Sunteți pe pagina 1din 57

Curs 10

Econometrie 17 dec. 2013



MODELUL DE REGRESIE
LINIAR MULTIPL
(MULTIFACTORIAL)



1. Specificarea i definirea modelului
multifactorial
n multe situaii, variabila rezultativ supus studiului este afectat,
determinat de mai muli factori de influen:
Specificarea unui model econometric se face pe baza teoriei
economice: fenomenul Y este precizat pe baza conceptelor,
definiiilor, a relaiilor cauz-efect, elaborate pe baza teoriei
economice; n acest fel se accept c Xi este un factor esenial, sau,
dimpotriv, el este trecut n categoria factorilor aleatori, prin
intermediul variabilei reziduale
Definirea modelului multifactorial:
Y = f(X
1
, X
2
, , X
k
) +

Realitatea = Teoria + ntmplarea
1. Specificarea i definirea modelului
multifactorial
Exemplul 1:
n medie ne-am atepta ca la un nivel mai ridicat de educaie, nivelul
venitului s creasc:
venit = f(educaie) + c
Dar n acest caz nu se tine seama de faptul c venitul depinde i de
vrst:
Venit = f(educaie,vrst) + c
Exemplul 2:
Consum = f(venit, pre, nr.membri) + c

Exemplul 3 (funcia Cobb Douglas):
Producia = f(capital, for de munc) + c

2. Identificarea modelului
multifactorial
Forma general a modelului liniar de regresie
multifactorial:
Y
i
= |
0
+|
1
X
i1
+|
2
X
i2
+...+|
k
X
ik
+ c
i
, cu i=1,...,n
unde:
|
0
= intercepia
|
j
(j=1,2,,k) panta ce arat legtura condiionat
ntre Y i X
j
, considernd c ceilali factori sunt
constani.

2. Identificarea modelului
multifactorial




Unde este vectorul coloan al variabilei endogene,
de dimensiune (n,1)

este matricea variabilelor exogene de
dimensiune (n,k+1)

+ + + + + =
+ + + + + =
+ + + + + =
n nk k n n n
k k
k k
x x x y
x x x y
x x x y
c | | | |
c | | | |
c | | | |
...
...
...
...
2 2 1 1 0
2 2 22 2 21 1 0 2
1 1 12 2 11 1 0 1
|
|
|
|
|
.
|

\
|
=
n
y
y
y
Y
...
2
1
|
|
|
|
|
.
|

\
|
=
` ` 2 ` 1
2 22 21
1 12 11
... 1
... ... ... ...
... 1
... 1
nk n n
k
k
x x x
x x x
x x x
X
2. Identificarea modelului
multifactorial

este vectorul coloan al parametrilor
j
, j=0,1,,k
de dimensiune (k+1,1).

vectorul coloan al variabilei aleatoare, de
dimensiune (n,1)
Prin urmare, modelul liniar multifactorial se scrie:

Y = X|

+ c




|
|
|
|
|
.
|

\
|
=
k
|
|
|
|
...
1
0
|
|
|
|
|
.
|

\
|
=
n
c
c
c
c
...
2
1
3. Ipotezele modelului liniar multifactorial
1. Media erorilor este zero: (c)=0 (Y) = X|
2. Homoscedasticitatea: dispersia reziduurilor este constant i
nenul.
3. Non-autocorelarea erorilor: cov(c, c)=0
4. Necorelarea ntre variabila indep. i erori: cov(c,X)=0
5. Normalitatea erorilor: c
i
~N(0,o
2
)
6. Matricea X este de rang k cu coloane independente dou cte
dou. Altfel spus, o variabil independent Xj nu poate fi
exprimat ca o combinaie liniar perfect a celorlalte variabile
independente; deci nu exist un set de numere: d
0
,d
1
,...d
k
, astfel
nct: d
0
+d
1
x
i1
+...+d
k
x
ik
=0 (multicoliniaritate perfect).
4. Estimarea parametrilor modelului




2
MODELUL LINIAR MULTIFACTORIAL

Exemplu

Exemplu

Observaii
dac lum n consideraie o variabil dependent (Y) i
dou variabile independente (X
1
i X
2
), modelul de
regresie multipl liniar n colectivitatea general este:

n eantion:
y
i
= a + b
1
x
i1
+ b
2
x
i2
+ e
i

a reprezint intercepia;
b
1
este panta care ne arat legtura condiionat ntre Y i
X
1
, considernd c X
2
este fixat;
b
2
este panta care ne arat legtura condiionat ntre Y i
X
2
, considernd X
1
fixat.
i i i i
X X Y c | | o + + + =
2 2 1 1
Observaii
Dac modelul este liniar, atunci:

Coeficienii b
1
i b
2
sunt numii coeficieni de regresie
pariali
Pe baza datelor din eantion:

Ecuaia de regresie multipl n acest caz - cnd sunt luate
n consideraie dou variabile factoriale - genereaz un
plan de regresie:


( )
2 2 1 1 2 2 1 1
, |
i i i i i
X X X X X X Y | | o + + = = =
2 2 1 1

i i i
x b x b a y + + =
Observaii
Plan de regresie cu o variabil dependent (Y) i
dou variabile independente (X
1
i X
2
)
Observaii
Aplicnd metoda celor mai mici ptrate:







dac lum n considerare k variabile independente, atunci modelul
poate fi generalizat la:

( ) min y y L
n
1 i
2
i i

=
=
i ik k i i i
X X X Y c | | | o + + + + + = ...
2 2 1 1

= + +
= + +
= + +



i
i i
i
i
i
i i
i
i
i
i i
i
i i
i
i
i
i
i
i
i
i
i
i
y x x b x x b x a
y x x x b x b x a
y x b x b na
2
2
2 2 2 1 1 2
1 2 1 2
2
1 1 1
2 2 1 1
5. Raportul de corelatie multipla
Pentru a studia intensitatea legturii dintre o caracteristic
dependent (Y) i mai multe caracteristici independente utiliznd
metoda corelaiei:
Raportul de corelaie multipl:






Ptratul raportului de corelaie multipl este coeficientul de
determinaie multipl (R
2
). El arat proporia din variaia total a
variabilei Y, care este explicat de variabilele independente X
1
, X
2
, ...,
X
k
.
( )
( )
( )
( )


=
=
=
=
=
n
1 i
2
i
n
1 i
2
i i
n
1 i
2
i
n
1 i
2
i
k 2 1
y y
y y
1
y y
y y
x ..., , x , x , Ry
k , 1 j | r | x ..., , x , x , Ry
j
yx k 2 1
= >
Observaii
Testarea semnificaiei raportului de corelaie multipl se poate face utiliznd
statistica F:



unde k reprezint numrul variabilelor independente.
Dac:
F
calc.
> F
, k, nk1
se accept ipoteza conform creia variabilele X
1
, X
2
, ..., X
k
au o
influen semnificativ asupra variabilei rezultative, Y.
numrul de uniti statistice pentru care se culeg datele (n), trebuie s fie mai
mare cu cel puin 2 dect numrul variabilelor independente considerate (k).


2
2
R 1
R
k
1 k n
F


=
o
Observaii
coeficienii de corelaie parial - caracterizeaz intensitatea legturii
dintre dou variabile, n ipoteza c celelalte variabile rmn constante.
coeficientul de corelaie parial ntre Y i X
1
, eliminnd influena variabilei X
2

este:




coeficientul de corelaie parial ntre Y i X
2
, eliminnd influena variabilei X
1

este:





( ) ( )
2 2
2 1 2
2 1 2 1
2 1
1 1
x x yx
x x yx yx
x yx
r r
r r r
r


=

( )( )
2
x x
2
yx
x x yx yx
x yx
2 1 1
2 1 1 2
1 2
r 1 r 1
r r r
r


=

6. Testarea validitii modelului de regresie


folosind metoda analizei de varian
Ipotezele testate:
H0: Modelul NU este valid (semnificativ) statistic
H1: Modelul ESTE valid (semnificativ) statistic
Testul statistic F (Fisher):
Regula de decizie:
Dac F
calc
F
,k,n-k-1
, atunci se accept H0 i deci modelul nu este semnificativ
statistic;
Dac F
calc
> F
,k,n-k-1,
atunci se respinge H0, se accept H1, deci modelul este
semnificativ statistic (valid).



