Professional Documents
Culture Documents
y = f ( x) + u (3.1.1)
unde:
y = ( y 1 , y 2 , K , y n ) - variabila endogenă sau rezultativă;
x = (x 1 , x 2 , K , x n ) - variabila exogenă sau factorială sau cauzală;
u= (u 1 , u 2 , K , u n ) - variabila reziduală, aleatoare sau eroare.
y
y
a
a,b >0 b>0
a<0, b>0
b<0
a a>0, b<0
0
x 0 x
-a
y=a+bx+u y = a + b log x + u
y y
b>1
b=1
b>0
nivel de saturaţie
0 < b <1 a
b<0
b<0
0
x 0 x
y y
yM
b>0
0 x 0 b b x
2 ,3026 2,3026
c −1 c
y a<0
c>0
yM b>0
a, c > 0,
b<0
a, c < 0,
ym b>0
0 b x
−
2c
7. Parabola de gradul II
y = a + bx + cx 2 + u
Modelul unifactorial
y a, c > 0,
b<0
yM
a, c < 0,
ym b>0
0 b x
− 2 , 3026
e 2c
8. Parabola logaritmică
y = a + b log x + c(log x) + u
2
III
y
a II
Nivel de saturaţie II
aI
Nivel de I
saturaţie
0 C x
y
a > 0, b > 0
yM
a > 0, b < 0
0 ⎛ b ⎞ x
− ⎜ 1 + 2 , 3026 ⎟
⎝ a ⎠
e
y
(3) (1) c
c (1) y = +u
Nivel de saturaţie (2)
b<0 1+ e a+bx
b>0
c
(2) y = a + b log x
+u
1+ e
b<0 c
(3) y = b
+u
a+
1+ e x
0 x
Tabelul 3.2.1
xt yt yt − yt −1 xt −1 yt − y t −1
cmi = cei = ⋅
xt − xt −1 yt −1 xt − xt −1
x1 y1 -- --
x2 y2 y 2 − y1 x1 y 2 − y1
= cm2 ce2 = ⋅
x2 − x1 y1 x 2 − x1
M M M M
xn yn y n − y n −1 x n −1 y n − y n −1
= cmn ce n = ⋅
x n − xn −1 y n −1 x n − x n −1
y
ymax
y1
S
0 L x
Figura 3.2.1
A x x max − x 1
Ox : 1 cm ≈ =
L L
Ay y − y1
Oy : 1 cm ≈ = max
L L
ln y
0 ln x
ln y
0 x
e Yt = a b xt Æ Yt = ln a + b ln xt
Modele econometrice
0 ln x
∂y ∂x ∂ ln y
- Ce = : = – viteza de variaţie relativă a funcţiei sau
y x ∂ ln x
coeficientul de elasticitate.
În acest sens, vom exemplifica proprietăţile acestor indicatori pentru
câteva categorii de funcţii de regresie.
Deoarece x şi y descriu fenomene economice valorile lor trebuie să
fie pozitive. Deci funcţiile de regresie sunt definite pe intervalul
[0;+∞] →[0;+∞]. Variabila y reprezintă variabila efect, iar variabila x
variabila cauză.
1. y = a + bx
y y y
a, b≥ 0 a<0 a>0
b>0 b<0
a
a
x x x
a a
− −
b b
Modele econometrice
Cm Cm
b<0
b>0
b x
1. a) Cm = y x′ = b x b
y
y
b
y a b
1. b) y = =b +
x x
x x
a>0, b>0 a<0, b>0
y
y
lim y = b ;
x →∞
În cazul în care cauza este maximă, aceasta tinde spre infinit, efectul
mediu fiind egal cu b. Atunci când cauza tinde către zero, iar parametrul a
este pozitiv, efectul mediu (efectul pe fiecare unitate de cauză) va tinde să
fie maxim, spre infinit, iar dacă parametrul a este negativ, efectul mediu
tinde să fie minim, spre minus infinit.
Modelul unifactorial
Ce
x bx
1. c) Ce = y x′ ⋅ =
y a + bx
lim Ce = 0 ; lim Ce = 1
x →0 x →∞
b
2. y = a + ; a, b>0
x
y lim y = +∞
x →0
x >0
lim y = a
a x →∞
x
b
y ′=− < 0 ⇒ y este
x2
descrescător
Modele econometrice
b
2. a) Cm = −
x2
Cm
x
lim Cm = −∞ ; lim Cm = 0
x →0 x →∞
x >0
Deci, la creşteri ale cauzei, efectul scade. Pentru valori mici ale
cauzei modificările efectului sunt foarte mari, tinzând spre infinit, iar pentru
valori foarte mari ale cauzei, modificările efectului, ca urmare a modificării
cauzei, tind spre zero. Cu cât valorile cauzei sunt mai mari, cu atât efectul
variază mai puţin la variaţiile cauzei.
a b
2. b) y = + 2
x x
y
lim y = +∞ lim y = 0
x →0 x →∞
x >0
a b 1 ⎛ax+b ⎞
( y )x′ = − − ⋅ 2x = − ⎜ ⎟
x 2 2 2
(x ) x2 ⎝ x ⎠
Deoarece x>0, a, b>0 ⇒ ( y )x′ < 0
x
⇒ y descrescător
În cazul în care cauza tinde spre infinit, efectul mediu, adică efectul
pe unitatea de cauză este zero. Atunci când cauza tinde către zero, efectul pe
fiecare unitate de cauză tinde spre infinit. Efectul mediu este descrescător,
deci, cu cât cauza este mai mare, efectul pe unitatea de cauză este mai mic.
Modelul unifactorial
x b
2. c) Ce = y x′ ⋅ =−
y ax + b
Ce
lim Ce = −1
x x →0
x >0
-1 lim Ce = 0
x →∞
−1 ab
(Ce) x′ = ( −b) ⋅ 2
⋅a = >0⇒
(ax + b) (ax + b) 2
Ce este crescător
y b
y x′ = 2cx +b = 0 ⇒ x = −
2c
y x′′ = 2c > 0 ⇒ x corespunde
x2
x1 b lui y minim
a −
2c
x ⎧⎛ b ⎞ ∆ ⎫
min y ⎨⎜ − ⎟; − ⎬
⎩⎝ 2c ⎠ 4c ⎭
∆
−
4c
3. a) Cm = y x′ = 2cx + b
Modele econometrice
Cm
b>0
c>0
b<0
x
b
−
2c
a + bx + cx 2
3. b) y =
x
- pentru a, c>0:
lim y = +∞
x →∞
y
a
lim y = = +∞
x →0
x >0
0+
cx 2 − a x ≥0 a
b + 2 ac ( y ) x′ = ⇒ x 1,2 =
x 2 c
x
⎛ a⎞
a ( y )⎜⎜ ⎟ = 2 ac + b
⎝ c ⎟⎠
c
Modelul unifactorial
a
x 0 + +∞
c
------------- 0 + + + + + + +
( y)′x
y | +∞ b + 2 ac +∞
Ce x bx + 2cx 2
3.c) Ce = y ′ ⋅ =
y a + bx + cx 2
2
lim Ce = 2
x →∞
0 lim Ce = 0
x x →0
4. y = axb, a>0 deoarece y trebuie să fie pozitiv, iar fucţia putere este
o funcţie pozitivă şi b≠1, deoarece altfel s-ar obţine o funcţie liniară.
