ACADEMIA DE STUDII ECONOMICE DIN BUCUREŞTI

FACULTATEA DE CIBERNETICĂ, STATISTICĂ ŞI INFORMATICĂ ECONOMICĂ

PROIECT ECONOMETRIE
În ce măsură este influențat produsul intern brut de către rata
de angajare și venitul mediu?

Coordonator: Student:
Asistent univ. dr. Simona Apostu Ceică Andra-Elisa, grupa 1075, seria C

BUCUREŞTI
2019
 1. Prezentarea problemei
A. Descrierea fenomenului analizat și a factorilor explicativi considerați

Am ales dezvoltarea unei analize în domeniul demografic și economic pentru anul 2018, ce
are drept obiectiv identificarea influenței ratei de angajare și a venitului mediu asupra ratei natalității
pentru 30 de țări, pe baza unor modele statistice.
Produsul intern brut (Y) este suma cheltuielilor pentru consum a gospodariilor private și a
organizațiilor private non-profit, a cheltuielilor brute pentru investiții, a cheltuielilor statului, a
investițiilor în scopul depozitării cât și câștigurile din export din care se scad cheltuielile pentru
importuri.
Venitul (X1) reprezintă sursa de finanțare pentru fiecare țară, fiind exprimat în euro.
Rata de angajare (X2) sau de ocupare a forței de muncă, cu alte cuvinte procentajul de
persoane angajate din totalul populației în vârstă de muncă, este un indicator social cheie utilizat în
scopuri analitice pentru studiul evoluțiilor de pe piețele muncii.
Așadar, în cadrul modelelor ne vom aștepta ca la o creștere a ratei de angajare, dar și a
venitului mediu, PIB-ului să înregistreze de asemenea o dezvoltare.

B. Tabelul cu date, sursa datelor

În tabelul de mai jos sunt prezentate datele colectate la nivelul anului 2018 asupra cărora vor
fi aplicate modelele (30 de observații), acestea fiind preluate de pe ec.europa.eu/eurostat. În
următorul tabel se regăsesc indicatorii:
 Produsul intern brut al țării calculat în milioane de euro
 Venitul mediu pe locuitor calculat în euro
 Rata de angajare pe locuitor în procente
 Modelul econometric are urmatoarea forma: Y = β0 + β1 * X1 + β2 * X2 + εt , unde:
Y- rata burtă a natalității; X1- rata de angajare; X2- venitul mediu.

2. Modelul multifactorial de regresie

Modelul folosit este: yi=β0+β1xi+ β2zi+εi , unde Y este rata brută a natalității, X1 este rata de
angajare, iar X2 este valoarea venitul mediu.

Estimarea parametrilor în Excel:

Estimarea parametrilor în EViews:

 Din analiza celor două figuri se observă că obținem ecuația de regresie:

Y = β0 + β1 * X1 + β2 * X2 + εt

Y = 3760,089 + 0,187097 * X1 + 591,4623 * X2 + εt

a) Interpretarea valorilor obținute pentru parametrii pantă.

 β1= 0,187097 arată că, în perioada analizată, menținând celelalte variabile constante, atunci
când venitul mediu (X1) crește cu un euro, PIB-ul crește, în medie, cu 0,187097 euro.
 β2= 591,4623 arată că, în perioada analizată, menținând celelalte variabile constante, atunci
când rata de angajare (X2) crește cu o unitate, PIB-ul crește, în medie, cu 591,4623 euro.
 β0= 3760,089 arată că, dacă cele două variabile explicative, X1 si X2 au valoarea 0, PIB-ul
este estimat la 3760,089 mil. euro.

b) Verificarea existenței multicoliniarității variabilelor explicative.

