Analiza modelului de regresie multiplă

Se cunosc următoarele date:

Tabelul 1
Nr. Y X1 X2 X3
Observ.
1. 25.4 2 45 77
2. 27.4 1 43 88
3. 23.4 3 43 110
4. 29.4 6 47 101
5. 27.4 7 42 85
6. 32.4 8 41 112
7. 34.4 8 32 88
8. 32.4 5 33 103
9. 34.4 5 41 84
10. 29.4 8 38 119
11. 32.4 4 32 117
12. 34.4 9 31 128
13. 38.4 12 35 130
14. 34.4 7 29 136
Total 435.6 85 532 1478

În baza datelor din Tabelul 1, se cere:

1. De creat şi de specificat modelul liniar general, ce descrie legătura dintre variabile.

2. De scris modelul în formă matricială şi de specificat dimensiunile fiecărei matrice. De
soluţionat modelul.
3. De soluţionat modelul folosind metoda centrării datelor.
4. De calculat estimaţia varianţei erorilor şi abaterilor standard pentru fiecare coeficient.
5. De calculat R 2 şi R 2 , de explicat rezultatele obţinute.
6. Sunt coeficienţii a1 şi a 2 simultan diferiţi de 1 şi -0,5?
7. Sunt coeficienţii a1 şi a 2 semnificativ diferiţi de 1 şi -0,5?
8. De calculat intervalul de încredere pentru varianţa erorilor, dacă probabilitatea cu care
se garantează rezultatele, este de 95%.
9. De determinat, dacă adăugarea variabilelor explicative X 1 şi X 2 , ameliorează semnificativ
calitatea estimaţiei în raport cu X 1 .
10. De determinat, dacă coeficienţii sunt semnificativ diferiţi de 0, iar regresia, global
semnificativă.
11. De calculat previziunea şi intervalul de încredere, pentru următoarele 2 perioade, dacă
X 1 (15)  3 X 2 (16)  6
se cunosc datele: X 2 (15)  24 X 2 (16)  38
X 3 (15)  165 X 3 (16)  170

1
 1. Modelul ce descrie legătura dintre variabile are forma:
y  a0  a1 x1  a2 x2  a3 x3   , unde:

y- variabila de explicat. a0 , a1 , a 2 , a3 - parametrii modelului.

x1 - variabila explicativă 1. x 2 - variabila explicativă 2.
x3 - variabila explicativă 3.  - eroarea de specificare.

În cazul dat avem un model liniar general de regresie multiplă, deoarece în baza datelor
prezentate în tabelul 1, observăm că variabila dependentă (y), este explicată de trei variabile
independente ( x1 , x 2 , x3 ).
Pentru a demonstra că există o legătură între variabile, este necesar să construim norul de
puncte, în ur,a căruia se va observa grafic tipul de legătură şi intensitatea acerstei legături.
Norul de puncte îl construim cu ejutorul pachetului de programe Eviews.

Fig. 1” Legătura dintre x1 şi y”

40

38

36

34

32
Y

30

28

26

24

22
0 2 4 6 8 10 12 14

X1

2
Concluzie: Analizînd graficul obţinut, observăm că în mare majoritate punctele tind spre o
linie dreaptă, cu panta pozitivă, ceea ce semnifică faptul că între variabila independentă x1 şi
y, există o legătură directă, adică la creşterea variabilei x1 , creşte şi variabila y şi invers.

Fig. 2” Legătura dintre x 2 şi y”

40

35

30
Y

25

20
25 30 35 40 45 50

X2

Concluzie: Analizînd graficul obţinut, observăm că în mare majoritate punctele tind spre o
linie dreaptă, cu o pantă negativă , ceea ce semnifică faptul că între variabila independentă
x 2 şi y, există o legătură inversă, adică la creşterea variabilei x 2 , scade valoarea variabilei y
şi invers.

Fig. 3” Legătura dintre x3 şi y”

40

35

30
Y

25

20
60 80 100 120 140

X3

Concluzie: Analizând graficul obţinut, observăm că în mare majoritate la fel, punctele, ca

în celelalte cazuri, tind spre o linie dreaptă, cu panta pozitivă, ceea ce semnifică faptul că

3
 între variabila independentă x3 şi y, există o legătură directă, adică la creşterea variabilei x3 ,
creşte şi variabila y şi invers.

2. În cerinţa precedentă, modelul este scris într-o formă practică, însă în formă matricială
modelul va fi în felul următor:

𝑌(𝑛;1) = 𝑋(𝑛;𝑘+1) ∗ 𝑎(𝑘+1;1) + 𝜀(𝑛;1)

unde:
 25.4  1 2 45 77  1 
     
 27.4  1 1 43 88   a0   2 
 23.4  1     
 ; a   1  ;    3 
3 43 110 a
Y  ; X 
M  M M M M  a M 
 38.4  1   2  
 
   12 35 130  a3    13 
 34.4  1 136  
   7 29  14 

matricele avîmd dimensiunule:

(14;1) (14;4) (4;1) (14;1)

Pentru soluţionarea modelului este nevoie de estimat vectorul compus din parametrii
a0 , a1 , a 2 , a3 . În scopul estimării acestui vector, aplicăm Metoda Celor Mai Mici Pătrate
(MCMMP), care constă în a minimiza suma pătratelor erorilor, adică:
n
min   i2  min  '  min(Y  Xa ) ' (Y  Xa )  min S  min(Y 'Y  Y ' Xa  a ' X 'Y  a ' X ' Xa ) 
a
i 1

 min(Y 'Y  2a ' X 'Y  a ' X ' Xa )