Ce
b>0
b
x
b<0
b
Dacă b este cuprins între zero şi unu, atunci cauza variază în acelaşi
sens cu efectul, dar coeficientul marginal fiind descrescător, înseamnă că
variaţiile efectului sunt din ce în ce mai mici. De asemenea, şi efectul pe
unitatea de cauză este cu atât mai mic cu cât cauza este mai mare. Totuşi,
dacă există o variaţie de un procent a cauzei, efectul va varia cu b procente,
indiferent de mărimea cauzei.
Dacă b este mai mic decât unu, atunci cauza variază în sens invers
efectului. Coeficientul marginal fiind descrescător, înseamnă că variaţiile
efectului sunt din ce în ce mai mici. De asemenea, şi efectul pe unitatea de
cauză este cu atât mai mic cu cât cauza este mai mare. Dacă există o variaţie
de un procent a cauzei, efectul va varia cu b procente, indiferent de mărimea
cauzei.
Dacă b este mai mare decât unu, atunci cauza variază în acelaşi sens
cu efectul. Coeficientul marginal fiind crescător, înseamnă că variaţiile
efectului sunt din ce în ce mai mari. De asemenea, şi efectul pe unitatea de
cauză este cu atât mai mare cu cât cauza este mai mare. Dacă există o
variaţie de un procent a cauzei, efectul va varia cu b procente, indiferent de
mărimea cauzei.
Prin compararea proprietăţilor indicatorilor teoretici ai funcţiilor de
regresie – variaţie continuă – cu indicatorii empirici – variaţie discretă – ai
celor două variabile, calculaţi pe baza seriei statistice –
y − y t −1 y − y t −1 x t − x t −1
cm i = t ; ce i = t : – se va putea alege acea
x t − x t −1 y t −1 x t −1
funcţie de regresie ai cărei indicatori au proprietăţi apropiate cu indicatorii
empirici.
Modelul unifactorial
x1 y 2 − y 1 x 2 y 3 − y 2 x y − y n −1
⋅ ≈ ⋅ ≈ K ≈ n −1 ⋅ n
y 1 x 2 − x1 y 2 x 3 − x 2 y n −1 x n − x n −1
c ⎛ c ⎞ ⎛ c ⎞
yt = a +bx t
⇒⎜ − 1⎟ = e a +bx t ⇒ ln ⎜ − 1⎟ = a + bx t ⇒
1+e ⎝yt ⎠ ⎝yt ⎠
* ∗ ⎛ c ⎞
yt = a + b xt, unde: y t = ln ⎜ − 1⎟
⎝yt ⎠
Tabelul 3.3.1
xt yt xt2 xt yt ŷ t = â + b̂x t û t = y t − ŷ t (uˆt ) 2
unde:
yt, xt = valorile empirice ale variabilelor;
a, b = parametrii modelului;
â , b̂ = estimaţiile parametrilor modelului;
ut = variabila eroare;
uˆt = estimaţia lui ut.
exemplu, în cazul modelului liniar -vezi relaţia (3.3.1) - vor trebui alese
două puncte. Fie acestea, M3(x3, y3) şi M8(x8, y8):
y3 x3 1 y3
ˆ
y3 = aˆ + bx3 ⎫⎪ y8 x8 1 y8
⎬ ⇒ aˆ = ; b̂ =
y8 = aˆ + bˆx8 ⎪⎭ 1 x3 1 x3
1 x8 1 x8
1
⎛x2 x3 x4 x5 ⎞ x1 = 4 (x 2 + x 3 + x 4 + x5)
⎜⎜ ⎟⇒ ;
⎝y 2 y3 y4 y 5 ⎟⎠ y = 1 (y + y + y + y )
1
4 2 3 4 5
Modele econometrice
1
⎛ x6 x7 x8 x9 ⎞ x2 = 4 (x6 + x7 + x8 + x9 )
⎜⎜ ⎟⇒
⎝y 6 y7 y8 y 9 ⎟⎠ y = 1 (y + y + y + y )
2
4 6 7 8 9
y1 x1 1 y1
aˆ + bˆx 1 = y 1 ⎫⎪ y2 x2 1 y2
⎬ ⇒ aˆ = ; bˆ =
aˆ + bˆx = y
2 2⎪⎭
1 x1 1 x1
1 x2 1 x2
yt = a + bxt + ut
ŷ t = â + b̂x t
û t = y t − ŷ t = y t − â − b̂x t
unde:
yt, xt = valorile reale ale celor două fenomene economice existente în
seriile statistice ale acestora;
ŷ t = valorile teoretice ale variabilei y, obţinute numai în funcţie de
valorile factorului esenţial xt şi de valorile estimatorilor
parametrilor a şi b, respectiv aˆ şi bˆ ;
û t = estimaţiile valorilor variabile reziduale ut.
( ) n
F â , b̂ = min ∑ (y t − ŷ t
t =1
)2 = min
n
(
∑ y t − â − b̂x t
t =1
)
2
(3.3.4)
Modelul unifactorial
adică a minimiza suma pătratelor distanţelor, faţă de axa OY, dintre valorile
reale, yt, şi valorile teoretice, ŷ t .
Condiţia de minim a funcţiei (3.3.4) rezultă din:
⎧ n n
⎪⎪ nâ + b̂ ⋅ ∑ x t = ∑ yt
t =1 t =1
⎨ (3.3.7)
n
⎪â ⋅ ∑ x t + b̂ ⋅ ∑ x t2 = ∑ y t x t
⎩⎪ t =1
- estimaţia parametrului b
n ∑y t ∑y t xt
∑x t ∑y t xt n ∑ y t x t − ∑ y t ∑x t −x* y
b̂ = = = n (3.3.9)
n ∑x t2 − (∑x t )
2 2
n ∑x t ∑x t
2 −x 2
∑x t ∑x t n
- dispersia variabilei x
σ 2x =
∑ (x t − x )2 =
(
2
∑ x t − 2x t x + x
2
) =
∑xt
2
− 2x
∑xt
+x 2
=
n n n n
Modele econometrice
2 2
∑xt ∑xt
= − 2x 2 + x 2 = −x2
n n
∑ y t xt
−x* y
⇒ b̂ = n
σ 2x
∑ (x t − x )(y t − y ) ∑ (x t y t − x t y − x y t + x ⋅ y ) ∑ x t y t
cov (y , x ) = = = −
n n n
∑xt ∑y t ∑xt y t ∑x i y t
−y −x +x ⋅y = − y ⋅x −x ⋅y +x ⋅ y = −x ⋅y
n n n n
cov (y , x ) ∑ (x t − x )(y t − y )
⇒ b̂ = = (3.3.10)
σ 2x ∑ (x t − x )
2
cov(y , x ) σ σy
r ( y , x ) = r (x , y ) = ⇒ r ( y , x ) = bˆ ⋅ x ⇒ bˆ = r ( y , x ) ⋅ (3.3.11)
σxσ y σy σx
unde: σy, σx = abaterile medii pătratice ale variabilelor y şi x.
( )
1) ∑ y t − aˆ − bˆx t = ∑ uˆt = 0 ⇒ M (uˆt ) = 0 – variabila aleatoare ut
t t
este de sumă nulă şi, evident, de medie zero;
Modelul unifactorial
t
( )
2) ∑ y t − â − b̂x t = ∑ (y t − ŷ t ) = 0 ⇒ ∑ y t = ∑ ŷ t
t t t
– suma
(x t −x)
∑ (y t − y )(x t − x ) ∑ [(y t − y )(x t − x )] ⋅
(x t −x)
4) bˆ = t
= =
∑ (x t − x ) ∑ (x t − x )
2 2
⎡y − y
∑⎢ t
t xt − x
⎤
[
⋅ (x t − x )2 ⎥ ∑ bt (x t − x )2 ]
= ⎣ ⎦= t ⇒ panta dreptei de regresie,
∑ (x t − x ) ∑ (x t − x )
2 2
t
y2 − y
b2 =
y x2 − x yˆ = a + bx
yn
y1 − y
b1 =
x1 − x
M
y
y2 M2
y1
M1
0
x1 x2 x xn x
Figura 3.3.1
b1 ( x1 − x ) + b2 ( x2 − x ) + K + bn ( xn − x )
2 2 2
b=
(x1 − x )2 + (x2 − x )2 + K + (xn − x )2
1
Vezi teorema 2 şi 3.
