CURS 12

ECONOMETRIE

1
CURS 12 Capitolul 7
Verificarea ipotezelor modelului de regresie

 7.1. IPOTEZE PRIVIND ERORILE

 Ipoteza de normalitate:  i N  0, 2 

 Ipoteza de necorelare sau de independenţă a

erorilor: cov  i , j   0

 7.2. IPOTEZE PRIVIND VARIABILELE

INDEPENDENTE
 Ipoteza de necoliniaritate a variabilelor
independente 2
 7.1. IPOTEZE PRIVIND ERORILE
7.1.3. Ipoteza de normalitate a erorilor:
 ~ N (0,  )
2

1. Definirea ipotezei:
 erorile ε urmează o lege normală de medie 0
şi varianţă  :  
2 2
~ N (0, )
 dacă  ~ N (0,  ) , atunci estimatorii
i
2

parametrilor unui modelul de regresie liniară

simplă urmează, de asemenea, o lege
normală: ˆ  ~ N (  ,   ),
0 0
2
ˆ
0

ˆ
1 ~ N ( 1 ,  ˆ1 )
2
3
 7.1. IPOTEZE PRIVIND ERORILE
7.1.3. Ipoteza de normalitate a erorilor:
 ~ N (0,  )
2

2. Efectele încălcării ipotezei:

 dacă ipoteza de normalitate este încălcată,
estimatorii construiţi pe baza metodei celor
mai mici pătrate nu urmează o lege de
distribuţie normală
 Pentru eşantioane de volum mare ipoteza de
normalitate este atinsă asimptotic. 4
 7.1. IPOTEZE PRIVIND ERORILE
7.1.3. Ipoteza de normalitate a erorilor:
 ~ N (0,  )
2

3. Testarea ipotezei de normalitate a erorilor:

 Metode grafice: QQ Plot, PP Plot, Histograma
 Metode numerice
 testul Jarque-Bera
 testul Kolmogorov-Smirnov-Lilliefors (KSL)

5
 7.1. IPOTEZE PRIVIND ERORILE
7.1.3. Ipoteza de normalitate a erorilor:

3. Testarea ipotezei de normalitate a erorilor:

Testul Jarque-Bera
 se bazează pe verificarea simultană a proprietăţilor de
asimetrie şi boltire ale seriei reziduurilor. Pentru o
distribuţie normală, valoarea coeficientului de asimetrie
(Sw) şi valoarea coeficientului de boltire (K) este zero.

6
 7.1. IPOTEZE PRIVIND ERORILE
7.1.3. Ipoteza de normalitate a erorilor:

1. Ipoteze statistice
H0: variabila reziduală urmează o lege de repartiţie normală
H1: variabila reziduală nu urmează o lege de repartiţie normală

2. Testul statistic : statistica JB se calculează după relaţia:

n  2 k  2

JBcalc    sw  
6  4
7
 7.1. IPOTEZE PRIVIND ERORILE
7.1.3. Ipoteza de normalitate a erorilor:

3. Prag de semnificaţie JBcalc  2

,v 2

4. Regula de decizie:

 JBcalc   
2 - se respinge H0 (ipoteza de normalitate a
 ,2
probabilitate 1  
 2 
erorilor) cu o

 JBcalc   ,2  - se acceptă ipoteza H0

8
 7.1. IPOTEZE PRIVIND ERORILE
7.1.3. Ipoteza de normalitate a erorilor:

3. Testarea ipotezei de normalitate a erorilor:

Testul Jarque-Bera
Statistics

Uns tandardized Res idual

N Valid 23
Mis sing 0
Skewness ,474
Std. Error of Skewnes s ,481
Kurtos is -,126
Std. Error of Kurtos is ,935
9
 7.1. IPOTEZE PRIVIND ERORILE
7.1.3. Ipoteza de normalitate a erorilor:

Testul Kolmogorov-Smirnov-Lilliefors (KSL)

presupune compararea frecvenţelor cumulate (calculate) cu
frecvenţele teoretice cumulate extrase din tabelul Gauss.
 Ipoteze statistice:

H0: variabila eroare urmează o lege normală

H1: distribuţia erorilor nu urmează o lege normală
Regula de decizie:
- valoarea probabilităţii asociate statisticii test calculate (Sig.) se
compară cu α=0,05: dacă Sig.<0,05, atunci se respinge ipoteza de
normalitate a erorilor cu o probabilitate de 95%. 10
 7.1. IPOTEZE PRIVIND ERORILE
7.1.3. Ipoteza de normalitate a erorilor:
 ~ N (0,   )
2

