Elemente introductive (2)

Luni, 27 Februarie 2023

 Modelarea economică

X  S  Y
 Modelele deterministe: y = f(x) (de exemplu: Q = wL) se utilizează frecvent în
practica economică în analiza pe factori a variaţiei, în timp sau spaţiu, a
fenomenelor social economice.

 Modelul econometric descrie legătura statistică sau stochastică dintre intrările

sistemului - factorii de influenţă X - şi ieşirile acestuia, variabilele rezultative Y:
Y = f(X)+U
 Tipologia modelelor econometrice
1. după numărul factorilor luaţi în considerare
 modele unifactoriale: se fundamentează pe ipoteza că în rândul factorilor de influenţă ai variabilei
rezultative y există un factor determinant x, ceilalţi factori cu excepţia acestuia având o influenţă
întâmplătoare (exprimată prin intermediul variabilei reziduale u) sau fiind invariabili în perioada
analizată
y = f(x)+u
 modele multifactoriale: elimină deficienţa modelului unifactorial, însă trebuie ca numărul
factorilor luaţi în considerare să nu fie foarte mare pentru a nu fi mult prea complex, dificil de
estimat etc.

y = f(x1,x2,...,xp)+u
2. după forma legăturii dintre variabila rezultativă şi variabilele cauză
 modele liniare: dacă legătura este liniară
 modele neliniare: dacă legătura este neliniară
Tipologia modelelor
econometrice
3. după includerea factorului timp în model
 modele statice: dependenţa variabilei endogene y faţă de valorile
variabilei exogene xj se realizează în aceeaşi perioadă de timp:
y = f(x1t,...,xjt,...,xkt) + ut
 modele dinamice:
 introducerea variabilei timp ca o variabilă explicativă
y = f(xt,t) + ut
 autoregresive : variabila rezultativă cu valori decalate este una din
variabilele explicative
y = f(xt,yt-k) + ut
 model cu decalaj: variabila explicativă x îşi exercită influenţa asupra
variaţiei variabilei rezultative pe mai multe perioade de timp:
y = f(xt,xt-1,... xt-k) + ut
 Tipologia modelelor
econometrice

4. Numărul de ecuaţii din model

 modele cu o singură ecuaţie: toate modelele prezentate anterior
 modele cu ecuaţii multiple: sunt formate dintr-un sistem de ecuaţii

 Forma structurală a unui model cu ecuaţii multiple este:

 Y1  b12Y2  ...  b1nYn  c11 X 1  c12 X 2  ...  c1m X m  U 1

b Y  Y  ...  b Y  c X  c X  ...  c X  U
 21 1 2 2n n 21 1 22 2 2m m 2

 
bn1Y1  bn 2Y2  ...  Yn  cn1 X 1  cn 2 X 2  ...  cnm X m  U n

Yi , i  1, n variabile rezultative sau endogene

X j , j  1, m variabile explicative sau exogene
Sintetizarea datelor primare

 sinteza tendinţei centrale

1 n
 media: x i   xki
n k 1
 sinteza numerică a variabilităţii
1 n
 dispersia variabilei x este s 
i
2
i 
n  1 k 1
( xki  x i ) 2
si  si2
 abaterea standard sau abaterea medie pătratică:
 sinteza numerică a legăturii de tip liniar
 covarianţa: exprimarean variaţiilor simultane a două variabile liniar dependente
1
sij  
n  1 k 1
( xki  x i )( xkj  x j )

Dacă cele două variabile coincid sii=si2 sij

rij   [1,1]
 coeficientul de corelaţie Pearson si s j
Rafinarea datelor

 Curățarea datelor (purificarea datelor) primare este necesară pentru asigurarea:

consistenţei; relevanţei; comparabilităţii
 Se realizează prin:
 recalcularea datelor după metodologii care au ieşire date comparabile;
 interpolare sau completarea datelor omise;
 extrapolarea: completarea datelor omise la capetele seriilor de timp;
 ajustarea datelor, netezirea datelor.
REGRESIE SI CORELATIE LINIARA