Modele econometrice
( ) n
F â , b̂ = min ∑ û t2 = min ∑ y t − â − b̂x t
t =1
n
t =1
( )2
Teorema 1
Dacă variabila reziduală ut este repartizată normal, având media
egală cu zero şi abaterea medie pătratică σu, atunci metoda verosimilităţii
maxime este echivalentă cu metoda celor mai mici pătrate.
Demonstraţie
În cazul modelului liniar y = a + bx + u , u este repartizată N(0, σu),
ceea ce este echivalent cu y repartizată N(a+bx, σ).
Funcţia de verosimilitate a caracteristicii y este:
( )
L y t ; â , b̂ = f (y 1 ) ⋅ f (y 2 ) ⋅ ... ⋅ f (y n )
1
( )
2 1
( )
2
( )
− y 1 −â −b̂x 1 − y n −â −b̂x n
1 2σ 2 1 2σ 2
L y t ; â , b̂ = e ⋅ ... ⋅ e ⇒
2π σ 2π σ
∑ ( y t − aˆ − bˆ x t )
n
1
( )
n 2
−
⎛ 1 ⎞
⇒ L y t ; aˆ , bˆ = ⎜
2
2σ
⎟ ⋅e t =1
⎝ 2π σ ⎠
Modele econometrice
n
⎛ 1 ⎞
Deoarece σ este constant, ln⎜⎜ ⎟⎟ = k = constant.
⎝ 2πσ ⎠
⎡ ⎛ 1 n ⎤
∑ (y ) ∑( ) ⎤⎥ =
⎞ 1
n ⎡ n
max ⎢ln⎜⎜ ⎟ − − aˆ − bˆx 2 ⎥ = k + max ⎢− 1 y t − aˆ − bˆxt
2
a ,b ⎢ ⎝ 2π σ ⎟ 2σ 2 t t
⎥ a ,b ⎢ 2σ 2
⎣ ⎠ t =1 ⎦ ⎣ t =1 ⎥⎦
∑( ) ( )
⎛ 1 ⎞ ⎡ n 2⎤ ⎛ 1 ⎞
= k + ⎜− ⎟ min ⎢ y t − aˆ − bˆxt ⎥ = k + ⎜ − ⎟ min F aˆ , bˆ
⎝ 2σ 2 ⎠ a ,b ⎢⎣ t =1 ⎥⎦ ⎝ 2σ 2 ⎠ a ,b
Observaţie
Se ştie că estimatorii de verosimilitate maximă sunt estimatori
nedeplasaţi, consistenţi şi eficienţi, adică:
- M ( â ) = a , M ( b̂ ) = b (estimatorii sunt nedeplasaţi);
p p
- â ⎯⎯→ a , b̂ ⎯⎯→ b (estimatorii sunt consistenţi);
- orice alt estimator pentru a şi b are dispersia mai mare decât
dispersia lui â şi b̂ (estimatorii sunt eficienţi).
În cazul repartiţiei normale a variabilei reziduale, estimatorii obţinuţi
prin metoda celor mai mici pătrate sunt nedeplasaţi, consistenţi şi eficienţi.
În consecinţă, aceşti estimatori pot fi consideraţi drept cei mai buni în
procesul de decizie sau de modelare econometrică.
Modelul unifactorial
Teorema 2
Dacă variabila reziduală este repartizată normal, având media egală
⎛ ⎞
⎜ ⎟
σ u2
cu zero şi dispersia σ u2 = ct . , atunci bˆ este repartizat N ⎜ b , ⎟.
⎜
⎜
n
(
∑ xt − x )2 ⎟
⎟
⎝ t =1 ⎠
Demonstraţie
n
(
∑ y t − y xt −x
t =1
)( ) n
( )
∑y t xt − x − y ∑ xt − x
t =1
n
t =1
( ) n
∑y t xt − x ( ) n
b̂ = = = t =n1 = ∑αt y t
n
(
∑ xt −x
t =1
) 2 n
(
∑ xt −x
t =1
)2
(
∑ xt − x
t =1
)2 t =1
unde:
xt − x
αt = n
∑ xt − x
t =1
( )2
u t ~ N (0, σ u ) ⇒ y t ~ N (a + bx t , σ u ) , t = 1, … , n
n n n n
M ( b̂ ) = ∑ αt M ( y t ) = ∑ αt ( a + bx t ) = ∑ αt a + ∑ bαt x t
t =1 t =1 t =1 t =1
n 2 n 2
D 2 ( b̂ ) = ∑ α t D 2 ( y t ) = σ u2 ∑ α t
t =1 t =1
Se calculează:
n n ( x t − x)
∑αt = ∑ n
=0
t =1 t =1
∑ ( x t − x) 2
t =1
Modele econometrice
n n n n 2
(x − x )x =
2 2
n n
∑xt − x ∑x t ∑ x t − 2x ∑ x t + n x
t =1 t =1
∑αt x t = ∑ t t
= t =1 t =1
=1
∑ (x − x ) ∑ (x − x ) ∑ (x )
n 2 n 2 n 2
t =1 t =1
t t t −x
t =1 t =1 t =1
n
∑ αt
2
=∑
n (x − x ) = 1
t
2
⎡ ( ∑ (x − x )
⎢⎣ ∑ x − x ) ⎥⎦
2 n 2
t =1 t =1 n ⎤ 2
t
t t =1
t =1
Deci:
M ( b̂ ) = b
2 σ u2
D ( b̂ ) = n
(
∑ xt − x
t =1
)2
Teorema 3
Dacă variabila reziduală este repartizată normal, având media egală
cu zero şi dispersia σ u2 = ct . , atunci aˆ este repartizat
⎛ ⎛ ⎞ ⎞⎟
⎜ ⎜1 ⎟
x2
N ⎜ a , σ u2 ⋅ ⎜ + n ⎟⎟.