( ) ( )
1

2
2


= =

k n
y y
k
y y
MSE
MSR
F
i i i
Surs variaiei Suma ptratelor
(SS-Sum of Squares)
Grade de libertate
(df- degree of
freedom)
Media ptratelor
(MS- Mean of
Squares)
Testul Fisher
(testul F)
Datorat
regresiei
(explicat de
model/influena
lui X)

( )

=
=
n
i
i
y y SSR
1
2

k
k
SSR
MSR =
Rezidual
(neexplicat de
model/influena
factorilor
aleatori)

( )

=
=
n
i
i i
y y SSE
1
2

n k 1
1
=
k n
SSE
MSE
Total
( )

=
=
n
i
i
y y SST
1
2
n 1

MSE
MSR
Fcalc =

Testarea validitii modelului de regresie folosind
metoda analizei de varian
7. Testarea semnificatiei parametrilor
modelului de regresie
Testarea parametrilor modelului de regresie

Ipotezele:



Testul statistic: unde



Regula de decizie: se respinge H0, deci
sau parametrul j este semnificativ
0 :
0 :
1
0
=
=
j
j
H
H
|
|
j j
b
j
b
j j
calc
s
b
s
b
t =

=
|
1 2
2
2
2
2
) ' (
...
2
1

=
|
|
|
|
|
|
.
|

\
|
= X X diag s
s
s
s
s
e
b
b
b
B
k
1 , 2 /
<
k n calc
t t
o
1 , 2 /
>
k n calc
t t
o
Estimarea valorilor variabilei dependente
( )
0
1
'
0 1 , 2 / 0
' 1 X X X X s t y
e k n


+
o
|

0
x Y =
Valoarea punctual previzionat atunci cnd elementele vectorului x
0
sunt
fixate este:



Intervalul de ncredere pentru valoarea previzionat este:





Exemplu:
Nr.
familii
(X1)
Supr.comerciala
(mp) (X2)
Cifra de
afaceri (Y)
(u.m.)
70 21 198
35 26 209
55 14 197
25 10 156
28 12 85
43 20 187
15 5 43
33 28 211
23 9 120
4 6 62
45 10 176
20 8 117
56 36 273
Exemplu rezultate Excel:
Regression Statistics
Multiple R (R) 0,9251
R Square (R
2
) 0,8558
Adjusted R Square 0,8270
Standard Error (s
e
) 27,8500
Observations (n) 13

Interpretri:
R : legtura dintre Xj i Y este puternic.
R
2
: 85,6% din variaia lui Y este determinat de
influena lui X
1
,X
2
(este explicat de model)

Exemplu rezultate Excel:
ANOVA
df SS MS F Significance F
Regression k = 2 SSR = 46033,02 MSR = 23016,51 F
calc
= 29,67 0,00006234
Residual n-k-1 = 10 SSE = 7756,21 MSE = 775,62
Total n-1 = 12 SST = 53789,23

Interpretri:
Modelul de regresie este semnificativ statistic (valid) (adic se accept
H1) pentru o probabilitate de cel mult 100-0,0062=99,9938%>95%

Exemplu rezultate Excel:
Coefficients
Standard
Error t Stat P-value
Lower
95%
Upper
95%
Intercept
a =
37,5023
s
a
=
17,6461
o
calc
t
=
2,1252 0,059496 -1,82 76,82
Nr. familii
b
1
=
1,4963
s
b1
=
0,5534
1 |
calc
t
=
2,7039 0,022165 0,26 2,73
Supr.com
b
2
=
4,2446
s
b2
=
1,0650
2 |
calc
t
=
3,9856 0,002578 1,87 6,62

Interpretri:
- Parametrul nu este semnificativ diferit de zero, deoarece probabilitatea cu care se
poate accepta H1 (care susine c este semnificativ) este de cel mult 100-
5,95=94,05%<95%.
82 , 76 82 , 1 s s o

- Parametrul
1
este semnificativ, deoarece probabilitatea cu care se poate accepta
H1 (care susine c este semnificativ) este de cel mult 100-2,2=97,8%>95%
73 , 2 26 , 0 s s |

- Parametrul
2
este semnificativ, deoarece probabilitatea cu care se poate accepta
H1 (care susine c este semnificativ) este de cel mult 100-0,26=99,74%>95%
62 , 6 87 , 1 s s |

RESIDUAL
OUTPUT

Observation
Predicted Cifra
afaceri Residuals
1 231,38 -33,38
2 200,23 8,77
3 179,22 17,78
4 117,36 38,64
5 130,33 -45,33
6 186,74 0,26
7 81,17 -38,17
8 205,73 5,27
9 110,12 9,88
10 68,96 -6,96
11 147,28 28,72
12 101,39 15,61
13 274,10 -1,10