8
 Regresia – scurt istoric al termenului

 Sir Francis Galton(1822-1911) – spirit enciclopedic al perioadei

victoriene, fiind cel care a introdus termenii de regresie şi corelaţie
statistică
 Originea regresiei ca metodă statistică se află în studiile sale de genetică
aplicată în studiul plantelor- 1877
 Plantînd boabe dintr-un anumit soi de mazăre dulce a observat că există
o legătură liniară între diametrele acestor boabe şi diametrele boabelor
recoltate de la noile plante. El a numit iniţial panta acestei drepte
“coefficient of reversion”, schimbîndu-i apoi numele în “coefficient of
regression”.
 Termenul de regresie provine de la descoperirile sale în domeniul
eredităţii: în general, progeniturile indivizilor geniali au abilităţi care îi
aşază mai degrabă la nivelul mediei; de asemenea, înalţimea copiilor
proveniţi din taţi foarte înalţi se apropie mai mult de înălţimea medie
decît înălţimea taţilor.

9
 Modele

 Un model este o reprezentare a unui anumit fenomen

 Model matematic - o reprezentare matematică a unui fenomen
 De cele mai multe ori un model descrie legăturile existente între două sau mai
multe variabile
 În general, sînt două clase de modele:
 Modele deterministe
 Modele probabiliste

10
 Modele deterministe  Modele probabiliste
 Exprimă o relaţie exactă între
variabile  Componenta
 Teoretic, eroarea de previziune deterministă
este nulă
 Componenta aleatoare
 Exemplu:
 Eroarea de previziune
Principiul al doilea al mecanicii
este nenulă
newtoniene:  Componenta aleatoare
F = m.a poate fi datorată
factorilor obiectivi, ce
nu sînt incluşi în model
 Exemplu: Volumul
vînzărilor=10 *
Cheltuielile cu
publicitatea +
Componenta 11
aleatoare
 Tipuri de modele probabiliste

Modele
Probabilistic
Probabilistic
MModels
probabiliste
odels

Modele de
Regression
Regression Modele de
Correlation
Correlation Alte
Other
Other
regresie
MModels
odels corelatie
MModels
odels MModels
odels
modele

12
 Regresia – metodă de modelare a legăturilor
dintre variabile

 În general, orice fenomen este rezultatul acţiunii unuia sau mai multor factori
 Exprimarea matematică:

Y  f ( X 1 ,..., X n )  

Variabila dependentă Variabile independente Variabila reziduală

(variabila endogenă) (variabile
exogene/explicative)
13
Exemplu: Legea lui Keynes privind legătura
dintre venit şi consum

 Suma cheltuită pentru consum depinde de:

 mărimea venitului pe de o parte
 alte obiective în funcţie de circumstanţe (de exemplu
investiţiile)
 alte nevoi subiective
 „O persoană este dispusă de regulă şi în medie să îşi crească
consumul pe măsura creşterii venitului dar nu în aceeaşi
măsură”
dC
0 1
dV

 Modelul de regresie: C=+V+ , unde 0<<1 .

14
Clasificarea modelelor de
regresie
1 Variabilă Modele 2+ Variabile
explicativă de regresie explicative

Simple Multiple

Non- Non-
Linear Linear
Linear Linear

15
 Tipuri de modele de regresie

Legătură liniară directă Legătură neliniară

Legătură liniară inversă Absenţa vreunei legături

16
Modelul de regresie liniară simplă

17
Exemplu
practic
 Există o legătură între
suprafaţa unor apartamente
din zona centrală şi preţul de
închiriere a acestora?
 Selectăm aleator 25 de astfel
de apartamente la care
urmărim valorile celor două
variabile X – suprafaţa(m2) şi Y
– chiria lunară(RON).

18
 Regresia folosind EXCEL
Accesăm meniul TOOLS>DATA ANALYSIS>REGRESSION

19
Regresia folosind EXCEL
Selectăm valorile variabilelor

20
21
 Corelograma(Scatter plot)

 Graficul punctelor de coordonate (Xi,Yi), i=1,n.

2500

2000

1500
Chiria(RON)

1000

500

0
0 50 100 150 200 250
Suprafata(m2) 22
 Modelul de regresie liniară simplă

 Pe baza corelogramei este rezonabil să presupunem că media variabilei

Y depinde de X printr-o relaţie liniară:

 Atunci modelul de regresie liniară simplă este dat de relaţia următoare:

Y intercept (termenul constant)

Variabila
de
Yi   0   1 X i   i perturbaţie

Variabila
Variabila independentă
dependentă Panta dreptei de 23

(răspuns) (explicativă)
regresie