⎜
⎜
⎜n
⎜
⎝
∑ xt − x ( ) 2 ⎟⎟
⎟⎟
⎠⎠
⎝ t =1
Demonstraţie
n
∑yt n ⎛1
n ⎞ n
â = y − b̂ x = t =1 − x ∑ αt y t = ∑ ⎜ − xαt ⎟ y t = ∑ βt y t
n t =1 t =1⎝ n ⎠ t =1
unde:
1
βt = − x α t , t =1,…., n
n
u t ~ N (0, σ u ) ⇒ y t ~ N (a + bx t , σ u ) , t = 1, … , n
Modelul unifactorial
n n n n
M ( â ) = ∑ β t M ( y t ) = ∑ β t ( a + bx t ) = ∑ β t a + ∑ bβ t x t
t =1 t =1 t =1 t =1
n 2 n 2
D 2 ( â ) = ∑ β t D 2 ( y t ) = σ u2 ∑ β t
t =1 t =1
Se calculează:
n n ⎡1 ⎤ n
∑ βt = ∑ ⎢ − x αt ⎥ = 1 − x ∑ αt = 1
t =1 t =1 ⎣ n ⎦ t =1
n n ⎡1 ⎤ n
∑ β t x t = ∑ ⎢ − x α t ⎥x t = x − x ∑ α t x t = 0
t =1 t =1 ⎣ n ⎦ t =1
2
n 2 n ⎡1 ⎤ 1 2x n n 2 1 x2
∑ βt = ∑ ⎢ − x αt ⎥ = − ∑ αt + x ∑ αt = + n
2
t =1 t =1 ⎣ n ⎦ n n t =1 t =1 n
∑ xt −x
t =1
( )
2
Deci:
M ( â ) = a
⎛ ⎞
⎜1 x2 ⎟
D 2 ( â ) = σ u2 ⎜ + n ⎟
⎜n ⎟
∑ (x t − x )
2
⎜ ⎟
⎝ t =1 ⎠
Teorema 4
Dacă x0 este fixat, iar variabila reziduală este repartizată normal,
având media egală cu zero şi dispersia σ u2 = ct . , atunci ŷ = â + b̂x 0 este
⎛ ⎛ ⎞⎞
⎜ ⎜ ⎟⎟
⎜ 2⎜ 1
repartizat N a + bx 0 , σ u + n
(x0 − x )
2
⎟⎟ .
⎜
⎜
⎜n
⎜
⎝
∑ xt − x( 2
) ⎟⎟
⎟⎟
⎠⎠
⎝ t =1
Modele econometrice
Demonstraţie
n
∑yt n
ŷ = â + b̂x 0 = y + b̂ (x 0 − x ) = t =1 + (x 0 − x ) ∑ α t y t =
n t =1
n ⎡1 ⎤ n
= ∑ ⎢ + (x 0 − x )α t ⎥ y t = ∑ γ t y t
t =1 ⎣ n ⎦ t =1
unde:
1
γt = + (x 0 − x )α t , t = 1, …, n
n
u t ~ N (0, σ u ) ⇒ y t ~ N (a + bx t , σ u ) , t = 1, … , n
( ) n n
(
F â,b̂ = min ∑(y t − ŷ t ) = min ∑ y t − â − b̂x t
t =1
2
t =1
)2
Se calculează:
n n ⎡1 ⎤ n
∑ γ t = ∑ ⎢ + (x 0 − x )α t ⎥ = 1 + (x 0 − x ) ∑ α t = 1
t =1 t =1 ⎣ n ⎦ t =1
n n ⎡1 ⎤ n
∑γ t x t = ∑ ⎢ + (x 0 − x )αt ⎥x t = x + (x 0 − x ) ∑αt x t = x + (x 0 − x ) = x 0
t =1 t =1⎣ n ⎦ t =1
⎤ 1 2(x −x ) n (x −x )
2 2
n n ⎡1 2n 2 1
∑γt = ∑⎢ +(x0 −x )αt ⎥ = + 0 ∑αt +(x0 −x ) ∑αt = + n 0
2
t =1 t =1⎣n ⎦ n n t =1 t =1 n
∑ x −x
2
(
t =1
t )
Modelul unifactorial
Deci:
M ( ŷ ) = a + bx 0
⎛ ⎞
⎜1 (x − x )2 ⎟
D 2 ( ŷ ) = σ u2 ⎜ + n 0 ⎟
⎜n
⎜
⎝
∑ xt − x
t =1
( 2
) ⎟
⎟
⎠
Teorema 5
Dacă variabila reziduală este repartizată normal, având media egală
cu zero şi dispersia σ u2 = ct . , atunci eroarea previziunii, û t = y t − ŷ t ,
⎛ ⎛ ⎞⎞
⎜ ⎜ 1 x
t = 1, .., n, este repartizată N ⎜ 0,σ u2 ⎜1 − − n t
− x (
2 ⎟⎟
⎟⎟ .
)
⎜
⎜
⎜ n
⎜
⎝
2 ⎟⎟
∑ x t − x ⎟⎟
⎠⎠
( )
⎝ t =1
Demonstraţie
û t = y t − ŷ t = y t − â − b̂x t
unde:
â , bˆ sunt repartizaţi normal
u t ~ N (0, σ u ) ⇒ y t ~ N (a + bx t , σ u ) , t = 1, … , n
În concluzie, û t fiind combinaţie liniară de variabile aleatoare
repartizate normal, este şi ea repartizată normal.
M ( y t2 ) = D 2 ( y t ) + M ( y t ) 2 = σ u2 + ( a + bx t ) 2
⎛ ⎞
⎜ 1 ( x −x )2 ⎟
M ( ŷ t2 ) = D 2 ( ŷ t ) + M ( ŷ t ) 2 = σ u2 ⎜ + n t ⎟ + (a + bx t )2
⎜n 2 ⎟
⎜ ∑( x t − x ) ⎟
⎝ t =1 ⎠
Modele econometrice
M ( yt yˆt ) = M ((a + bxt + ut )(aˆ + bˆxt )) = M ((a + bxt )((aˆ + bˆxt )) + M (ut (aˆ + bˆxt ))
= (a + bx )2 + M (u (aˆ + bˆx ))
t t t
M ( u t ( â + b̂x t )) = M ( u t ( y − b̂ x + b̂x t )) ⎫
⎪
n ⎬⇒
b̂ = ∑ α k y k ⎪
k =1 ⎭
⎡ ⎛ n n ⎞⎤
M ( u t ( â + b̂x t )) = M ⎢u t ⎜ y − x ∑ α k y k + x t ∑ α k y k ⎟⎥ =
⎣ ⎝ k =1 k =1 ⎠⎦
n n
= M ( ut y ) − M ( x ∑α k y k ut ) + M ( x t ∑α k y k ut )
k =1 k =1
1 n 1 1
M ( ut y ) = M ( ∑ y k u t ) = M ( u t2 ) = σ u2
n k =1 n n
n n n
M ( x ∑α k yk ut ) = xM (∑α k yk ut ) = x ∑α k M ( yk ut )
k =1 k =1 k =1
n n n
M ( xt ∑ α k yk ut ) = xt M (∑α k yk ut ) = xt ∑ α k M ( yk ut )
k =1 k =1 k =1
n n
∑ α M ( y u ) = ∑ α M ((a + bx
k =1
k k t
k =1
k k + uk )ut ) =
n n n
= ∑ α k M ((a + bxk )ut ) + ∑ α k M (uk ut ) = ∑ α k (a + bxk ) M (ut ) + α t M (ut ut )
k =1 k =1 k =1
( xt − x)
= n
σ2
∑ ( x − x)
t =1
t
2
Deci:
1 2 ( x −x )2
M ( u t ( â + b̂x t )) = σu + n t
n 2
∑( x t − x )
t =1
Modelul unifactorial
Teorema 6
Dacă variabila reziduală este repartizată normal, având media egală
1 n ∧2
cu zero şi dispersia σ u2 = ct . , atunci ∑ u t este un estimator
n − 2 t =1
nedeplasat pentru dispersia variabilei reziduale σ u2 .