Exemplu rezultate Excel:
Curs 10 continuare

Ipotezele
modelului de regresie
liniar



1. AUTOCORELAREA ERORILOR
Modelul de regresie: Y=X|+c

V=


Erorile sunt autocorelate-i=j astfel nct Cov(c
i
,c
j
) = 0.
unde
V=
(
(
(
(

) , cov( ) , cov( ) , cov(


) , cov( ) , cov( ) , cov(
) , cov( ) , cov( ) , cov(
2 1
2 2 2 1 2
1 2 1 1 1
n n n n
n
n
c c c c c c
c c c c c c
c c c c c c

(
(
(
(

1
1
1
2 1
2 1
1 1
2

n n
n
n



o
c
1 - n 1, k
) , cov(
= =
+
+
k i i
k i i
k
c c
o o
c c

1. AUTOCORELAREA ERORILOR
Problemele ce se pun n acest caz sunt:
a. Identificarea cauzelor de apariie a corelrii
erorilor
b. Testele statistice utilizate pentru depistarea
autocorelrii
c. Metode de estimare a parametrilor n cazul
autocorelrii
1. AUTOCORELAREA ERORILOR
Grafic, n cazul modelului de regresie liniar unifactorial, lipsa
autocorelrii erorilor poate fi reprezentat astfel:




Grafic, n cazul modelului de regresie liniar unifactorial, autocorelarea
erorilor poate fi reprezentat prin diverse pattern-uri ale erorilor:





timp

0
timp

timp

a. Cauzele apariiei autocorelrii
erorilor
Absena uneia sau mai multor variabile explicative
importante;
Modelul de regresie nu este corect specificat: modelul se
exprim sub forma unei combinaii liniare de variabile n
condiiile n care o specificare corect a modelului trebuie
s fie exprimat printr-o combinaie liniar de logaritmi de
variabile exogene etc.
Au fost fcute transformri neadecvate sau interpolri n
cadrul seriei de date

b. Testele statistice utilizate pentru
depistarea autocorelrii: Durbin
Watson
Se aplic pt. identificarea existenei autocorelrii de ordinul nti a reziduurilor:
Ipoteze: H
o
: =0 (reziduuri non-autocorelate)
H
1
: =0 (reziduuri autocorelate)

Statistica testului:

d
inf
i d
sup
extrase din tabela Durbin Watson pentru o, k i n.





Observaie: Testul Durbin Watson poate fi aplicat doar in anumite conditii.
se accept
H1
indecizie se accept
H0
se accept
H0
indecizie se accept
H1
0 dinf dsup 4-dsup 4
2 4-dinf
( )
( )
1
,
1
2
2
2
1
1 2

=

=
=

i i
e e
n
i
i
n
i
i i
calc
r
e
e e
d
b. Testele statistice utilizate pentru
depistarea autocorelrii: Durbin
Watson
Regulile de adoptare a deciziei in cazul testului Durbin-
Watson

c. Msuri corective ale autocorelrii
erorilor
Dac n urma aplicrii unui test de diagnostic al autocorelaiei
erorilor, a rezultat prezena acesteia, se decide dac aceasta nu
este rezultatul unei erori de specificare a modelului. n acest
caz dac:
forma funcionala a modelului este necorespunztoare, se alege o
nou funcie de regresie;
au fost omise variabile importante pentru descrierea modelului,
acestea sunt incluse n model;
variabilele necesit transformri suplimentare, acestea sunt
realizate.
se poate aplica metoda celor mai mici ptrate generalizat descris
n continuare.
Autocorelarea erorilor - Exemplu
Vanzari anuale (unit.
fizice_) Y
Cheltuieli anuale
cu publicitatea
(mii Euro) X
3083 75
3149 78
3218 80
3239 82
3295 84
3374 88
3475 93
3569 97
3597 99
3725 104
3794 109
3959 115
4043 120
4194 127
4318 135
4493 144
4683 153
4850 161
5005 170
5236 182