Pentru a minimiza această funcţie în raport cu a , este necesar să calculăm diferenţiala lui S
în raport cu a , în urma acestui raport obţinem relaţia cu ajutorul căreia vom calcula valoare

estimatorului a :

S   
' ' ' ' ' 1
 2 X Y  2 X X a  X X a  X Y  ( X X ) ( X X ) a  ( X ' X ) 1 ( X 'Y ) 
'

a

 a  ( X ' X ) 1 ( X 'Y )

Această soluţie este posibilă dacă matricea pătrată ( X ' X ) , de dimensiunea (4;4), în cazul
nostru este inversabilă. Aceste condiţii le vom rezolva cu ajutorul pachetului de programe
Eviews 10.
4
 Pentru aceasta este nevoie să efectuăm cîţiva paşi:
1) Introducem datele noastre în Eviews 10.
2) Apoi introducem comanda: „genr unu =1”, adică generăm un nou vector.
3) Deschidem, noul vector generat, X 1 , X 2 , X 3 , în grup.
4) Cu ajutorul comenzii „matrix XTR=@transpose(@convert(GX))”, formăm
matricea transpusă.
25.4 2 45 77
27.4 1 43 88
23.4 3 43 110
29.4 6 47 101
27.4 7 42 85
32.4 8 41 112
34.4 8 32 88
32.4 5 33 103
34.4 5 41 84
29.4 8 38 119
32.4 4 32 117
34.4 9 31 128
38.4 12 35 130
34.4 7 29 136
435.6 85 532 1478
5)
În rezultat obţinem matricea X ' :

1 1 1  1 1 
 
2 1 3  12 7 
X' 
45 43 43  35 29 
 
 77 88 110  130 136 


6) Apoi introducem comanda „matrix XPX=XTR*(@convert(GX))”, cu ajutorul

căreia obţinem X ' X :
1 2 45 77 
 
1 1 1  1 1  1 1 43 88   14 85 532 1478 

   110   85 631 3126 11432 
2 1 3  12 7  1 3 43

X 'X 

*
35 29   M M M M   532 3126 20666 68043 
45 43 43
 1  

 77 88 110 130  1478 9392 55275 239790 
130 136  
12 35
  1 
 7 29 136 

5
 C1 C2 C3 C4
R1 14 85 532 1478
R2 85 631 3126 9392
R3 532 3126 20666 55275
R4 1478 9392 55275 160782

6) Cu ajutorul comenzilor: „matrix XINV=@inverse(XPX)”,

„matrix XTY=XTR*(@convert(Y))”, “matrix a=XINV*XTY
”, obţinem matricile, ( X ' X ) 1 , X 'Y :

 14.24209  0.02630  0.20613  0.05851

 
  0.02630 0.01320 0.00119  0.00094
X X 
' 1

 0.20613 0.00119 0.00363 0.00057 
 
  0.05851  0.00094 0.00057 
 0.00040 

C1 C2 C3 C4
Last updated: 10/11/23 - 11:47

R1 14.24210 -0.026303 -0.206132 -0.058519

R2 -0.026303 0.013205 0.001194 -0.000940
R3 -0.206132 0.001194 0.003635 0.000575
R4 -0.058519 -0.000940 0.000575 0.000401

6
  25.4 
 
1 1 1  1 1   27.4   435.6 
   
2 1 3  12 7   23.4   2761 
X 'Y   * 
45 43 43  35 29   M  16330.8 
     
 77 88 110  130 136  38.4   46485.2 

 34.4 
 

C1
Last updated:
10/11/23 - 11:49

435.599999999
R1 9999
R2 2761
R3 16330.8
R4 46485.2

7) Având toate datele necesare le introducem în formulă, pentru a afla


valoarea vectorului a , avem:

 14.24209  0.02630  0.20613  0.05851 

435.6   44.65749 
    
 2761   0.80190 
a  X X  X Y  

' 1 '   0.02630 0.01320 0.00119  0 .00094
* =
  0.20613 0.00119 0.00363 0.00057  16330.8    0.38136
    
  0.05851  0.00094 0.00057  46485.2    0.03713
 0.00040     

8) Ca verificare introducem în EViews 3, comanda: „ls y c x1 x2 x3”, care ne

afişează tabelul complet, cu valoarea coeficienţilor a0 , a1 , a 2 , a3 :
Dependent Variable: Y
Method: Least Squares
Date: 10/11/23 Time: 11:51
Sample: 1 14
Included observations: 14

Variable Coefficient Std. Error t-Statistic Prob.