3. Testarea ipotezei de normalitate a erorilor:

Testul Kolmogorov-Smirnov-Lilliefors (KSL)
One-Sample Kolmogorov-Smirnov Test

Uns tandardiz
ed Resi dual
N 23
Norm al Param etersa, b Mean ,0000000
Std. Deviation 4,74761959
Mos t Extrem e Abs ol ute ,101
Differences Pos iti ve ,101
Negative -,060
Kol mogorov-Sm irnov Z ,482
Asym p. Si g. (2-tailed) ,974
a. Tes t dis tri bution is Normal.
b. Cal culated from data. 11
 7.1. IPOTEZE PRIVIND ERORILE
7.1.4. Ipoteza de necorelare a erorilor:

1. Definirea ipotezei:
 Autocorelarea sau corelaţia serială :
presupune existenţa, în cazul unui model de
regresie, a unei autocorelări între erorile ε, altfel
spus: cov (εi, εj) ≠0;
Coeficientul de autocorelaţie

cov( i ,  i1 ) cov( i ,  i1 )

 
i i 1
 2

unde: ρ- coeficient de autocorelaţie de ordinul 1

12
 7.1. IPOTEZE PRIVIND ERORILE
7.1.4. Ipoteza de necorelare a erorilor:

1. Definirea ipotezei:
Coeficientul de autocorelaţie de ordinul k
cov( i ,  ik ) cov( i ,  ik )
 
i i k
 2

Funcţia de autocorelaţie
este definită prin relaţia de calcul a
coeficientului de autocorelaţie de ordin k.
cov( i ,  ik )
f k  

13
2
 7.1. IPOTEZE PRIVIND ERORILE
7.1.4. Ipoteza de necorelare a erorilor:

2. Efectele încălcării ipotezei:

 Între erori există o relaţie dată de modelul:  i   i1  ui
Din modelul anterior se obţine
ui   i   i1
o quasi-diferenţă
unde: εi - eroarea
ui - zgomot alb
ρ - coeficient de corelaţie (autocorelaţie)
între εi şi εi-1
14
 7.1. IPOTEZE PRIVIND ERORILE
7.1.4. Ipoteza de necorelare a erorilor:

2. Efectele încălcării ipotezei:

Pe baza quasi-diferenţei ui   i   i1
Se poate construi un model transformat:
yi   yi 1  0 1     1  xi   xi 1   ui
care se poate scrie: yi*  0*  1* xi*  ui
unde 0*  0  1   
1*  1
xi*  xi   xi 1
yi*  yi   yi 1 15
 7.1. IPOTEZE PRIVIND ERORILE
7.1.4. Ipoteza de necorelare a erorilor:

3.Testarea ipotezei de necorelare a erorilor

 Runs Test

 Durbin-Watson test

16
 7.1. IPOTEZE PRIVIND ERORILE
7.1.4. Ipoteza de necorelare a erorilor:

3.Testarea ipotezei de necorelare a erorilor

A.Runs Test
se bazează pe ideea că valorile variabilei reziduale se
constituie în secvenţe sau seturi de valori pozitive sau
negative numite runs, care se succed într-o anumită ordine
sau aleator;
ipoteza de bază a acestui test este aceea că în cazul lipsei
autocorelării erorilor succesiunea acestor seturi (runs,
notate k) este aleatoare sau este distribuită normal.
17
 7.1. IPOTEZE PRIVIND ERORILE
7.1.4. Ipoteza de necorelare a erorilor:

Testarea ipotezei de necorelare a erorilor

3.

Formularea ipotezelor:
H0: k este distribuit normal (nu există autocorelare a
erorilor)
H1: k nu este distribuit normal – succesiunea runs-urilor
este aleatoare (există autocorelare a erorilor și astfel
ipoteza este încălcată)

18
 7.1. IPOTEZE PRIVIND ERORILE
7.1.4. Ipoteza de necorelare a erorilor:

Testarea ipotezei de necorelare a erorilor

3.

Alegerea şi calcularea statisticii test:

se foloseşte statistica t Student care se calculează

conform relaţiei:
k  M (k )
tcalc 
ˆ k

19
 7.1. IPOTEZE PRIVIND ERORILE
7.1.4. Ipoteza de necorelare a erorilor:

3. Testarea ipotezei de necorelare a erorilor

unde: k este numărul de runs caracterizat prin:

n1n2
M (k )  2 1
n1  n2
2n1n2  n1  n2
V (k )   k  2n1n2
2

(n1  n2 ) (n1  n2  1)
2

n1 este numărul de valori pozitive ale variabilei;

 n2 este numărul de valori negative ale variabilei 20

n +n =n;
 7.1. IPOTEZE PRIVIND ERORILE
7.1.4. Ipoteza de necorelare a erorilor:

3.Testarea ipotezei de necorelare a erorilor

Regula de decizie:

dacă |tcalc| < tα/2,n-2 sau sig>α

atunci se acceptă ipoteza H0.

