 7.00 8.00 9.00
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
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

.941 .886 .853 4.484
The independent variable is Productia.
ANOV A
Sum of
Regres sion 1091.326 2 545.663 27.133 .001
Residual 140.774 7 20.111
Total 1232.100 9
Interpretare:
 β2>o, deci legătura de tip parabolic admite un punct de
minim.
 Coordonatele punctului de minim arată nivelul producţiei

optim pentru care costul unitar este minim. Abscisa acestui
punct este:
-b1/2b2=25,79/4,22=6,11. Pentru o producţie de 611 bucăţi
din produsul A, costul este minim.
b. Modelul cubic
Y = β 0 + β1 ⋅ X + β 2 ⋅ X + β 3 ⋅ X + ε
2 3
În economie acest model este folosit pentru descrierea

relaţiei dintre costul total şi valoarea producţiei.
Pentru acest tip de legătură se poate determina punctul de

inflexiune al curbei, prin anularea derivatei de ordinul 2 in X.
Grad de urbanizare (%)
100
80
60
40
20
0 5000 10000 15000 20000 25000
PIB / loc
Coefficients
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
Y = β 0 ⋅ X 1 β1 ⋅ X 2 β 2 ⋅  ⋅ X p β p ⋅ eε
ln Y = ln β0 + β1 ⋅ ln X 1 + β 2 ⋅ ln X 2 +  + β p ⋅ ln X p + ε
Interpretare:
 parametrul β0 este nivelul mediu al lui Y atunci când Xi=1.
 parametrii βi reprezintă elasticitatea variabilei dependente Y

în raport cu variabilele independente Xi.
b. Exemplu din economie
- funcţia de producţie de tip Cobb-Douglas.
b.1. Prezentarea modelului

β1 β2
Y = β 0 ⋅ X 1 ⋅ X 2 ⋅ eε
unde:
Variabilele modelului sunt:
Y este producţia finală sau output-ul;
X1 sunt fondurile fixe, capitalul sau input-ul;
X2 este forţa de muncă (input).
Coeficienţii modelului:
β0 este nivelul mediu al producţiei (Y) când Xi=1.
β1 este elasticitatea parţială a producţiei în raport cu fondurile
fixe sau factorul capital.
β2 este elasticitatea parţială a producţiei în raport cu forţa de

muncă.
(β1+ β2) este elasticitatea totală a producţiei în raport cu cei doi

factori. Această valoare poartă numele de randament de scară.
Interpretare:
 (β1+ β2)<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 scară descrescător);
 (β1_+ β2)>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 scară crescător);
 (β1_+ β2) =1: sporul factorilor de producţie generează
creşterea output-ului în aceeaşi proporţie (randament de scară
constant).
b.2. Exemplu numeric
Să presupunem că, în urma prelucrării datelor privind
valoarea input-urilor (L, forţa de muncă; K, valoarea
capitalului fix) şi a output-urilor obţinute într-un anumit
domeniu de activitate (Y, valoarea producţiei), s-au obţinut
următoarele rezultate:
ln Y = −4 ,28 + 1,35 ⋅ ln L + 0 ,63 ⋅ ln K

R square=0,878.
Interpretare:
- pentru perioada analizată, dacă se consideră constantă
valoarea capitalului fix (K), atunci o creştere cu un procent a
nivelului variabilei L duce la creşterea medie cu 1,35% a
valorii producţiei obţinute.
valoarea forţei de muncă (L), atunci o creştere cu un procent a
valorii capitalului fix (K) duce la creşterea medie cu 0,63% a
- suma elasticităţilor parţiale este egală cu 1,98 ceea ce arată
că, în perioada analizată, procesul de producţie s-a
caracterizat printr-un randament de scară crescător.
- 87,8% din variaţia producţiei este datorată influenţei

simultane a forţei de muncă şi a valorii capitalului fix în
domeniul considerat.
ECONOMETRIE
Planul cursului
1. Introducere
4.1. Tipuri de modele
4.4. Modele neliniare multiple

