Homoscedasticitatea erorilor

1. Pentru verificarea ipotezelor unui model de regresie

liniară simplă, se cunoaşte valorea coeficientului de
corelaţie Spearman (r=0,176). Ştiind că volumul
eşantionului este n=20, să se afle:
• t calc
• t teoretic, pentru α=0,05
• Erorile sunt homoscedastice ?
Ipoteze statistice:
H0: ipoteza de homoscedasticitate (θ = 0) (nu există legătură
semnificativă între X şi |ε|)
H1: ipoteza de heteroscedasticitate (θ ≠0) (există legătură
semnificativă între X şi |ε|)

Statistica test t Student se calculează astfel:

r n2 0,176  20  2
tcalc    0, 759
1 r 2
1  0,176 2

Decizia:
(| tcalc | 0,759)  (t0,025;18  2,101)  H0

Deci, se acceptă, cu o probabilitate de 0,95, ipoteza H 0, ipoteza

de homoscedasticitate a erorilor.
2
 Homoscedasticitatea erorilor
2) Pentru erorile modelului de regresie dintre PIB (variabila
independentă, X) şi Aportul de calorii (variabila dependentă, Y)
se cunosc următoarele rezultate:
Correlations

Gross
domestic
product /
modul_eroare capita
Spearman's rho modul_eroare Correlation Coefficient 1,000 ,039
Sig. (2-tailed) . ,743
N 74 74
Gross domestic Correlation Coefficient ,039 1,000
product / capita Sig. (2-tailed) ,743 .
N 74 109

• Erorile sunt homoscedastice ?

Ipoteze statistice:
H0: ipoteza de homoscedasticitate (θ = 0) (nu există legătură
semnificativă între X şi |ε|)
H1: ipoteza de heteroscedasticitate (θ ≠0) (există legătură
semnificativă între X şi |ε|)

Decizia:
(Sig.  0,743)  (  0,05)  H0

Deci, se acceptă, cu o probabilitate de 0,95, ipoteza H0,

ipoteza de homoscedasticitate a erorilor.

4
 Homoscedasticitatea erorilor
• Pentru testul Glejser s-au obţinut rezultatele
prezentate în tabelul de mai jos:
Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 234,147 30,261 7,738 ,000
Gross domestic
-,002 ,003 -,061 -,516 ,607
product / capita
a. Dependent Variable: modul_eroare

• Ştiind că riscul asumat este de 10% şi n= 74, să

se verifice dacă erorile sunt homoscedastice.
Ipoteze statistice:
H0: erorile sunt homoscedastice (α1 = 0)
H1: erorile sunt heteroscedastice (α1  0 )
Statistica test:
a 0, 002
tcalc  1   0,516
sˆ
1
0, 003

 /2;(n2)  t0,05; 72  1,645

Valoarea teoretică: t

Decizia: (| tcalc | 0,516)  (t0,05; 72  1,645)  H0

Deci, parametrul α1 nu este semnificativ.

 Nu există legătură semnificativă între variabila
independentă şi erorile în mărime absolută
 Erorile sunt homoscedastice.
6
 Media erorilor
3) Se cunosc datele din tabelul următor cu
privire la variabila eroare
One-Sample Statistics

Std. Error
N Mean Std. Deviation Mean
Unstandardized Residual 74 ,0670000 302,07725400 35,11577

• Media erorilor este nulă?

Ipoteze:
H0: M(εi)=0
H1: M ( i )  0
Statistica test:
M (ei ) 0, 067 0, 067
tcalc     0, 0019
sMˆ ( ) 302, 077 / 74 35,1157
Valoarea teoretică a testului: tα/2,n-1
Decizia:
(| tcalc | 0,0019)  (t0,025; 73  1,96)  H0

Deci, se acceptă, cu o probabilitate de 0,95,

ipoteza H0, media erorilor este nulă.
8
 Media erorilor
Residuals Statisticsa

Minimum Maximum Mean Std. Deviation N

Predicted Value 1921,07 3568,33 2741,96 474,223 74
Residual -562,266 884,290 ,067 302,077 74
Std. Predicted Value -1,731 1,743 ,000 1,000 74
Std. Residual -1,810 2,846 ,000 ,972 74
a. Dependent Variable: Daily calorie intake

One-Sample Statistics

Std. Error
N Mean Std. Deviation Mean
Unstandardized Residual 74 ,0670000 302,07725400 35,11577

One-Sample Test

Test Value = 0
95% Confidence
Interval of the
Mean Difference
t df Sig. (2-tailed) Difference Lower Upper
Unstandardized Residual ,000 73 1,000 ,00000000 -69,9856 69,98562
 Normalitatea erorilor
• Pentru erorile estimate ale unui model de
regresie se cunosc următoarele rezultate:
One-Sample Kolmogorov-Smirnov Test

Unstandardiz
ed Residual
N 74
Normal Parametersa,b Mean ,0000000
Std. Deviation 200,28528978
Most Extreme Absolute ,128
Differences Positive ,127
Negative -,128
Kolmogorov-Smirnov Z 1,098
Asymp. Sig. (2-tailed) ,179
a. Test distribution is Normal.
b. Calculated from data.
Ipoteze statistice:
H0: ipoteza de normalitate: i  ~ N ( 0 , 2
)
H1: distribuţia erorilor nu urmează o lege normală