Pentru a analiza multicoliniaritatea variabilelor explicative am calculat matricea de corelație

dintre rata de angajare si venitul mediu:

Între variabilele X1 şi X2 există o legătură directă perfectă.

rx1,x2=0.210303 => Variabilele X1 și X2 au o legatura slabă și directă

Factorii independeți (ipoteza de multicoliniaritate)

Pentru a testa ipoteza de lipsă a multicoliniarității, se folosește Variance Inflation Factors,

mai exact Centered VIF. Acest indicator se calculează pentru fiecare varabilă independentă în parte,
pe baza R-square obținut dinecuația de regresie între varabila avută în vedere și celelalte varibile
independente. În urma calculelor a fost obținut outputul de mai jos. Așa cum se poate observa,
Centered VIF este sub valoarea 10. Astfel, nu avem multicoliniaritate.
 c) Estimarea parametrilor prin interval de încredere

Pentru estimarea parametrilor folosind intervale de încredere s-au ales următoarele niveluri
de încredere: 0.9, 0.95, 0.99. S-a obținut următorul output:

Coeficientul variabilei X1 este între 156.29 și 1026.63 în timp ce coeficientul variabilei X2

este între 0.05 și 0.32 pentru un interval de încredere de 95%.

3. Testarea semnificației corelației și a parametrilor modelului de regresie

a) Testarea parametrilor modelului de regresie

Ipoteze:
 H0:b=0 (coeficientul nu este semnificativ)
 H1:b ≠0 (coeficientul este semnificativ)
 Pe baza output-ului obținut la punctul 4. A se interpretează testul T – Student. Vom considera
pragul de semnificație 0.05. Astfel se poate observa că doar coeficientul rata de angajare este
semnificativ, iar coeficientul venit mediu și termenul liber nu sunt semnificativi.
t-critic = 1.697
 X1: Prob (t-statistic) = 2.8234 > 1.697 => respingem H0 => coeficinetul este semnificativ
 X2: Prob (t-statistic) = 2.7887 > 1.697 => respingem H0 => coeficinetul este semnificativ
 C: Prob (F statistic) = 0.4680 < 1.697 => respingem H1 => coeficinetul nu este semnificativ

b) Testarea semnificației corelației (validarea modelului)

Ipoteze:
 H0: modelul nu este valid statistic
 H1: modelul este valid statistic

Pe baza output-ului obținut la punctul 4. A se interpretează probabilitatea aferenta testului F.

Vom considera pragul de semnificație 0.05.
F-critic = 3.32
F-statistic = 9.97 > 3.32 => respingem H0 => modelul este valid
Prob(Sign F-statistic) = 0.000572 < 0.05 (P-value) => respingem H0 => modelul este valid

4. Testarea ipotezelor clasice asupra modelului de regresie

a. Testarea normalității erorilor (testul Jarque-Bera)
 Acest test calculează mai întâi coeficientul de asimetrie (Skewness) si coeficientul de boltire
(Kurtosis) pentru reziduurile obținute.

Ipoteze:

 H0: Reziduurile au distribuție normală ( S = 2 si K = 8 )

 H1: Reziduurile nu au distribuție normală

Interpretarea rezultatelor:

Jarque-Bera = 58.21781

Probability = 0.00000

Deoarece Probabilitatea asociată statisticii JB este < 0,05 respingem H0. =>Reziduurile nu au
distribuție normală.

b. Testarea ipotezei de homoscedasticitate

Ipoteze:

 H0: β1= β = 0 (erorile aleatoare sunt homoscedastice)

 H1: :(Ǝ) βi ≠0, i =1,2 i (erorile aleatoare sunt heteroscedastice)

Testul White solicită ca, după determinarea reziduurilor din regresia originală, să se calculeze o
regresie auxiliară a pătratelor reziduurilor în raport cu o constantă, variabilele explicative ale
modelului original, pătratele lor si produsele lor încrucișate.
 Prin aplicarea directă a Testului White în Eviews obținem următoarele rezultate:

Observăm că Prob. (F-statistic) = 0,0087, iar Prob. (Chi-square statistic) = 0,0179.

Deoarece P-value > α (0,0179 > 0.05) respingem H 0 şi acceptăm H1 ⇒ erorile aleatoare nu
sunt homoscedastice.

c. Testarea ipotezei de autocorelare a erorilor

Ipoteze:

 H0: ρ = 0 ( nu există autocorelarea erorilor aleatoare)

 H1: ρ ≠ 0 (există corelare de ordin 1 a erorilor aleatoare)

Pentru testarea ipotezei de lipsă a autocorelării erorilor, se folosește testul Breusch-Godfrey,

fiind unul dintre testele cele mai relaxate din punctul de vedere al ipotezelor cu privire la date.
Astfel, am obținut outputul de mai jos. Se poate observa că Prob Chi-Square (2) este 0,6688 deci se
respinge ipoteza nulă, ceea ce arată că autocorelarea erorilor aleatoare nu a fost eliminată,
acestea sunt dependente.