C 44.65750 9.801002 4.556422 0.0010

X1 0.801901 0.298436 2.687012 0.0228
X2 -0.381362 0.156581 -2.435564 0.0351
X3 -0.037132 0.052023 -0.713768 0.4917

R-squared 0.702687 Mean dependent var 31.11429

Adjusted R-squared 0.613493 S.D. dependent var 4.177385
S.E. of regression 2.597069 Akaike info criterion 4.981600
Sum squared resid 67.44767 Schwarz criterion 5.164188
Log likelihood -30.87120 Hannan-Quinn criter. 4.964698

7
 F-statistic 7.878181 Durbin-Watson stat 3.186886
Prob(F-statistic) 0.005452

Standard Lower Upper Lower Upper

Coefficients Error t Stat P-value 95% 95% 95.0% 95.0%
Intercept 44.657 9.801 4.556 0.001 22.820 66.495 22.820 66.495
X Variable 1 0.802 0.298 2.687 0.023 0.137 1.467 0.137 1.467
X Variable 2 -0.381 0.157 -2.436 0.035 -0.730 -0.032 -0.730 -0.032
X Variable 3 -0.037 0.052 -0.714 0.492 -0.153 0.079 -0.153 0.079

Substituted Coefficients:
=========================
Y = 44.65 + 0.801*X1 - 0.381*X2 - 0.037*X3

Concluzie: În urma calculelor efectuate am obţinut valorile parametrilor, egale cu:

a0  44.65750; a1  o.801901; a 2  0.381362; a3  0.037132, aceleaşi calcule le-am efectuat cu
ajutorul pachetului de programe EViews 10, în rezultat am observat că am obţinut aceleaşi
date, ceea ce denota faptul că calculele au fost effectuate correct. Înlocuind valorile

parametrilor, obţinem modelul: Y  44.65750  0.801901* X 1  0.381362* X 2  0.037132* X 3 .

8
3. Metoda Centrării datelor, la fel ne permite de-a calcula valorile parametrilor
a0 , a1 , a 2 , a3 , la fel ne permite şi de-a verifica corectitudinea calculelor şi a datelor obţinute.

Pentru a calcula valoarea estimatorilor, este necesar să calculăm valoarea

medie a variabilei dependente, Y şi valorile medii a variabilelor independente,
X 1 , X 2 , X 3 . Calculăm mediile conform formulelor:

n n

Y i
435.6 X i
85
Y i 1
  31.11 X1  i 1
  6.07
n 14 n 14

n n

 Xi 532 X i
1478
X2  i 1
  38 X3  i 1
  105.57
n 14 n 14
Datele necesare efectuării calculelor sunt introduse în Tabelul 2.
Tabelul 2
(Yi  Y )
( X 2  X 2 )2 ( X 3  X 3 )2
Nr. Y X1 X2 X3 ( X1  X1 ) (X 2  X 2 ) ( X3  X3) ( X1  X1 ) 2

1 25.4 2 45 77 -4.07 7 -28.57 16.58 49 816.33 -5.71

2 27.4 1 43 88 -5.07 5 -17.57 25.72 25 308.76 -3.71
3 23.4 3 43 110 -3.07 5 4.43 9.43 25 19.61 -7.71
4 29.4 6 47 101 -0.07 9 -4.57 0.01 81 20.90 -1.71
5 27.4 7 42 85 0.93 4 -20.57 0.86 16 423.18 -3.71
6 32.4 8 41 112 1.93 3 6.43 3.72 9 41.33 1.29
7 34.4 8 32 88 1.93 -6 -17.57 3.72 36 308.76 3.29
8 32.4 5 33 103 -1.07 -5 -2.57 1.15 25 6.61 1.29
9 34.4 5 41 84 -1.07 3 -21.57 1.15 9 465.33 3.29
10 29.4 8 38 119 1.93 0 13.43 3.72 0 180.33 -1.71
11 32.4 4 32 117 -2.07 -6 11.43 4.29 36 130.61 1.29
12 34.4 9 31 128 2.93 -7 22.43 8.58 49 503.04 3.29
13 38.4 12 35 130 5.93 -3 24.43 35.15 9 596.76 7.29
14 34.4 7 29 136 0.93 -9 30.43 0.86 81 925.90 3.29
Total 435.6 85 532 1478 0.00 0 0.00 114.93 450.00 4747.43 0.00

Putem reprezenta modelul şi în formă matricială:

  
Y  Y  a1 ( X  X 1 )  a2 ( X  X 2 )  a 3 ( X  X 3 )  (   ) ,
unde:
  
 a1 
   
a   a 2   ( X ' X ) 1 ( X 'Y )
  
 a3 
 

9
 
Pentru a afla valoarea vectorului a , este necesar să calculăm valoarea ( X ' X ) 1 ( X 'Y )
formulei date. Este nevoie să calculăm matricea:


  X1  X1 
2
  X 1  
 X1 * X 2  X 2   X  X *  X
1 1 3 
 X3 
  114.93  104 418.43 
        104 450 
 
X ' X   X 2  X 2 * X1  X1  X  X   X  X *  X X 
2
 889 
 2 2 2 2 3 3  

  
  X 3  X 3 * X1  X1   X  X *  X
3 3 2  X2   X  X  3 3
2
  418.43  889 4747.43 

La
fel
avem nevoie şi de valorile matricelor:

 
 
0.01320 0.00119  0.00094 

  X1  X1 *  Y  Y      116 .29 

X X  ' 1 

0.00119 0.00363 0.00057 
;   
X 'Y    X 2  X 2 *  Y  Y      498.29 
  222 



 0.00094 0.00057 0.00040 


  X3  X3 * Y Y     

  