Decizia:
(Sig.  0,179)  (  0,05)  H0

Deci, se acceptă, cu o probabilitate de 0,95, ipoteza H0

• Erorile urmează o lege de repartiţie normală

 Estimatorii parametrilor modelului de regresie
urmează o lege normală
• Media erorilor este nulă?
 Normalitatea erorilor
• Pentru erorile unui model de regresie s-a obţinut tabelul de mai jos:

Statistics

Unstandardized Residual
N Valid 74
Missing 35
Skewness ,778
Std. Error of Skewness ,279
Kurtosis ,872
Std. Error of Kurtosis ,552

• sw = 0,778 (Skewness)
• k = 0,872 (Kurtosis)
• n = 74
Ipoteze statistice:
H0: ipoteza de normalitate
H1: distribuţia erorilor nu urmează o lege normală
Statistica test:
n  2 k2 
JB    sw    JB  9,81
6  4

Valoarea teoretică: 2 ,2   0,05,2

2
 5.991
Decizia:
JBcalc  2 ,2 : se respinge H 0  erorile nu sunt normal distribuite
 Necorelarea erorilor
• Pentru erorile unui model de regresie se
cunosc următoarele rezultate:
Runs Test

Unstandardiz
ed Residual
Test Valuea -15,07062
Cases < Test Value 37
Cases >= Test Value 37
Total Cases 74
Number of Runs 41
Z ,702
Asymp. Sig. (2-tailed) ,482
a. Median
Ipoteze statistice:
H0: nu există autocorelare a erorilor (k este distribuit normal )
H1: erorile sunt autocorelate (k nu este distribuit normal )

Decizia:
(Sig.  0,482)  (  0,05)  H0
Deci, se acceptă, cu o probabilitate de 0,95, ipoteza H0
• Erorile nu sunt autocorelate
• k este normal distribuit
• Succesiunea runs-urilor este aleatoare
 Necorelarea erorilor
• Pentru erorile unui model de regresie se cunosc
următoarele rezultate:
Model Summary

Adjusted Std. Error of

Model R R Square R Square the Estimate Durbin-Watson
1
0,843 0,711 0,695 310,710 2,169

Predictors: (Constant), Gross domestic product / capita

Dependent Variable: Daily calorie intake
Ipoteze:
H0: erorile nu sunt autocorelate ( = 0)
H1: erorile sunt autocorelate (  0 )
Valoare calculată a statisticii DW egală cu dcalc =2,169.
Valorile critice:
Ştiind că n  74 
 dL  1,598
k  2 parametriTabelul DW 
 dU  1,652
  0,05 
Regula de decizie:

Decizia:
0-------dL---------dU------------2----------------4-dU-----4-dL------4
0----1,598----1,652-----------2----2,169----2,348----2,402----4
dcalc (dU ,4  dU )  H0
dcalc =2,169 
Deci, se acceptă, cu o probabilitate de 0,95, ipoteza H0,
erorile nu sunt autocorelate
33
 Lipsa coliniarităţii variabilelor independente

• În analiza coliniarităţii variabilelor independente, a

Coefficients
s-au obţinut următoarele rezultate:
Coefficientsa Unstandardized Standardized Coefficientsa

Unstandardized Standardized Coefficients

Unstandardized Standardized Coefficients
Coefficients Model
Coefficients BStatisticsStd.Coefficients
Coefficients
Collinearity Error Beta t C
B Std. Error 1 Beta
Model (Constant)
t Sig. B 1027,330
Tolerance Std.VIF
Error 322,437
Beta t Sig. T
3,1
27,330 322,437 1 (Constant)
3,186 ,002 1027,330 322,437 3,186 ,002
Gross domestic
Gross domestic product /
product /
,032 ,007 ,413capita4,593 ,000 ,516 ,032
,032 ,007
1,936 ,007 ,413 4,593,413 ,000 4,5
capita
-,919 3,201 -,038People whoread
People-,287
who read
(%) (%)
,775 ,241 -,919
-,919 3,201
4,144 3,201-,038 -,038 ,775 -,2
-,287
Average female life
20,780 7,670 ,423Average2,709 female life,008 20,780
,172 7,670
5,829 ,423 2,709 ,008
expectancy 20,780 7,670 ,423 2,7
expectancy
3,072 2,331 ,137 People living in cities
1,318 (%)
,192 3,072
,387 2,331
2,587 ,137 1,318 ,192
intake
People Variable:
a. Dependent living inDaily
cities (%)
calorie intake 3,072 2,331 ,137 1,3
a. Dependent Variable: Daily calorie intake
• Deoarece VIF < 10 și TOL > 0,10, variabilele
independente nu sunt coliniare.
• Raportul de determinaţie (R2) pentru modelul auxiliar:

People who read   0  1  GDP   2  Av femalelife expectancy   3  People cities  ui

TOL2  1  R22  R22  1  TOL2

R22  1  0, 241
R22  0, 759
• 75,9% din variaţia variabilei X2 este explicată de variaţia
simultană a celorlalte variabile independente
• TOL2 > 0,10, deci variabila independentă People who
read (X2) nu este coliniară cu celelalte variabile
independente din model.
• R 2  1  TOL unde TOL  1  1  0,516
1 1 1
VIF1 1,936
R12  1  0,516
R12  0, 484
Lipsa coliniarităţii variabilelor independente

• În analiza coliniarităţii variabilelor independente dintr-un

model de regresie cu două variabile independente, s-a
obţinut valoarea R12 pentru modelul auxiliar egală cu 0,45.