Demonstraţie
Trebuie demonstrat că:
⎛ 1 n 2⎞
∑ û t ⎟ = σ u
2
M⎜
⎝ n − 2 t =1 ⎠
⎛ 1 n 2⎞ 1 n 2 1 n 2
M⎜ ∑ût ⎟ = ∑ M ( ût ) = ∑ D ( ût ) =
⎝ n − 2 t =1 ⎠ n − 2 t =1 n − 2 t =1
⎛ ⎞ ⎛ n ⎞
⎜ 2 ⎟ ⎜ ∑ ( xt −x ) 2 ⎟
1 n ⎜ 1 ( xt − x ) ⎟ 2 1 ⎜ ⎟ ⋅σ u2 = σ u2
= ∑ 1− − ⋅σ u = n −1 − t n=1
n − 2 t =1⎜ n n 2 ⎟ n − 2 ⎜ 2⎟
⎜ ∑( x t − x ) ⎟ ⎜ ∑( x t − x ) ⎟
⎝ t =1 ⎠ ⎝ t =1 ⎠
Modele econometrice
Teorema 7
Dacă variabila reziduală este repartizată normal, având media egală
cu zero şi dispersia σ u2 = ct . , atunci eroarea previziunii û n +τ = y n +τ − ŷ n +τ ,
⎛ ⎛ ⎞⎞
⎜ ⎜ 1 x
este repartizată N ⎜ 0, σ u2 ⎜1 + + n n +τ
−x( )2 ⎟⎟
⎟ ⎟ , pentru orice τ.
⎜
⎜
⎜
⎜
⎝
n
∑ xt − x ( )2 ⎟⎟
⎟⎟
⎠⎠
⎝ t =1
Demonstraţie
Se reia demonstraţia teoremei 5, unde t se înlocuieşte cu τ+n şi,
deoarece τ+n este mai mare ca n, pentru orice k = 1,.., n, M (u k u n+τ ) = 0 ,
n
rezultă că: ∑α M ( y u
k =1
k k n +τ ) = 0 şi M (un +τ y ) = 0 .
Deci M ( u n +τ ( â + b̂x n +τ )) = 0
⎜ n
⎜ ∑ (xt − x ⎟)
2 ⎟
⎝ t =1 ⎠
Demonstraţia pentru normalitate şi valoarea medie este identică cu
cea de la teorema 5.
Deoarece, cele patru ipoteze, I1, I2, I3 şi I4, au fost acceptate a priori
în etapa de estimare a parametrilor, în această etapă urmează ca ele să fie
testate, iar eventualele abateri de la cerinţele lor să fie corectate prin
utilizarea unor proceduri econometrice adecvate fiecărei abateri.
Modelul unifactorial
unde:
∑ (x t − x )
2
σx =
n
∑ (y t − y )
2
σy =
n
û û
x x
n/2
⎛ n − k −1⎞
s u21 ∑u
t =1
2
1 /⎜
⎝ 2
⎟
⎠
Fc = = (3.4.1)
s u22 n
⎛ n − k −1⎞
∑ n
u 22 / ⎜
⎝ 2
⎟
⎠
t = +1
2
- dacă Fc > F ⎛ n − k −1 ⎞ ⎛ n − k −1 ⎞
, atunci ipoteza de homoscedasticitate este
α; ⎜ ⎟; ⎜ ⎟
⎝ 2 ⎠ ⎝ 2 ⎠
homoscedasticitate.
y t − y = y t − ŷ t + ŷ t − y
(y t − y ) = (y t − ŷ t + ŷ t − y )
2 2
n n
∑ ( y t − y ) = ∑ [( ŷ t − y ) + ( y t − ŷ t ) ]
2 2
(3.4.3)
t =1 t =1
n n n n n
∑(yt − y ) = ∑[(ŷt − y ) + (yt − ŷt ))] = ∑(ŷt − y ) + ∑(yt − ŷt ) + 2∑(ŷt − y )(yt − ŷt )
2 2 2 2
(3.4.4)
t =1 t =1 t =1 t =1 t =1
Dar y t = a + bxt + u t ;
ŷ t = â + b̂x t ⇒ y = â + b̂x
û t = y t − ŷ t
n
⇒ 2 ∑ (Yˆt − y )( y t − Yˆt ) = 2 ∑ ( aˆ + bˆ xt − aˆ − bˆ x )uˆ t =
t =1
n
= 2 bˆ ∑ ( xt − x ) u t = 2 n bˆ cov( u t , xt )
n
∑(y t − y ) = A ⎫
2 - dacă A=B+C, atunci variabilele ut şi xt sunt
⎪⎪ independente şi se acceptă I2;
∑ (Yˆt − y ) = B ⎬
2
unde:
n = numărul de observaţii;
k = numărul regresorilor;
ut = variabila reziduală.
Prin aplicarea acestei matrici, estimaţiile punctuale ale parametrilor
nu vor suferi modificări, ci doar abaterile standard corespunzătoare
parametrilor. Utilizarea acestei matrici va permite observarea mai rapidă a
prezenţei fenomenului de heteroscedasticitate a erorilor. Astfel, abaterile
standard vor putea fi mai mari sau mai mici comparativ cu cele obţinute în
cazul modelului iniţial, iar valorile mai mici înregistrate de testul Student, t,
vor semnaliza faptul că estimatorii parametrilor sunt nesemnificativi, deci
posibila prezenţă a erorilor heteroscedastice.
2
vezi demonstraţie op. cit., p.182
3
Conform D. N. Gujarati, Basic Econometrics, 3rd ed., New York, Mc Graw-Hill, 1995,
p 374-375.
Modelul unifactorial
⎛ (n − c )
(n −c ) / 2
⎞
s u21 ∑ u12 / ⎜
⎝ 2
− (k + 1)⎟
⎠
F* = = t =n1 (3.4.6)
s u22 ⎛ (n − c ) ⎞
∑
(n −c ) +1
u 22 / ⎜
⎝ 2
− (k + 1)⎟
⎠
t=
2
urmează o distribuţie F cu v1 = v2 =
(n − c ) − (k + 1) grade de libertate.
2
*
- dacă F ≤ F ⎛ (n−c) ⎞ ⎛ ( n−c) ⎞ ipoteza de homoscedasticitate
α; ⎜ −( k +1) ⎟;⎜ −( k +1) ⎟
⎝ 2 ⎠⎝ 2 ⎠
este acceptată.
unde:
ωt = variabila reziduală, ce verifică ipotezele corespunzătoare
M.C.M.M.P.
ln uˆt2 = ln σ 2 + b ln xt + ωt = β + b ln xt + ωt (3.4.9)
4
cf. op. cit., p. 369-370
5
cf. op. cit., p. 371-372
Modelul unifactorial
I. uˆ t = a + bxt + ω t
II. uˆ t = a + b x t + ω t
În această situaţie heteroscedasticitatea este de tipul: σ u2i = λ2 xt , caz
în care va fi aplicată regresia ponderată asupra datelor iniţiale, care vor fi
împărţite la xt , rezultând astfel un model de forma:
yt a1 ut
= + b1 x t + .
xt xt xt
1
III. uˆ t = a + b + ωt
xt
În această situaţie heteroscedasticitatea este de tipul: σ u2i = λ2 xt−2 .
1
IV. uˆ t = a + b + ωt
xt
V. uˆ t = a + bx t + ω t
VI. uˆ t = a + bxt2 + ω t
Modele econometrice
t
n
6
cf. op. cit., p. 377-378
Modelul unifactorial
uˆ t2
- construirea unei variabile de forma: θ t = şi regresarea
σˆ u2t
acesteia în funcţie de variabilele factoriale zt, ce pot fi înlocuite cu
variabilele exogene xi din modelul original, respectiv:
θ t = β 0 + β 1 x1t + β 2 x 2t + K + β m x mt + ω t (3.4.12)
unde:
ωt = variabila reziduală.
- calculul sumei pătratelor explicată de model, notată cu SSR, şi
SSR
calculul unei variabile H de forma: H = .