( )
08 . 1
9154 . 7587
2065 . 8195
20
1
2
20
2
2
1
= =

=
=

i
i
i
i i
e
e e
d
= 0.05
k = 1
n = 20
d
inf
= 1.20
d
sup
= 1.41
d
calc
<d
inf autocorelare
pozitiva a erorilor
Rezolvare in SPSS
Exemplu - SPSS
Exemplu - SPSS
Exemplu - SPSS
Autocorelare pozitiva a erorilor
2. Homoscedasticitatea /
Heteroscedasticitatea erorilor






Exemplu: variaia erorilor obinute n culegerea unui text scade odat cu
creterea numrului de ore de practic ca operator PC. n acest caz,
dependena ntre erorile obinute n culegerea de text i numrul de ore
de practic, se poate descrie printr-un model de regresie liniar cu
panta negativ:




x


numr de ore
de practic
erori de
culegere
text
|1 + |2 Xi
|2<0
Homoscedasticitatea /
Heteroscedasticitatea erorilor
Dispersia reziduurilor a) constant; b) variabil
Functia densitate de probabilitate pentru y
t
la
doua niveluri ale veniturilor, x
t.
Are aceeasi
varian.
Homoscedasticitatea erorilor
Variana cheltuielilor y
t
crete pe msur ce veniturile, x
t
,
cresc.
Heteroscedasticitatea erorilor
2. HOMOSCEDASTICITATEA
Problemele ce se pun n acest caz sunt:
1. Metode de depistare a heteroscedasticitii.
2. Metode de estimare a parametrilor n cazul
heteroscedasticitii
Dac dispersia reziduurilor nu este constant,
atunci estimatorii a i b sunt tot estimatori
nedeplasai ai lui i , dar nu mai sunt
eficieni, conducnd la o subestimare a
valorilor acestora.
2 a. Metode statistice utilizate pentru
depistarea heteroscedasticitii
Depistarea heteroscedasticitii
Pentru depistarea heteroscedasticitii pot fi folosite metode
empirice, formale sau informale:
metoda grafic
testul White
testul Goldfeld-Quandt

2 a. Metode statistice utilizate pentru
depistarea heteroscedasticitii
1. Metoda grafic:
Const n construirea corelogramei dintre valorile
variabilei factoriale X i ale variabilei reziduale .
Dac pe msura creterii sau scderii valorilor lui X
se observ o cretere sau scdere a valorilor
variabilei reziduale , nseamn c cele dou variabile sunt
corelate (nu sunt independente)
2. Calculul coeficientului de corelaie liniar simpl:


-dac
x
0 se accept ipoteza de homoscedasticitate,
variabilele i x fiind independente.
-dac
x
0 se respinge ipoteza de homoscedasticitate.






( )
( )( ) ( )( )
x
i i
x
i i
x
x
n
x x
n
x x
x
o o
c
o o
c c
o o
c

c c c
c


=

= =
, cov
Metoda grafic
Se reprezint grafic e
i
2
n funcie de x
i
i se observ dac exist o
legtur sistematic ntre acestea.


x
i
e
i
2
2 a. Metode statistice utilizate pentru
depistarea heteroscedasticitii
2 b. Metode de estimare a parametrilor
n cazul heteroscedasticitii
n cazul n care heteroscedasticitatea este indus de o variabil
exogen ntr-o manier multiplicativ:
Fenomenul de heteroscedasticitate se elimin prin transformarea
modelului:


Notnd:

Modelul devine:
Dup estimarea parametrilor acestui model transformat se revine n
modelul iniial cu estimatorii.

* * *
i i i
x y c | + =
2 2 2
ij i
x =
c
o o
ij
i
k
ij
ik
ij
i
ij
i
x x
x
x
x
x
y c
| | + + + = ...
1
1
ij
i
i
x
y
y =
*
(
(

=
ij
ik
ij
i
i
x
x
x
x
x ,...,
1 *
ij
i
i
x
c
c =
*
3. MULTICOLINEARITATEA
Este determinat de prezena corelrii ntre variabilele exogene.
Prezena corelrii variabilelor exogene conduce la creterea
varianei acelor estimatori ai parametrilor modelului liniar de
regresie ce corespund variabilelor exogene aflate ntr-o
dependen liniar semnificativ, deci scderea performanelor
modelului de regresie estimat prin forma clasic a metodei
celor mai mici ptrate.