4.1. Tipuri de modele neliniare
 Putem distinge două mari clase de modele neliniare:
I. Modelele liniarizabile sunt acele modele neliniare care se
pot transforma în modele liniare prin logaritmare sau alte
transformări: modele semi-logaritmice şi modelul putere.
II. Modele polinomiale sunt acele modele care exprimă relaţia

dintre variabilele X şi Y cu ajutorul unui polinom de gradul
2, 3, etc.
a. Modele semi-logaritmice

a.2 Modele cu variabila independentă logaritmată:

modelul Logarithmic.
a.1 Modele cu variabila dependentă (Y) logaritmată

X
Y = β 0 ⋅ β1 ⋅ eε
ln Y = ln β 0 + X ⋅ ln β1 + ε
- β0 este valoarea lui Y pentru X=0. Variabila Y are
numai valori pozitive, deci β0 satisface condiţia β0
>0.
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.
- Dacă 0<β1<1, atunci legătura dintre cele două

variabile este indirectă.
Se face prin MCMMP: 2
∑ ei = min im
Sistemul de ecuaţii normale:

n ln b0 + ln b1 ∑ xi = ∑ ln yi , i = 1, n
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.
3. Testarea semnificaţiei parametrilor (similar modelului de

regresie liniară)
 Ipoteze
 Interpretare
4. Intensitatea legăturii dintre variabile

Exemplu: raportul de determinaţie (R square).
5. Exemplu
În urma analizei legăturii dintre valoarea investiţiilor (mii lei)

şi valoarea producţiei (mil. lei) înregistrate pe un eşantion de 5
firme, folosind modelul Compound, s-au obţinut următoarele
rezultate:
Coeffi cients
X 1.139 .039 2.488 29.566 .000
(Const ant) 15.175 2.726 5.568 .011
Rezolvare:
Ecuaţia estimată a legăturii dintre cele două
variabile este:
y xi = 15 ,175 ⋅ 1,139 xi

lnyxi=ln15,175+xiln1,139=2,719+0,13xi
Interpretare:
- valoarea parametrului β1 arată că la o creştere cu o
mie de lei a investiţiilor (X), producţia (Y) creşte în
medie cu o rată de 0,13 sau cu 13%.

- pentru parametrul β1, valoarea Sig.=0<0.05, se respinge ipoteza
H0 pentru un risc de 5%.
3. Estimarea şi testarea intensităţii legăturii dintre

variabile
β 0 + β 1 ⋅ X +ε
Y =e
ln Y = β 0 + β 1 ⋅ X + ε
- eβ0 este valoarea medie a lui Y pentru X=0.

Exemplu
În urma analizei legăturii dintre valoarea investiţiilor
(mii lei) şi valoarea producţiei (mil. lei) înregistrate pe
un eşantion de 5 firme, folosind modelul Growth, s-au
obţinut următoarele rezultate:
Coeffi cients
X .130 .034 .912 3.843 .031
(Const ant) 2.720 .180 15.142 .001
Ecuaţia estimată a legăturii dintre cele două variabile este:
Y X = e 2 ,72 +0 ,13⋅ X
lnYX=2,72+0.13X
Y = β 0 ⋅ e β1 X ⋅ eε
ln Y = ln β 0 + β 1 ⋅ X + ε

Exemplu
Se consideră legătura dintre valoarea investiţiilor (mii lei) şi
valoarea producţiei (mil. lei).
Coeffi cients
X .130 .034 .912 3.843 .031
(Const ant) 15.175 2.726 5.568 .011
 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
 Forma generală a modelului:
Y = β 0 + β 1 ⋅ ln X + ε

- β1 arată variaţia medie absolută a lui Y la o
variaţie procentuală a lui X cu o unitate.
Exemplu
Se consideră legătura dintre valoarea investiţiilor (mii
lei) şi valoarea producţiei (mil. lei).
Coefficients
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)
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.
• Elasticitatea unei variabile Y în raport cu o altă variabilă X

reprezintă modificarea relativă (procentuală) a variabilei Y la
o modificare relativă (procentuală) a lui X cu o unitate.
Elasticitatea poate fi determinată prin relaţia:
∆Y
⋅ 100
% mod if . Y ∆Y X
E= = Y = ⋅
% mod if . X ∆X ∆X Y
⋅ 100
X
 Prin MCMMP
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
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
ln(X) ,960 ,012 ,999 79,735 ,000
(Const ant) 1,603 ,143 11,204 ,000
Model Summary