Avînd rezultatele putem afla valoarea vactorului a , introducem datele obţinute în
formulă:

  
 a1 
   
a   a 2   ( X ' X ) 1 ( X 'Y ) ,
  
 a3 
 
Obţinem valorile estimatorilor a1 , a 2 , a3
   116.29 
     0.801901 

 0.01320 0.00119  0.00094   222   
a *    0.381362
0.00119 0.00363 0.00057   498.29    0.037132
     
  0.00094 0.00057 0.00040   
 

Având aceste valori putem calcula valoarea termenului liber, în baza relației:
        
Y  a0  a1 X 1  a 2 X 2  a 3 X 3  a 0  Y  a1 X 1  a 2 X 2  a3 X 3  a 0  31.11  (0.801901* 6.07) 
 
 (0.381362* 38)  (0.037132*105.57)  a0  31.11  4.8675  14.4918  3.92  a0  44.65750
Înlocuind valorile estimatorilor calculați obținem modelul:

Y  44.65750  0.801901* X 1  0.381362* X 2  0.037132* X 3

Semnificaţia estimatorilor parametrilor de regresie este următoarea:

10
 
Estimatorul a1 :
La creşterea variabilei independente X 1 , cu o unitate, are drept efect creşterea valorii
variabilei dependente Y cu 0.801901 (u.m).

Estimatorul a 2 :
La creşterea variabilei independente X 2 , cu o unitate, are drept efect scăderea valorii
variabilei dependente Y cu 0.381362 (u.m), deoarece are valoare negativă.

Estimatorul a 3 :
La creşterea variabilei independente X 3 , cu o unitate, are drept efect scăderea valorii
variabilei dependente Y cu 0.037132 (u.m), deoarece are valoare negativă.

11
 Datele care au fost utilizate la calcularea matricei sunt intoduse în Tabelul 3, la calcularea acestor matrice folosim
şi datele anterioare, obţinute cu ajutorul pachetului de programe Eviews 3.

Tabelul 3
(X1  X1) * (X1  X1) * (X 2  X 2 ) * (Yi  Y ) * (Yi  Y ) * (Yi  Y ) *

Nr. (Yi  Y ) ( X1  X1 ) (X 2  X 2 ) (X3  X3) (X 2  X 2 ) (X3  X3) (X3  X3) (X1  X1) (X 2  X 2 ) (X 3  X 3 )
1 -5.71 -4.07 7 -28.57 -28.50 116.33 -200.00 23.27 -40.00 163.27
2 -3.71 -5.07 5 -17.57 -25.36 89.11 -87.86 18.84 -18.57 65.27
3 -7.71 -3.07 5 4.43 -15.36 -13.60 22.14 23.69 -38.57 -34.16
4 -1.71 -0.07 9 -4.57 -0.64 0.33 -41.14 0.12 -15.43 7.84
5 -3.71 0.93 4 -20.57 3.71 -19.10 -82.29 -3.45 -14.86 76.41
6 1.29 1.93 3 6.43 5.79 12.40 19.29 2.48 3.86 8.27
7 3.29 1.93 -6 -17.57 -11.57 -33.89 105.43 6.34 -19.71 -57.73
8 1.29 -1.07 -5 -2.57 5.36 2.76 12.86 -1.38 -6.43 -3.31
9 3.29 -1.07 3 -21.57 -3.21 23.11 -64.71 -3.52 9.86 -70.88
10 -1.71 1.93 0 13.43 0.00 25.90 0.00 -3.31 0.00 -23.02
11 1.29 -2.07 -6 11.43 12.43 -23.67 -68.57 -2.66 -7.71 14.69
12 3.29 2.93 -7 22.43 -20.50 65.68 -157.00 9.62 -23.00 73.69
13 7.29 5.93 -3 24.43 -17.79 144.83 -73.29 43.19 -21.86 177.98
14 3.29 0.93 -9 30.43 -8.36 28.26 -273.86 3.05 -29.57 99.98
Total 0.00 0.00 0 0.00 -104.00 418.43 -889.00 116.29 -222.00 498.29

Concluzie: Analizînd datele anterioare, observăm că am obţinut aceleaşi rezultate, ceea ce denotă faptul că am
efectuat corect calculele, prin ambele metode. În cazul dat, atăt prin MCMMP, cît şi prin Metoda centrării
datelor, estimatorii parametrilor de regresie coincid, au aceiaşi valoare.

12
13
4. Efectuăm calculul estimaţiei varianţei erorilor şi abaterii standart pentru fiecare
coeficient.
Calculăm varianţa erorilor conform formulei:
2
 

 2 '
ee  e 2  

Y  Y 

e  
i

n  k 1 n  k 1 n  k 1
Pentru a calcula varianţa erorilor avem evoie de un şir de date, pe care le găsim în
Tabelul 4.