1 1
• VIF1    1,818
1  R1 1  0, 45
2

• VIF1  VIF2  1,818

• VIF < 10  nu există variabile independente care introduc
fenomenul de coliniaritate
 Modele neliniare
• Interpretarea parametrului β1 pentru următorul model:
 0   1 X 
Y e
• La o creştere absolută a variabilei independente cu o unitate, variabila
dependentă variază, în medie, cu β1 *100%

• La o creştere absolută a variabilei independente cu o unitate, variabila

dependentă variază, în medie, cu o rată egală cu β1

• La o creştere cu 1% a variabilei independente, variabila dependentă

variază, în medie, cu β1%
 Modele neliniare
• Pentru legătura dintre PIB/locuitor (X) şi Speranţa medie de
viaţă (Y), se cunosc următoarele rezultate:

• Parabola admite punct de maxim

• Ecuaţia estimată este: YX  59,9  0, 003  X  1,1107  X 2
• Speranţa medie de viaţă este egală cu 59,9 ani, dacă
PIB/locuitor este egal cu 0 euro.
• Ecuaţia estimată este: YX  59,9  0, 003  X 1  1,1107  X 22 m
 Modele neliniare
• Pentru legătura dintre PIB/locuitor (X) şi Rata mortalităţii infantile (Y) se
cunosc următoarele rezultate:

• Elasticitatea Ratei de mortalitate infantilă în raport cu PIB/locuitor este

– 0,628.
• La o creştere cu 1% a PIB/locuitor, nivelul mediu estimat al Ratei
mortalităţii infantile scade cu 0,628%
• La o creştere cu 1% a PIB/locuitor, nivelul mediu estimat al Ratei
mortalităţii infantile scade cu 62,8%
 Modele neliniare
• Pentru legătura dintre PIB/locuitor (X) şi Rata natalităţii (Y) se
cunosc următoarele rezultate:

• Ecuaţia estimată este: YX  78,347  6, 654  ln X

• La o creştere cu 1% a PIB/locuitor, Rata natalităţii scade în
medie cu 0,06654 unităţi.
• Ecuaţia estimată este: ln Y  78,347  6, 654  X m
• Variabila PIB are influenţă semnificativă asupra Ratei natalităţii
 Modele neliniare
• Interpretarea parametrului β1 pentru următorul model:
Y  0  1  ln X  

• Variaţia absolută a lui Y, la o variaţie relativă cu o

unitate a lui X
• Variaţia relativă a lui Y, la o variaţie cu o unitate a lui X
• Variaţia relativă a lui Y, când X=0
 Modele neliniare
• Pentru legătura dintre PIB/locuitor (X) şi Rata mortalităţii infantile (Y) se
cunosc următoarele rezultate:

• Modificarea absolută cu o unitate a variabilei independente X determină

modificarea relativă a variabilei dependente Y, în medie, în sens invers, cu
0,628 unităţi
• Modificarea relativă cu o unitate a variabilei independente X determină
modificarea relativă a variabilei dependente Y, în medie, în sens invers, cu
0,628 unităţi
• Modificarea absolută cu o unitate a variabilei independente X determină
modificarea relativă a variabilei dependente Y, în medie, în sens invers, cu
ln 0,628 unităţi
 Modele neliniare
• Pentru legătura dintre PIB/locuitor (X) şi Rata mortalităţii infantile (Y) se
cunosc următoarele rezultate:

• Ecuaţia estimată este: ln YX  ln 40,971  X  ln1, 010

• Ecuaţia estimată este: Y  40,9711, 010 X
X

• Ecuaţia estimată este:

YX  40,971 X 1,010
Elasticitatea cererii în raport cu preţul se poate estima cu ajutorul
• unui model log-liniar
• unui model semilogaritmic
• unui model putere

Prin autocorelare înţelegem că

• variabilele independente Xi din model sunt corelate între ele
• erorile de modelare nu sunt independente
• erorile de modelare sunt corelate cu una sau mai multe
variabile independente
Între variabilele cost unitar şi nivelul producţiei există o legătură
de tip
• log-liniar
• parabolic
• putere

Încălcarea ipotezei de homoscedasticitate are ca efect

• pierderea eficienţei estimatorilor parametrilor modelului de
regresie
• pierderea eficienţei estimatorului variabilei dependente
• pierderea eficienţei estimatorului variabilei independente
Dacă între variabilele independente se înregistrează o
coliniaritate perfectă, atunci varianţa estimatorilor este
• Infinită
• Nulă
• Mare