,999 ,998 ,998 ,116
ANOV A
Sum of
Regres sion 86,240 1 86,240 6357,625 ,000
Residual ,190 14 ,014
Total 86,429 15
Rezolvare:
1. Ecuaţia estimată a modelului putere este:
0 ,960
YX = 1,603 ⋅ X
Prin logaritmare se obţine:
ln YX = ln 1,603 + 0 ,960 ⋅ ln X = 0 ,472 + 0 ,960 ⋅ ln X

Interpretare:
 Producţia industrială creşte în medie cu 0,96%, la o creştere
cu 1% a investiţiilor nete în industrie.
 Panta dreptei (parametrul β1) reprezintă elasticitatea (E)

investiţiilor în raport cu producţia.
3. Analiza de corelaţie
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
2.00 3.00 4.00 5.00 6.00 7.00 8.00 9.00
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
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

.941 .886 .853 4.484
ANOV A
Sum of
Regres sion 1091.326 2 545.663 27.133 .001
Residual 140.774 7 20.111
Total 1232.100 9
Interpretare:
 β2>o, deci legătura de tip parabolic admite un punct de
minim.
 Coordonatele punctului de minim arată nivelul producţiei

optim pentru care costul unitar este minim. Abscisa acestui
punct este:
-b1/2b2=25,79/4,22=6,11. Pentru o producţie de 611 bucăţi
din produsul A, costul este minim.
b. Modelul cubic
Y = β 0 + β1 ⋅ X + β 2 ⋅ X + β 3 ⋅ X + ε
2 3
În economie acest model este folosit pentru descrierea

relaţiei dintre costul total şi valoarea producţiei.
Pentru acest tip de legătură se poate determina punctul de

inflexiune al curbei, prin anularea derivatei de ordinul 2 in X.
Grad de urbanizare (%)
100
80
60
40
20
0 5000 10000 15000 20000 25000
PIB / loc
Exemplu:
Coefficients
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
Y = β 0 ⋅ X 1 β1 ⋅ X 2 β 2 ⋅  ⋅ X p β p ⋅ eε
ln Y = ln β0 + β1 ⋅ ln X 1 + β 2 ⋅ ln X 2 +  + β p ⋅ ln X p + ε
Interpretare:
 parametrul β0 este nivelul mediu al lui Y atunci când Xi=1.
 parametrii βi reprezintă elasticitatea variabilei dependente Y

în raport cu variabilele independente Xi.
(arată variația medie procentuală a lui Y la o variație
procentuală a lui X cu o unitate, respectiv cu 1%).
b. Exemplu din economie
- funcţia de producţie de tip Cobb-Douglas.
b.1. Prezentarea modelului

β1 β2
Y = β 0 ⋅ X 1 ⋅ X 2 ⋅ eε
unde:
Variabilele modelului sunt:
Y este producţia finală sau output-ul;
X1 sunt fondurile fixe, capitalul sau input-ul;
X2 este forţa de muncă (input).
Coeficienţii modelului:
β0 este nivelul mediu al producţiei (Y) când Xi=1.
β1 este elasticitatea parţială a producţiei în raport cu fondurile
fixe sau factorul capital.
β2 este elasticitatea parţială a producţiei în raport cu forţa de

muncă.
(β1+ β2) este elasticitatea totală a producţiei în raport cu cei doi

factori. Această valoare poartă numele de randament de scară.
Interpretare:
 (β1+ β2)<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 scară descrescător);
 (β1_+ β2)>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 scară crescător);
 (β1_+ β2) =1: sporul factorilor de producţie generează
creşterea output-ului în aceeaşi proporţie (randament de
scară constant).
b.2. Exemplu numeric
Să presupunem că, în urma prelucrării datelor privind valoarea
input-urilor (L, forţa de muncă; K, valoarea capitalului fix) şi a
output-urilor obţinute într-un anumit domeniu de activitate (Y,
valoarea producţiei), s-au obţinut următoarele rezultate:
ln Y = −4 ,28 + 1,35 ⋅ ln L + 0 ,63 ⋅ ln K