2
uˆ t2 = α 0 + α 1 xt + α 2 xt2 + ω t (3.4.13)
7
cf. op. cit., p. 379
Modele econometrice
LM = n ⋅ R 2 ~ χ α2 ; v (3.4.14)
ŷ t = â + b̂x t (3.4.16)
y = a + bx + u (3.4.17)
________________
(3.4.15) – (3.4.17) ⇒ y t − y = b ( x t − x ) + u t (3.4.18)
y t* = y t − y ⎫⎪ ⎧⎪ y t* = b xt* + u t
Notând cu: * ⎬⇒⎨
xt = xt − x ⎪⎭ ⎪⎩ yˆ t* = bˆ xt*
() ( ) ( )
n n
F bˆ = min ∑ y t* − yˆ t* = min ∑ y t* − bˆ xt*
2 2
t =1 t =1
F ' (bˆ) = 0 ⇒ 2 ∑ (y *
t )( )
− bˆ xt* ⋅ − xt* = 0 ⇔ ∑ u (x
t t − x ) = 0 ⇒ cov(u t , xt ) = 0
σ 2
u2 = λ 2σ u2
……………. (3.4.19)
σ 2
un = λ nσ 2
u
unde:
λt este un coeficient de ponderare.
n
1
Conform relaţiei (3.4.19): min F (aˆ , bˆ) = min ∑ ( y t − aˆ − bˆxt ) 2 (3.4.20)
t =1 λt
În relaţia (3.4.20) cantităţile σ u2 şi λt sunt, în general, necunoscute.
S-a constatat însă că, în practică, abaterile standard, σ ut , sunt aproximativ
proporţionale cu valorile variabilei exogene x, adică:
σ u = σ u x1
1
σ u = σ u x2
2
…………… (3.4.21)
σ un = σ u x n
n
1 1
min F (aˆ, bˆ) = 2 min
σu
∑x 2
( yt − aˆ − bˆxt ) 2
t t
2
(3.4.22)
2
⎛ y − aˆ − bˆxt
n ⎞ n
1 ⎟ = 1 min ⎛⎜ yt − aˆ 1 − bˆ ⎞⎟
= 2 min ⎜ t
σu ⎜
t =1 ⎝
∑ xt ⎟ σ u2
∑⎜x
t =1 ⎝ t
xt ⎟
⎠
⎠
yt 1 u
y t = a + bxt + u t |: xt ⇒ = a +b+ t
xt xt xt
2 2
n ⎛u ⎞ n ⎛y 1 ⎞
minF( â,b̂ ) = min∑ ⎜ t ⎟ = min∑ ⎜ t −â −b̂ ⎟ (3.4.23)
x
t =1 ⎝ t ⎠ x
t =1 ⎝ t x t ⎠
Modelul unifactorial
⎧ 1 1 yt
F ' (aˆ ) = 0 ⇒ ⎪
⎪
aˆ ∑x 2
+ bˆ ∑ x =∑ x 2
⎨
t t t (3.4.24)
F ' (bˆ) = 0 ⇒ 1 yt
⎪aˆ
⎪
⎩
∑x t
+ nbˆ = ∑x t
⎧ 1 yt 1 yt
⎪
⎪ˆ
∑ x ∑ x −∑ x ∑ x
2
t t t
2
t
⎪b = 2
⎪ 1 ⎛ 1 ⎞
⎪⎪ n ∑ x −∑ 2
⎜
⎜x
⎝ t
⎟
⎟
⎠
⇒⎨ t (3.4.25)
⎪ yt 1
⎪
⎪
∑x 2 ∑x
⎪aˆ =
t
− bˆ t
1 1
⎪
⎪⎩
∑x 2
t
∑x 2
t
û t
ŷ t
Figura 3.4.3
n n
∑ û t û t −1 ∑ û t û t −1
r1 = t =2 = t =2 (3.4.26)
n −1 n
2 2
∑ û t ∑ û t −1
t =1 t =2
n
∑ (û t − û t −1 )
2
d = t =2 n
(3.4.27)
2
∑ û t
t =1
0 < d < d1 d1 ≤ d ≤ d2 d2 < d< 4-d2 4-d2 ≤ d ≤ 4-d1 4-d1 < d <4
Autocorelare Indecizie Erorile sunt Indecizie Autocorelare
pozitivă ← independente → negativă
între două distribuţii limită, d1 şi d2, ale căror mărimi depind de pragul de
semnificaţie (α), de numărul de variabile exogene (k) şi de numărul de
valori observate (n, n ≥ 15).
Dezvoltând relaţia lui d, aceasta devine:
n n n
∑ uˆ
2
t
t =1
n n n
Pentru un n suficient de mare, cele trei sume, ∑ uˆ t , ∑ uˆ t2−1 , ∑ uˆ t ,
2 2
t =2 t =2 t =1
∑ uˆ uˆ t t −1
d = 2 − 2 t = 2n −1
∑ uˆt =1
2
t
∑ uˆ uˆ t t −1
Se notează cu: r1 = t =2
n −1
coeficientul de autocorelaţie de ordinul
∑ uˆ
t =1
2
t
1 a reziduurilor ut.
(
⇒ d = 2 1 − r (1) ⇒ r (1) = 1 −
d
2
) (3.4.28)
⇒ d ∈ [0,4]
Modelul unifactorial
cu semnificaţia:
u t = r1u t −1 + r2 u t − 2 + K + r p u t − p + z t (3.4.29)
unde:
zt = variabilă reziduală de medie zero şi dispersie constantă.
Ipoteza nulă care stă la baza testului este aceea potrivit căreia toţi
coeficienţii corespunzători valorilor decalate ale variabilei reziduale sunt
simultan egali cu zero, fapt ce implică non-existenţa fenomenului de
autocorelaţie a erorilor.
În vederea utilizării testului sunt estimate valorile variabilei
reziduale ut, obţinute în urma aplicării M.C.M.M.P. asupra modelului iniţial.
Variabila reziduală ut este regresată apoi în funcţie de variabilele exogene
iniţiale ale modelului şi de valorile sale decalate, respectiv ut-1, ut-2, …, ut-p.
În cazul acestei regresii este calculată valoarea coeficientului de determinare
R2 şi a unei variabile de forma:
BG = (n-p)·R2 (3.4.30)
8
cf. op. cit., p. 425
Modele econometrice
uˆ t = r(1) uˆ t −1 + z t (3.4.32)
unde:
zt este variabila aleatoare ce verifică ipotezele I2, I3 şi I4.
Ştiind că:
û t −1 = y t −1 − ŷ t −1 = y t −1 − â − b̂x t −1 (3.4.33)
∑u u
t =2
t t −1
r(1) = n −1
∑u t =1
2
t
unde:
( y t − r(1) y t −1 ) reprezintă diferenţele teoretice (ajustate) de ordinul întâi
ale variabilei endogene y, calculate pe baza funcţiei de
regresie (3.4.34).