Tabelul 4
 
(Yi  Y ) (Yi  Y ) 2

Nr. Y (Yi  Y ) (Yi  Y ) 2 Y ( e) (e 2 )
1 25.4 -5.71 32.6041 26.2412 -0.8412 0.71
2 27.4 -3.71 13.7641 25.7935 1.6065 2.58
3 23.4 -7.71 59.4441 26.5804 -3.1804 10.11
4 29.4 -1.71 2.9241 27.7949 1.6051 2.58
5 27.4 -3.71 13.7641 31.0976 -3.6976 13.67
6 32.4 1.29 1.6641 31.2783 1.1217 1.26
7 34.4 3.29 10.8241 35.6018 -1.2018 1.44
8 32.4 1.29 1.6641 32.2577 0.1423 0.02
9 34.4 3.29 10.8241 29.9123 4.4877 20.14
10 29.4 -1.71 2.9241 32.1625 -2.7625 7.63
11 32.4 1.29 1.6641 31.3174 1.0826 1.17
12 34.4 3.29 10.8241 35.2998 -0.8998 0.81
13 38.4 7.29 53.1441 36.1058 2.2942 5.26
14 34.4 3.29 10.8241 34.1617 0.2383 0.06
Total 435.6 0 226.8574 435.6049 -0.0049 67.45

Având toate datele necesare, putem calcula varianţa erorilor:

 2
67.45 67.45
e    6.745
14  3  1 10

Pentru a calcula abaterea standard, este nevoie să calculăm matricea varianţelor şi

covarianţelor coeficienţilor de regresie  , în relaţie înlocuim varianţa erorii prin

a

estimatorul său, obţinem:

    2 ( X ' X ) 1
a

Pentru a calcula relaţia este nevoie, doar să înlocuim, matricea inversă, am calculat-
o anterior la fel şi estimatorul varianţei erorii.

14
  14.24209  0.02630  0.20613  0.05851   96.0629  0.1774  1.3903  0.3946 
 a  6.745 *    


  0.02630 0.01320 0.00119  0.00094    0.1774 0.0890 0.0080  0.0063 

  0.20613 0.00119 
0.00363 0.00057    1.3903 0.0080 0.0245 0.0038 
   
  0.05851  0.00094 0.00057 0.00040    0.3946  0.0063 0.0038 0.0027 


Dispersiile coeficienţilor de regresie, le găsim pe diagonala principală a matricei

varianţelor şi covarianţelor, iar radicalul dispersiilor sunt abaterile standard.

 2 
 a  96.0629   a  96.0629  9.8012

0 0

 2 
 a  0.0890   a  0.0890  0.2983

1 1

 2 
 a  0.0245   a  0.0245  0.1565

2 2

 2 
 a  0.0027   a  0.0027  0.0519

3 3

Concluzie: În urma calculelor efectuate am obţinut, varianţa erorilor egală cu

 2  2  2  2
 e  6.745 , iar abaterile standart, egale cu:  a  9.8012 ;  a  0.2983 ;  a  0.1565 ;

0

1

2

 2
 a  0.0519 .

3

5. Calculăm coeficientul de determinaţie, R 2 şi coeficientul de determinaţie „corectat”, R 2 .

Coeficientul de determinaţie, R 2 , îl calculăm conform formulei:

2
 

e 2   Yi  Y  67.45
R 1
2
1 1  0.7027  70.27%
 Y  Y  
 Yi  Y 
2 2
i
226.8574

Concluzie: Coeficientul de determinaţie are valoarea R 2  70.27% , ceea ce exprimă

faptul că 70% din variaţia lui Y, se datorează variaţiei variabilelor independente,
X1, X 2 , X 3 .

Calculăm coeficientul de determinaţie „corectat”, conform formulei:

n 1 14  1
R2  1
n  k 1

* 1 R2  1 
14  3  1
* 1  0.7027  1  0.3861  0.6139

15
 Concluzie: Coeficientul de determinaţie „corectat” are valoarea R 2  0.6139, observăm
că are o valoare mai mică, din cauză că a foet corectat cu gradul de libertate. Acest
coeficient se calculează pentru a ţine cont de numărul relativ slab de observări,
comparat cu numărul de factori explicativi.

6. Verificăm faptul dacă, coeficienţii a1 şi a 2 , sunt simultan diferiţi de 1 şi -0.5.

Pentru a verifica această afirmaţie este nevoie să efectuăm câteva calcule.

Formulăm ipotezele:

 a1   1   a1   1 
H 0 :      H 0 :     
 a 2    0 .5   a 2    0.5 

Se acceptă ipoteza nulă H 0 , în cazul când:

'
1    1   
q   a q  a q  a q   F q, n  k  1

 a q  a
q   

Unde, F  q, n  k  1 este legea Fisher, la pragul de semnificaţie  şi q, n  k  1 , grade

  0.8019 
de libertate. Pentru că avem de testat doi parametri rezultă că, q  2 , a q    ,
  0.38136
   1 
adică valorile estimatorilor a1 , a 2 , calculate anterior şi a q    .
  0 .5 
 1
Avem nevoie şi de valoarea indicatorului,  a q , pe care o calculăm în felul următor:



 0.01320 0.00119  0.0890 0.0080  1  11.5718  3.8026
 a q  6.745 * 

      a q   
 0.00119 0.00363  0.0080 0.0245   3.8026 42.0365 

Având toate datele necesare, determinăm valoarea calculată a testului Fisher, înlocuind
datele în formulă, obţinem:

 11.5718  3.8026  0.80190  1 

* 0.80190  1  0.38136  0.5 * 
1
Fcalc   *    0.6122
2   3.8026 42.0365    0.38136  0.5 

Calculăm valoarea tabelară a testului Fisher:

Ftab  Fq,n  k 1  F20;10
.05
 4.103

16
 Comparăm datele obţinute:
Fcalc  Ftab  0.6122  4.103 , se acceptă ipoteza nulă, conform căreia coeficienţii a1 şi
a 2 , pot fi simultan diferiţi de 1 şi -0.5.