d. Multicoliniaritatea

Multicoliniaritatea perfectă este fenomenul care se manifestă atunci când una dintre
variabilele independente ale modelului poate fi scrisă ca o combinație liniară între celălalte variabile.
Pentru testarea ipotezei de multicoliniaritate vom folosi testul Klein.
 Pentru modelul inițial am obținut un R-squared=0,4248. Aceasta valoare este mai mare decât
valoarea lui R-squared obținută pentru regresia de mai sus. Aceasta înseamnă ca nu există
multicoliniaritate între variabilele independente ale modelului.
Ry2=0,4248 , r2x1 , x2=0,0442, Ry2 > r 2x1, x2 => variabilele sunt slab corelate => nu există
multicoliniaritate.

e. Corectarea eventualelor probleme identificate

Avem heteroscedasticitate, iar erorile sunt autocorelate, deci corectăm modelul cu HAC:

Testarea validității parametrilor modelului

Ipoteze:
 H0:b=0 (coeficientul nu este semnificativ)
 H1:b ≠0 (coeficientul este semnificativ)
Pe baza output-ului obținut mai sus se interpretează testul T. Vom considera pragul de
semnificație 0.05. Astfel se poate observa că termenul liber și coeficientul rata de angajare sunt
semnificativ, iar coeficientul venit mediu nu este semnificativ.
 X1: Prob (F statistic) = 0.0105 < 0.05 => respingem H0 => coeficinetul este este semnificativ
 X2: Prob (F statistic) = 0.0009 < 0.05 => acceptăm H1 => coeficinetul este semnificativ
 C: Prob (F statistic) = 0.5056 > 0.05 => acceptăm H0 => coeficinetul nu este semnificativ

Testarea validității modelului

Ipoteze:
 H0: modelul nu este valid statistic
 H1: modelul este valid statistic

Pe baza output-ului obținut mai sus se interpretează probabilitatea aferenta testului F (Prob
(Wald F-statistic)). Vom considera pragul de semnificație 0.05.
Prob(Wald F-statistic) = 0.000125 < 0.05 => respingem H0 => modelul este valid

5. Previziunea valorii variabilei Y in ipoteza modificării variabilelor factoriale

În urma previzionării variabilei dependente pe baza modelului, am obținut rezultatele de mai

jos. Conform http://www.eviews.com/Learning/ forecasting.html (accesat pe 5 ianuarie 2020) o
previziune poate fi folosită dacă bias-ul este mic, cât mai aproape de 0. Astfel, conform acestui
rezultat, previziunile pe baza modelului definit ar putea fi folosite.

6. Concluzii

În urma testelor efectuate se poate observa că rata de angajare are o influență mare asupra
PIB-ului, având o legătura puternică și directă, distribuția reziduurilor nefiind normală, iar
fenomenul de multicoliniaritate între venitul mediu si rata de angajare nu există.

Nu există multicoliniaritate dacă se ia în calcul pragul 10 pentru Centered VIF (pentru

literatură în acest sens, http://www.how2stats.net/2011/09/variance-inflation-factor-vif.html).

În urma analizelor și testelor efectuate, se constata ca PIB-ul din 30 țări este explicat în mare
măsură de variabilele exogene rata de angajare si venitul mediu si ca exista o legatura liniara intre
cele 3 variabile.

Legătura dintre variabile este modelată de următoarea ecuație de regresie:

Y = β0 + β1 * X1 + β2 * X2 + εt

Y- rata brută a natalității

X1- rata de angajare
X2- venitul mediu

Y = 3760.089 + 0.187097 * X1 + 591.4623 * X2 + εt

X1: Dacă rata de angajare crește cu un punct procentual, PIB-ul crește cu 591.4623 mil. euro

X2: Dacă venitul mediu crește cu 1000 de €, PIB-ul crește cu 0,1870 procente.

Testele asupra reziduurilor arata faptul ca variabilele sunt slab corelate.

7. Bibliografie
 http://ec.europa.eu/eurostat
 Seminariile de Econometrie