e) Procedeul Durbin
y t − y t −1 = a + b( x t − x t −1 ) + z t ⇒ y t* = a + bx t* + z t
P (uˆt ≤ t α s uˆ ) = 1 − α
u + tα ⋅ su
0 ŷ
− tα ⋅ su
Figura 3.4.4
⎡ S 2 (K − 3)2 ⎤ 2
JB = n ⎢ + ⎥ ~ χ α ;2 (3.4.36)
⎢⎣ 6 24 ⎥⎦
unde:
n = numărul de observaţii;
1 n
(
∑ yt − y
n t =1
)3
S= (3.4.37)
σ3
9
cf. EViews, User Guide, Version 2.0, QMS Quantitative Micro Software, Irvine, California,
1995, p. 140-141
Modelul unifactorial
1 n
(
∑ yt − y
n t =1
)4
K= (3.4.38)
σ4
L ( â ) = N ( a , s â ) ; L ( b̂ ) = N ( b , s b̂ )
Modele econometrice
unde:
⎛ ⎞
⎜1 x2 ⎟
s â = s u2 ⎜ + ⎟ = abaterea medie pătratică a estimatorului aˆ ;
⎜ n ∑ (x t − x )
2
⎟
⎝ t ⎠
s u2
s bˆ = = abaterea medie pătratică a estimatorului b̂ ;
∑ (x t − x )2
t
2
∑ ( y t − ŷ t )
1
s u2 = 2
∑ ( û t ) = t
= dispersia variabilei reziduale (vezi
n −2 t n −2
teorema 6)
⎧a = 0
H0 :⎨
⎩b = 0
⎧a ≠ 0
H1 : ⎨
⎩b ≠ 0
1 â − 0 2 b̂ − 0
t cal = şi t cal = . Aceste valori calculate sau empirice se compară
s â s b̂
cu valoarea teoretică:
• tα = variabilă normală, dacă t = 1, n , n>30, preluată din tabela
distribuţiei normale, în funcţie de o valoare arbitrar aleasă a probabilităţii
Modelul unifactorial
2 bˆ
t cal = ≥2
s bˆ
Modele econometrice
( )
P bˆ − tα ;v ⋅ sbˆ ≤ b ≤ bˆ + tα ;v ⋅ sbˆ = p = 1 − α
( )
P b = bˆ ± tα ;v ⋅ sbˆ > 0 = p = 1 − α
y t − y = y t − ŷ t + ŷ t − y → ( yt − y )2 = ( yt − yˆ t + yˆ t − y )2
n n
∑
t =1
( yt − y) 2 = ∑[( yˆ − y) + ( y − yˆ )]
t =1
t t t
2
(3.4.3)
Modelul unifactorial
unde10:
yt = valorile reale ale fenomenului y;
yˆ t = valorile teoretice ale fenomenului y;
ŷ t = â + b̂x t
1
y =
n
1 1
(
∑ y t = ∑ ŷ t = ∑ â + b̂x t = â + b̂x
n n
)
Prin ridicarea la pătrat a binomului din partea dreaptă a relaţiei
(3.4.3) rezultă:
n n n n
t =1
t =1
10
Relaţia (3.4.3) rămâne valabilă în toate cazurile de modele liniare sau liniarizabile. În
cazul acestora din urmă, se va ţine cont de semnificaţia simbolurilor. De exemplu:
b
- modelul putere: yt = a xt ut => ln yt = ln a +b ln xt + ln ut,
În acest caz, semnificaţiile simbolurilor vor fi: yt* = ln yt; ŷ *t = ln ŷ t ;
1 1
∑ ln y t = ∑ ln ŷ t ;u t = ln yt - ln ŷ t ;
*
y =
n n
- modelul exponenţial yt = ea+bxt ut => ln yt = a + b xt + ln ut,=> yt* = ln yt;
ŷ *t = ln ŷ t ; y = media geometrică a termenilor.
Modele econometrice
n
n
2∑ ( yˆ
t =1
t − y )( y t − yˆ t ) = 2 ∑ (aˆ + bˆx t − aˆ − bˆx )uˆ t = 2bˆ ∑ (x t − x ) ut
n
= 2n bˆ cov(u t , xt ) = 0
Varianţa n
totală V02 = ∑( y − y)
t =1
t
2
n −1 - -
Fcal≤ Fα,v ,v
1 2
Fcal >Fα,v ,v
1 2
V 02 =V x2 + V u2 (3.4.39)
V x2 V u2 V x2 V u2
1= + ⇒ 100 = ⋅ 100 + ⋅ 100 (3.4.40)
V 02 V 02 V 02 V 02
V x2
Termenul R y2 / x = se numeşte coeficient de determinare şi are
V 02
următoarele semnificaţii:
V x2 V u2
Ry / x = R y2 / x = = 1−
V 02 V 02
⎧0 ⇒ x şi y sunt independente
⎪ }⇒ corelatie slabă
⎪⎪
Ry / x = ⎨0,5
⎪ }⇒ corelatie puternică
⎪
⎪⎩1 ⇒ corelatie deterministă - y este corelat strict cu x
∑ ( yˆ − y)
∑ (aˆ + bˆx )
2
∑ bˆ (x − x )
2
− aˆ − bˆx
t 2 2
t t
Ry x = t =1
= =
∑ (y − y) ∑ (y − y)
n 2 2
∑ ( yt − y )
2 t t
t =1
∑ (x − x)
2
σ
= bˆ = bˆ x
t
Ry
∑ (y − y) σy
x 2
t
⎧⎪naˆ + bˆ∑ xt = ∑ y t
⎨
⎪⎩aˆ ∑ xt + bˆ∑ xt = ∑ y t xt
2
Modelul unifactorial
n ∑y t
∑y x t t
−x⋅y
bˆ =
∑ xt ∑y x t t
=
n∑ y t xt − ∑ xt ∑ y t
= n
∑x n∑ xt2 − (∑ xt ) ∑x
2 2
n t
t
− x2
∑ xt ∑x 2
t n
∑ (x − x) ∑ (x ) = ∑x ∑x
2 2
− 2 xt x + x 2 2
σ
t t t t
2
x = = − 2x + x2 =
n n n n
=
∑x 2
t
− 2x 2 + x 2 =
∑x 2
t
− x2
n n
∑y x t t
−x⋅y
⇒ bˆ = n
σ x2
cov( y, x ) =
∑ (x t − x )( y t − y )
=
∑ (x y
t t − xt y − x y t + x ⋅ y )
n n
=
∑x y t t
− −y
∑x t
−x
∑y t
+x⋅y =
n n n
=
∑ xt y t − y⋅x−x⋅y+ x⋅y =
∑x y t t
−x⋅y
n n
cov( y , x)
⇒ b$ = 2
σx
cov( y, x ) cov( y, x ) σ x ˆ σ x
ry / x = = ⋅ =b⋅ = Ry
σ xσ y σx
2
σy σy x
s y2 / x V x2 V u2 R2 n − k −1
Fcal = = : = ⋅
s u2 k n − k −1 1− R 2 k
Modele econometrice
Astfel:
n − k −1 R 2
- dacă Fcal = ⋅ ≤ Fα ;v 1 = k ;v 2 = n − k −1 ⇒ R y / x = 0 ⇒
k 1− R 2
se renunţă la modelul econometric obţinut;
n − k −1 R2
- dacă Fcal = ⋅ > Fα ;v1 =k ;v2 =n−k −1 ⇒ R y / x ≠ 0 ⇒ se trece la
k 1− R2
discuţia econometrică a ecuaţiei analizei variaţiei – V 02 =V x2 + V u2 – vezi
relaţia (3.4.25).
yˆ t = aˆ + bˆxt ; R
( s â ) ( s b̂ ) d
s û
Dispunând de aceste informaţii se poate testa:
- independenţa erorilor Æ testul „d” – Durbin – Watson;
- semnificaţia estimatorilor Æ testul „t”;
- similitudinea modelului Æ testul „F”.