Concluzie: Comparând valoarea calculată cu cea tabelară, observăm că,

Fcalc  Ftab  0.6122  4.103 , ceea ce semnifică faptul ca se acceptă ipoteza nulă,

Adică coeficienţii a1 şi a 2 , nu resping posibilitatea de a fi simultan deferiţi de 1 şi -

0.5.

7. Verificăm dacă coeficienţii a1 şi a 2 , sunt semnificativ diferiţi de 1 şi -0.5, pentru a

verifica această ipoteză este nevoie să efectuăm câţiva paşi.

Efectuăm testarea coeficientului a1 .

1) Formulăm ipotezele:

H 0 : a1  1 H1 : a1  1

2) Determinăm valoarea calculată a testului t-Student, în baza formulei:



a1 0.80190
t a1
calc  
  2.6882
a  0.2983
1

3) Determinăm valoarea tabelară a testului t-Student, în dependenţă de nivelul de

semnificaţie   5%  0.05 şi n-1, grade de libertate.

ttab  t n1  t130.05  2.160

4) Comparăm valorile:

a1
t calc  t130.05  2.6882  2.160 , ceea ce semnifică că se respinge ipoteza nulă şi se acceptă
ipoteza alternativă, adică semnifică faptul că coeficientul a1 , este diferit de 1.


Concluzie: În urma calculelor efectuate am obţinut: t calc

a
 t130.05  2.6882  2.160 , ceea ce
1

denotă faptul că se respinge ipoteza nulă şi se acceptă ipoteza alternativă, semnifică

faptul, că coeficientul a1 , este diferit de 1.

17
 Efectuăm testarea coeficientului a 2 .

1) Formulăm ipotezele:

H 0 : a 2  0.5 H1 : a2  0.5

2) Determinăm valoarea calculată a testului t-student, în baza formulei:



a2  0.38136
t a2
calc  
  2.4368
a  0.1565
2

3) Determinăm valoarea tabelară a testului t-student, în dependenţă de nivelul de

semnificaţie   5%  0.05 şi n-1, grade de libertate.

ttab  t n1  t130.05  2.160

4) Comparăm valorile:

a1
t calc  t130.05  2.4368  2.160 , ceea ce semnifică că se respinge ipoteza alternativă şi se
acceptă ipoteza nulă, adică semnifică faptul că coeficientul a 2 , nu respinge posibilitatea
de-a fi egal cu -0.5.


Concluzie: În urma calculelor efectuate am obţinut: t calca

 t130.05  2.4368  2.160 , ceea ce
1

denotă faptul că se respinge ipoteza alternativă şi se acceptă ipoteza nulă, semnifică

faptul, că coeficientul a 2 , nu respinge posibilitatea de-a fi egal cu -0.5. În concluzie
putem menţiona faptul că coeficienţii a1 şi a 2 , nu sunt semnificativ diferiţi de 1 şi -0.5,
doar coeficientul a1 , este diferit de 1, pe când coeficientul a 2 , nu se respinge
posibilitatea de-a fi egal cu -0.5.

8. Determinăm intervalul de încredere pentru variaţia erorilor, cu o probabilitate de 95%.

Intervalul de încredere a varianţei erorilor permite determinarea varianţei amplitudinii

erorii şi calculăm intervalul de încredere, în baza testului hi-pătrat,  2 ,conform
formulei:

18
   2  2 

IC : 
n  k  1  *  e
;
n  k  1  *  e 
, unde
 12
22 
 


 12 , are (n-k-1), grade de libertate şi (1  ) , pragul de semnificaţie.
2

 22 , (n-k-1), grade de libertate şi , pragul de semnificaţie.
2
Având toate datele necesare, înlocuim în formulă, obţinem:

10 * 6.745 10 * 6.745

IC :  ;  IC : 3.2929;20.7730
 20.483 3.247 

Concluzie: În urma calculelor efectuate, am obţinut intervalul de încredere pentru variaţia

  2 
erorilor fiind: 3.2929   e  20.7730  3.2929  6.745  20.7730 , într-adevăr observăm
 
că valoarea dată este mai mare decât 3.2929 şi mai mică decât 20.7730.

9. Verificăm dacă adăugarea variabilelor independente X 1 , X 2 , ameliorează semnificativ

calitatea estimaţiei, în raport cu X 1 , singur. Adăugarea unor variabile explicative în
model are drept efect creşterea, sumei pătratelor explicative, SPE şi o reducere a sumei
pătratelor reziduale, SPR şi de aceea este nevoie să vedem diferenţa între SPE ( a
modelului cu toate variabilele explicative incluse ) şi SPE ' ( a modelului cu o singură
variabilă explicativă X 1 ) va fi semnificativ pozitivă.
Soluţionăm modelul cu o singură variabilă independentă, X 1 :
Y  a  bx1  e
Estimăm valorile parametrilor modelului în baza metodei centrării datelor, toate datele
necesare calculelor sunt indicate în Tabelul 5.