21
 7.1. IPOTEZE PRIVIND ERORILE
7.1.4. Ipoteza de necorelare a erorilor:

3. Testarea ipotezei de necorelare a erorilor

Runs Test Runs Test

Uns tandardiz Uns tandardiz

ed Residual ed Residual
Tes t Valuea ,0000000 Tes t Valuea ,0000000
Cas es < Tes t Value 3 Cas es < Tes t Value 9
Cas es >= Tes t Value 2 Cas es >= Tes t Value 8
Total Cases 5 Total Cases 17
Number of Runs 4 Number of Runs 3
Z ,109 Z -3,002
Asymp. Sig. (2-tailed) ,913 Asymp. Sig. (2-tailed) ,003
a. Mean a. Mean 22
 7.1. IPOTEZE PRIVIND ERORILE
7.1.4. Ipoteza de necorelare a erorilor:

Testarea ipotezei de necorelare a erorilor

3.

B. Testul Durbin-Watson
 Ipoteze statistice:
H0: erorile nu sunt autocorelate ( = 0)
H1: erorile sunt autocorelate (  0 )

23
 7.1. IPOTEZE PRIVIND ERORILE
7.1.4. Ipoteza de necorelare a erorilor:

3. Testarea ipotezei de necorelare a erorilor

 (ˆi ˆi1 )
B. Testul Durbin-Watson 2

 Calculul statisticii test: DW  d  i

 ˆi
2

Întrucât  i   i1  ui statistica DW se mai poate scrie

i

astfel: d  2(1  ˆ )

24
 7.1. IPOTEZE PRIVIND ERORILE
7.1.4. Ipoteza de necorelare a erorilor:

3. Testarea ipotezei de necorelare a erorilor

B.Testul Durbin-Watson
Deoarece 1  ˆ  1 atunci valorile statisticii DW sunt date de
intervalul: 0  d  4
Interpretare:

 Dacă   1  d  0 ,atunci
ˆ există autocorelare pozitivă
maximă a erorilor;
 Dacă  ˆ  1  d  4 , atunci există autocorelare negativă
maximă a erorilor;
 Dacă
ˆ  0  d  2 , atunci nu există autocorelare
25
 7.1. IPOTEZE PRIVIND ERORILE
7.1.4. Ipoteza de necorelare a erorilor:

3. Testarea ipotezei de necorelare a erorilor

B.Testul Durbin-Watson
Regula de decizie:

 Valorile teoretice ale statisticii DW sunt calculate şi tabelate în

funcţie de pragul de semnificaţie, de volumul eşantionului şi de
numărul de variabile independente.

 În tabele se determină două valori critice, notate cu dL (limita

26

inferioară) şi dU (limita superioară).

 7.1. IPOTEZE PRIVIND ERORILE
7.1.4. Ipoteza de necorelare a erorilor:

3. Testarea ipotezei de necorelare a erorilor

B.Testul Durbin-Watson
• (0<DWcalc<dL) se respinge ipoteza Ho, erorile înregistrează o
autocorelare pozitivă;
• (dL<DWcalc<dU) şi (4-du<DWcalc< 4-dL) sunt regiuni de
nedeterminare, nu se poate decide asupra existenţei autocorelării
erorilor;
• (du < DWcalc< 4 - du) se acceptă ipoteza H0, erorile nu sunt
autocorelate;
• (4-dL <DWcalc< 4) se respinge ipoteza H0, erorile înregistrează o
27
 7.1. IPOTEZE PRIVIND ERORILE
7.1.4. Ipoteza de necorelare a erorilor:

3. Testarea ipotezei de necorelare a erorilor

Runs Test

Unstandardiz
B. Testul Durbin-Watson a
Test V alue
ed Res idual
-2502,56250
Cases < Test V alue 237
Model Summaryb
Cases >= Test Value 237
Adjusted Std. Error of Durbin- Total Cases 474
Model R R Square R Square the Estimate Watson
a Number of Runs 219
1 ,661 ,436 ,435 $12,833.540 1,863
Z -1, 747
a. Predictors: (Constant), Educational Level (years)
As ymp. Sig. (2-tailed) ,081
b. Dependent Variable: Current Salary
a. Median

28