Problemele ce se pun n acest caz sunt:
a. Indicatori pentru semnalarea coliniaritii
b. nlturarea efectului de multicoliniaritate

3 a. Indicatori pentru semnalarea
coliniaritii
Criteriul Klein

se determin raportul de corelaie multipla R i matricea
coeficienilor liniari de corelaie a variabilelor exogene
, i=j
dou variabile exogene X
i
i X
j
sunt coliniare dac:


sunt identificate numai dependenele liniare dintre dou
variabile exogene.
j i
x x
r
/
2
/
2
j i
x x
r R <
3 a. Indicatori pentru semnalarea
coliniaritii Exemplu

Ani Rata inflatiei (%) (X1)
Ritm anual de crestere
a salariului mediu
(%)
(X2)
Ritm anual de
modificare a
consumului final
(%)
(Y)
1995 32,3 48,9 10,8
1996 38,8 51,9 7
1997 155 96,8 -4,3
1998 59,1 64,9 1,1
1999 45,8 46,1 -2,5
2000 45,7 62,8 1,4
2001 34,5 41,2 6,3
2002 22,5 25,5 4,9
2003 15,3 27,7 6,9
2004 11,9 23,3 10,3
3 a. Indicatori pentru semnalarea
coliniaritii Exemplu
ANOVA
df SS MS F Significance F
Regression 2 131,3655 65,68275 4,419955 0,057373
Residual 7 104,0235 14,8605
Total 9 235,389

Coefficients
Standard
Error t Stat P-value
Lower
95%
Upper
95%
Intercept 8,813138 4,268295 2,064792 0,077813 -1,27977 18,90605
Rata inflatiei (%) -0,087 0,080807 -1,0766 0,317357 -0,27807 0,104081
Ritm anual de
crestere a
salariului mediu
(%) -0,01254 0,148395 -0,08452 0,935007 -0,36344 0,338356

3 a. Indicatori pentru semnalarea
coliniaritii - Exemplu
R
2
= 0,558 < r
2
x1,x2
= 0,921
2
= 0,849
Variabilele exogene sunt puternic corelate
3 b. nlturarea efectului de
multicoliniaritate
Estimarea prin partiionarea matricei X n dou blocuri de
variabile
se consider partiionarea matricei n dou submatrice ale cror
coloane sunt liniar independente: X=(X
m
, X
p-m
)
se estimeaz parametrii modelului de regresie: y=X
m
|
m
+c
m

se calculeaz apoi:
i se estimeaz parametrii modelului liniar de regresie: y*=X
r
|
r
+c
r

Eliminarea mecanic a coliniaritii
dac dependena celor dou variabile exogene este: x
2i
=ox
1i
+
i


cu

atunci se estimeaz modelul de regresie:


m
y y y
.
= *

=
=
.
=
n
i
i
n
i
i i
x
x x
1
2
2
1
2 1
o
i i i
x y q o| | + + =
1 2 1
) (
3 b. nlturarea efectului de
multicoliniaritate
- Transformarea variabilelor

Pentru reducerea multicoliniaritii, n cazul seriilor temporale, se
apeleaz adesea la transformarea variabilelor iniiale, folosind diferenele
de ordinul nti. Astfel, n locul modelului general:

t kt k t t t
x x x y c | | | | + + + + + = ...
2 2 1 1 0


se vor estima parametrii modelului:

( ) ( ) ( )
1 1 1 2 2 2 1 1 1 1 1
...

+ + + + =
t t kt kt k t t t t t t
x x x x x x y y c c | | | .

O alt transformare ce poate fi aplicat datelor este mprirea
datelor la una din variabile, n cazul n care exist semnificaie economic
pentru noile variabile obinute.

3 b. nlturarea efectului de multicoliniaritate
Exemplu
Deoarece att ritmul anual de cretere a ctigului salarial
mediu ct i ritmului anual de modificare a consumului final
sunt dependente de rata inflaiei, variabilele se vor mpri
la rata inflaiei.
Modelul va deveni:
( ) ( )
1 2 1
/ / X X X Y + = | o
ANOVA
df SS MS F
Significance
F
Regression 1 0,521316 0,521316 23,42939 0,001287
Residual 8 0,178004 0,022251
Total 9 0,699321

Coefficients
Standard
Error t Stat P-value
Lower
95%
Upper
95%
Intercept -0,58578 0,172996 -3,38608 0,009555 -0,98471 -0,18685
X2/X1 0,617306 0,127532 4,840391 0,001287 0,323216 0,911396

S-ar putea să vă placă și