Tabelul 5
 
(Yi  Y ) *
2  
(X1  X1) Y (Yi  Y ) (Yi  Y )
2
(Y i  Y ) 2
Nr. Y X1 (Yi  Y ) ( X1  X1 ) ( X1  X1) ( e) (e 2 )
1 25.4 2 -5.71 -4.07 23.27 16.58 26.9948 -1.5948 2.54 16.93
2 27.4 1 -3.71 -5.07 18.84 25.72 25.983 1.417 2.01 26.29

19
 3 23.4 3 -7.71 -3.07 23.69 9.43 28.0066 -4.6066 21.22 9.63
4 29.4 6 -1.71 -0.07 0.12 0.01 31.042 -1.642 2.70 0.00
5 27.4 7 -3.71 0.93 -3.45 0.86 32.0538 -4.6538 21.66 0.89
6 32.4 8 1.29 1.93 2.48 3.72 33.0656 -0.6656 0.44 3.82
7 34.4 8 3.29 1.93 6.34 3.72 33.0656 1.3344 1.78 3.82
8 32.4 5 1.29 -1.07 -1.38 1.15 30.0302 2.3698 5.62 1.17
9 34.4 5 3.29 -1.07 -3.52 1.15 30.0302 4.3698 19.10 1.17
10 29.4 8 -1.71 1.93 -3.31 3.72 33.0656 -3.6656 13.44 3.82
11 32.4 4 1.29 -2.07 -2.66 4.29 29.0184 3.3816 11.44 4.37
12 34.4 9 3.29 2.93 9.62 8.58 34.0774 0.3226 0.10 8.81
13 38.4 12 7.29 5.93 43.19 35.15 37.1128 1.2872 1.66 36.03
14 34.4 7 3.29 0.93 3.05 0.86 32.0538 2.3462 5.50 0.89
Total 435.6 85 0 0 116.29 114.93 435.5998 0.0002 109.20 117.66

Calculăm estimatorii după metoda centrării datelor.


Calculăm valoarea estimatorului b , conform formulei:


b
 Y  Y * X  X   116.29  1.0118
i 1 1

 X  X 
2
114.93
1 1


Calculăm valoarea estimatorului a , conform formulei:
 
a  Y  b* X 1  31.11  1.0118* 6.0714  24.9712


În rezultat am obţinut, valoarea estimatorului a  24.9712 şi valoarea estimatorului

b  1.0118.
Pentru a ne convinge de veridicitatea datelor, calculăm cu ajutorul pachetului de
programe Eviews 3, în rezultat obţinem aceleaşi rezultate, cea ce ne demonstrează că
calculele au fost efectuate corect.

20
 Ecuaţia modelului pe care îl
analizăm este:

Y  24.97116  1.011809X 1  e  Y  24.97116  1.011809X 1

Calculăm valoarea sumei pătratelor totale, care reiese din relaţia:

SPT '  SPR '  SPE ' unde,

2 2
 
  
SPR   e    Yi  Y  SPE    Y i  Y 
' 2 '

   

Având datele necesare, înlocuim în relaţie şi obţinem:

SPT '  SPR '  SPE '  SPT '  109.20  117.66  226.86

Este nevoie să testăm ipotezele, testarea o facem cu ajutorul testului Fisher.

Pentru a teste efectuăm următorii paşi:

1). Formulăm ipotezele:

H 0 : a 2  a3  0 H1 : există cel puţin un coeficient diferit de 0.

2). Determinăm valoarea calculată a testului Fishier, în baza formulei:

21
 2
 
SPE
k
  Y i  Y  / k 159.41/ 2 79.74
Fcalc   2
   11.81
SPR  
 67.45 / 10 6.75
n  k 1   i i  /n  k  1
 Y  Y

3). Determinăm valoatea tabelară a testului Fisher:

Ftab  F2;10  F20;10

.05
 4.103

4). Comparăm valorile obţinute:

Fcalc  F20;10
.05
 11.81  4.103 , ceea ce semnifică că se respinge ipoteza nulă şi se
acceptă ipoteza alternalivă, ceea ce semnifică că există o relaţie semnificativă între
variabila dependentă şi variabilele independente.

Concluzie: În urma calculelor efectuate am obţinut: Fcalc  F20;10.05  11.81  4.103 , ceea ce
denotă faptul că se respinge ipoteza nulă şi se acceptă ipoteza alternativă, ceea ce
denotă faptul că adăugarea variabilelor explicative X 1 , X 2 , nu ameliorează semnificativ
calitatea estimaţiei modelului, în raport cu o singură variabilă independentă X 1 .

10. Verificăm dacă coeficienţii sunt semnificativ diferiţi de 0, iar regresia este global
semnificativă. Pentru a verifica această ipoteză, avem nevoie de o variabilă
independentă X, care să influenţeze variabila dependentă, Y, semnificativ.
Trebuie să construim tabelul de analiză al varianţei, deoarece ne permite de-a efectua
testul Fisher.
Tabelul 6
Sursa Suma pătratelor Gradul de Pătrate medii
variaţiei libertate
X1, X 2 , X 3  
2
k 3 SPE 159.41
SPE    Y  Y   159.41 
  k 3
Rezidiu  

2 (n  k  1)  (14  3  1)  10 SPR 67.45
SPR    Yi  Y   67.45 
  (n  k  1) 10
Total 
SPT   Yi  Y 2
 226.86 n  1  14  1  13

Ecuaţia fundamentală de analiză a variaţiei, se calculează în baza relaţiei:

SPT  SPR  SPE  SPT  67.45  159.41  226.86

22
 Efectuăm testarea cu ajutorul testului Fisher, toate datele necesare pentru efectuarea
datelor le avem calculate în exerciţiile interioare, deci putem efectua calculul,
parcurgând paşii:

1. Formulăm ipotezele:

H 0 : a1  a 2  a3 H1 : există cel puţin un coeficient diferit de 0.