R square=0,878.
Interpretare:
valoarea capitalului fix (K), atunci o creştere cu un procent a
nivelului variabilei L duce la creşterea medie cu 1,35% a
valoarea forţei de muncă (L), atunci o creştere cu un procent a
valorii capitalului fix (K) duce la creşterea medie cu 0,63% a
- suma elasticităţilor parţiale este egală cu 1,98 ceea ce arată
că, în perioada analizată, procesul de producţie s-a
caracterizat printr-un randament de scară crescător.
- 87,8% din variaţia producţiei este datorată influenţei

simultane a forţei de muncă şi a valorii capitalului fix în
domeniul considerat.

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

ECONOMETRIE

 20% - evaluare la seminar;

 40% - examen final din materia temelor 4 și 5.

1.2. Obiectul de studiu al econometriei

1.3. Metoda de lucru

1.4. Scopul econometriei

1.5. Scurt istoric

 Econometria este o disciplină care s-a conturat ca o sinteză

 Laboratoarele biometrice engleze

a. Forma generală a modelului:

În cercetarea econometrică se utilizează variabile statistice

- variabilele reziduale sau eroare. De regulă, aceste variabile

Y=f(X)+ ε (forma generală)

2. modele de regresie probabiliste (stochastice): Y=f(X) +ε.

2. modele de regresie multiplă

c. După forma legăturii dintre variabile:

 Natura datelor: variabile numerice.

 Obiectivele analizei de regresie: studiul legăturilor

 Corelaţie: intensitatea legăturii (legătura dintre

Valoarea pantei arată cu cât variază, în medie, nivelul lui Y la o

Dacă se admite ipoteza ε i ~ N ( 0 ,σ 2 ) , atunci variabila

 Estimarea reprezintă procedeul de determinare a

∂2S ∂2S ∂2S

Matricea derivatelor parţiale de ordinul doi:

M ( βˆ0 ) = β 0 ; V ( βˆ0 ) = σ β2ˆ = i

unde: α este un nivel al probabilităţii cuprins

▪ t α/2,n-2 este o valoare a statisticii t Student care se

2.5.1 Indicatori de corelaţie:

 ecuaţia de analiză a variaţiei:

 Estimarea raportului de determinaţie

 ESS este estimaţia variaţiei explicate;

 pentru modelul de regresie liniară simplă:

Adjusted Std. Error of

 Calculul statisticii test

1. Să se testeze semnificaţia parametrului β0

Dacă F > F , atunci se

respinge ipoteza Ho, cu o probabilitate de 1 − α

 Calculul statisticii test

 Calculul statisticii test

c) Testarea raportului de determinaţie

 Metoda celor mai mici pătrate:

2. Pentru acest model de regresie prin origine, R2 poate

 Natura datelor: variabile numerice.

 Obiectivele analizei de regresie: studiul legăturilor

 Corelaţie: intensitatea legăturii (legătura dintre

Valoarea pantei arată cu cât variază, în medie, nivelul lui Y la o

Dacă se admite ipoteza ε i ~ N ( 0 ,σ 2 ) , atunci variabila

 Estimarea reprezintă procedeul de determinare a

∂2S ∂2S ∂2S

Matricea derivatelor parţiale de ordinul doi:

M ( βˆ0 ) = β 0 ; V ( βˆ0 ) = σ β2ˆ = i

unde: α este un nivel al probabilităţii cuprins

▪ t α/2,n-2 este o valoare a statisticii t Student care se

2.5.1 Indicatori de corelaţie:

 ecuaţia de analiză a variaţiei:

 Estimarea raportului de determinaţie

 ESS este estimaţia variaţiei explicate;

 pentru modelul de regresie liniară simplă:

Adjusted Std. Error of

 Calculul statisticii test

1. Să se testeze semnificaţia parametrului β0

Dacă F > F , atunci se

respinge ipoteza Ho, cu o probabilitate de 1 − α