2. Determinăm valoarea calculată a testului Fişier, în baza formulei:

Unde, R 2  0.7027 , valoare calculată anterior.

k  3 , testăm în baza a trei coeficienţi a1 ; a 2 ; a3 .
2
 
SPE
k
  Y i  Y  / k R2 / k 0.7027 / 3
  
Fcalc
SPR  

2 2

1  R /n  k  1 1  0.7027 / 10  7.8855
n  k 1   Yi  Y i  /n  k  1

3. Determinăm valoarea tabelară a testului Fisher:

Ftab  F3;10  F30;10

.05
 3.708

4. Comparăm valorile obţinute:

Fcalc  F30;10
.05
 7.8855  3.708 , ceea ce semnifică că se respinge ipoteza nulă şi se
acceptă ipoteza alternativă, ceea ce semnifică că există o relaţie liniară semnificativă
între variabila dependentă Z şi variabilele independente X 1 , X 2 , X 3 şi regresia este
considerată semnificativă.

Concluzie: În urma calculelor efectuate am obţinut: Fcalc  F30;10.05  7.8855  3.708 , ceea ce
denotă faptul că se respinge ipoteza nulă şi se acceptă ipoteza alternativă, ceea ce
demonstrează că, coeficienţii, a1 ; a 2 ; a3 , sunt semnificativ diferiţi de 0, deci regresia este
global semnificativă.

11. Calculăm previziunea şi intervalul de încredere pentru următoarele două perioade, dacă
X 1 (15)  3 X 2 (16)  6
se cunosc datele: X 2 (15)  24 X 2 (16)  38
X 3 (15)  165 X 3 (16)  170

23
Pentru a calcula previziunea pentru următoarele două perioade trebuie datele cunoscute
înlocuite în formulă, obţinem valoarea de previziune pentru aceste perioade. Având
toate datele necesare, putem calcula previziunea pentru aceste perioade.
Previziunea pentru aceste perioade o calculăm în baza formulei:

Y i  a0  a1 X 1  a 2 X 2  a3 X 3

Calculăm previziunea pentru perioada 15:


Y 15  44.6575  (0.8019* 3)  (0.38136* 24)  (0.03713* 165)  31.7841

Calculăm previziunea pentru perioada 16:


Y 16  44.6575  (0.8019* 6)  (0.38136* 38)  (0.03713* 170)  28.6651

Concluzie: În urma calculelor efectuate am obţinut previziunea pentru perioada 15,

valoarea de 31.7841, iar pentru perioada 16, valoarea de 28.6651. În comparaţie cu
perioadele precedente, observăm că nu este un decalaj între valori.

Intervalul de previziune îl calculăm în baza formulei:

 

 
  2 1
Yt  h  Y t  h  t 2
n  k 1 *  e * X t' h X ' X X t h  1

Unde:
 0.05

t n2 k 1  t102  t100.025  2.764 , în baza testului t-Student.

 14.24209  0.02630  0.20613  0.05851

 
  0.02630 0.01320 0.00119  0.00094
X X 
 2
1
 e  6.745 '

 0.20613 0.00119 0.00363 0.00057 
 
  0.05851  0.00094 0.00057 0.00040 


Calculăm intervalul de previziune pentru perioada 15, în baza formulei:

24
 
Y15  Y 15  t 0.025
10
 2
 
*  e * X 15' X ' X  1

X 15  1  Y15  31.7841 2.764 *
  14.24209  0.02630  0.20613  0.05851 1  
    
  0.02630 0.01320 0.00119  0 .00094 3  
* 6.745* 1 3 24 165 1 
  0.20613 0.00119 
0.00363 0.00057 24  
   
  0.05851  0.00094 0.00057 165 
  0.00040   
 31.7841 2.764 * 97.746  31.7841 27.3266  4.4575


Y15  Y 15  t0.025
10
 2
 
*  e * X 15' X ' X 
1

X 15  1  Y15  31.7841 27.3266  59.1107

Concluzie: În urma calculelor efectuate am obţinut intervalul de previziune, care

este, 4.4575  Y15  59.1107.

Calculăm intervalul de previziune pentru perioada 16, în baza formulei:

  2
 
Y16  Y 16  t100.025 *  e * X 16' X ' X  1

X 16  1  Y16  28.6651 2.764*
  14.24209  0.02630  0.20613  0.05851 1  
    
  0.02630 0.01320 0.00119  0 .00094 6  
* 6.745* 1 6 38 170 1 
  0.20613 0.00119 
0.00363 0.00057 38  
   
  0.05851  0.00094 0.00057 170 
  0.00040   
 28.6651 2.764 * 78.8271  28.6651 24.5401  4.125


Y16  Y 16  t 0.025
10
 2
 
*  e * X 16' X ' X  1

X 16  1  Y16  28.6651 24.5401  53.2052

Concluzie: În urma calculelor efectuate am obţinut intervalul de previziune, care

este, 4.125  Y16  53.2052 .

25