În anumite cazuri, când s-au estimat două modele pentru spaţii
diferite (două judeţe, sau două pieţe diferite) sau pentru perioade de timp
diferite, ale aceloraşi două fenomene y şi x, de exemplu: M 1 : y = a1 + b1 x şi
Modelul unifactorial
Astfel,
b1 − b 2
- dacă: t cal = ≤ t α ⇒ se acceptă H0;
s b21 + s b22
b1 − b 2
- dacă: t cal = > t α ⇒ se acceptă H1.
s b21 + s b22
( )
P ŷ t − t α ⋅ s ŷ t ≤ y t ≤ ŷ t + t α ⋅ s ŷ t = p = 1 − α (3.5.1)
( )
P ŷ n +v − t α ⋅ s ŷ n +v ≤ y n +v ≤ ŷ n +v + t α ⋅ s ŷ n +v = p = 1 − α (3.5.2)
unde:
y n +v = valoarea reală a variabilei y în momentul de prognoză ( n + v );
ŷn + v = estimaţia punctuală a valorii de prognoză pentru variabila y,
care se calculează cu ajutorul relaţiei:
ŷ n +v = â + b̂ x n +v (3.5.3)
relaţia:
⎛ ⎞
⎜ ⎟
s yˆ = s2 2
⎜ 1
= s u ⋅⎜ 1 + + n
(
xn + v − x ) 2
⎟
⎟ (3.5.4)
∑( )
n+v yˆ n + v ⎜ n 2 ⎟
⎜ xt − x ⎟
⎝ t =1 ⎠
ea t α ⋅ s ŷ n +v
- eroarea relativă: e r (%) = ⋅ 100 = ⋅ 100 (3.5.6)
ŷ n +v ŷ n +v
t α ⋅ s ŷ n +v
e r (%) = ⋅ 100 ≤ E (%) E(%) = 5, 10,...
ŷ n +v
1 n
∑ ( yˆt − yt )2
n t =1 (3.5.7)
T=
1 n 2 1 n 2
∑ t
n t =1
ˆ
y + ∑ yt
n t =1
ale cărui valori sunt cuprinse în intervalul [0, 1].
• ponderea abaterii
T =
A (yˆ − y ) 2
=
(yˆ − y ) 2
(3.5.8)
1 n σ u2
∑ ( yˆt − yt )2
n t =1
unde:
ŷ = media valorilor teoretice ale variabilei endogene;
y = media valorilor reale ale variabilei endogene;
σu2 = dispersia variabilei reziduale necorectată cu numărul gradelor de
libertate.
2
⎡ 1 n 2⎤
(σ − σ yt )
2 ⎢ ∑ yˆ t − yˆt ( )
2
−
1 n
∑ ( )
yt − y ⎥
⎢ n t =1 n t =1 ⎥⎦
=⎣
yˆ t
TD = (3.5.9)
1 n σ u2
∑ ( yˆt − yt )2
n t =1
care este definită tot în intervalul [0, 1], aceasta măsurând evoluţia oscilantă
a celor două serii, respectiv seria ajustată şi seria empirică a variabilei
endogene. Acest indicator are aceeaşi semnificaţie ca şi cei precedenţi,
respectiv o valoare scăzută indică o capacitate bună de prognoză, în timp ce
o valoare apropiată de unu exprimă o eroare de specificare a modelului.
11
Demn de menţionat este faptul că, în cazul estimării parametrilor unui model statistic cu ajutorul
metodei celor mai mici pătrate, valoarea acestui indicator este egală cu zero, acesta fiind
discriminant numai în cazul utilizării altor procedee de estimare cum ar fi, de exemplu, metoda
grafică, metoda punctelor empirice sau metoda punctelor medii.
Modelul unifactorial
• ponderea covarianţei
2(1 − r )σ yˆ t σ yt
TC = (3.5.10)
1 n
∑ ( yˆ t − yt )2
n t =1
unde:
r = coeficientul de corelaţie liniară dintre valoarea estimată a variabilei
endogene, ŷt , şi cea reală, yt.
∑ (yˆ )( )
n
t − yˆ yt − y
r= t =1
(3.5.11)
nσ yˆ t σ yt
1 n
∑
n t =1
(
2
) (
( yˆ t − yt )2 = yˆ − y + σ yˆt − σ yt )
2
+ 2(1 − r )σ yˆ t σ yt (3.5.12)
n
2
- y0t = a + b x0t + u0t ( t = 1, n ); V u0
= ∑ u 02t (3.5.13)
t =1
Modele econometrice
n1
2
- y1t = a1 + b1 xt + u1t ( t = 1, n 1 ); V u1
= ∑ u 12t (3.5.14)
t =1
n
2 2
y2t = a2 + b2 xt + u2t ( t = n 1 +1, n ); V u2= ∑u 2t (3.5.15)
t = n 1 +1
n n1 n
∑ u 2t = ∑ u 2
1t + ∑u2
2t ⇔V 2
u =V 2
u1
+V 2
u2
(3.5.16)
t =1 t =1 t = n 1 +1
n = n 1 + n 2, n = numărul de observaţii.
2 2
V u0
−V u n − 2 (k + 1)
- dacă F c = ⋅ ≤F α ; v 1 ;v (3.5.17)
V 2
u
k +1 2
Tabelul 3.5.1
Consumul final real al
PIB
gospodăriilor populaţiei
Anul (mild.lei preţuri comparabile)
(mild.lei preţuri comparabile)
(1990=100)
(1990=100)
0 1 2
1990 557,7 857,9
1991 467,4 746,8
1992 432,1 681
1993 435,9 691,3
1994 447,3 718,2
1995 505,3 769,3
1996 545,7 799,5
1997 525,7 750,7
1998 586,2 714,8
1999 579,8 706,1
2000 582,3 720,7
2001 610,7 761,7
2002 629,1 799,1
2003 673,7 838,3
Notă: Ambii indicatori sunt calculaţi conform metodologiei de calcul a Sistemului European al
Conturilor Economiei Integrate - SEC 1979. Consumul final al populaţiei a fost deflaţionat cu ajutorul
deflatorului consumului final al populaţiei exprimat în preţuri constante (1990 = 100), datele
provenind de la Ministerul Prognozei şi Dezvoltării, iar PIB-ul a fost deflaţionat cu ajutorul
deflatorului PIB exprimat în preţuri constante (1990 = 100), obţinut în urma prelucrării datelor din
Raportul Anual BNR.
Sursa: Date prelucrate pe baza Anuarului Statistic al României 2003, INS, Bucureşti, 2004-CD,
Raportului Anual 2000, BNR, Bucureşti, 2001, p. 6*-7*, Raportului Anual 2002 BNR, Bucureşti, 2003,
p. 4*-5*, Comunicatului de Presă al INS nr.11/26.02.2004.
Se cere:
a) Să se construiască modelul econometric ce descrie legătura dintre
cele două variabile şi să se interpreteze semnificaţia parametrilor modelului;
Modele econometrice
Rezolvare:
y
670
650
630
610
590
570
550
530
510
490
470
450 x
430
670 685 700 715 730 745 760 775 790 805 820 835 850
12
Valoare estimată pe baza informaţiilor furnizate în cadrul Comunicatului de Presă al INS
nr. 12/11.03.2005, privind principalii indicatori conjuncturali în anul 2004 şi luna
ianuarie 2005
Modelul unifactorial
yt = a + bxt + ut ; t = 1,14
( ) ( )
14 14
F aˆ , bˆ = min ∑ ( y t − yˆ t ) = min ∑ y t − aˆ − bˆxt
2 2
t =1 t =1
F ′( a$ ) = 0 ⇒ na$ + b$∑ x t = ∑ y t
()
F ′ b$ = 0 ⇒ a$ ∑ x t + b$∑ x t2 = ∑ y t x t
⎧⎪14 aˆ + 10555 ,4bˆ = 7578 ,9
⇒⎨
⎪⎩10555 , 4 aˆ + 7996163 ,14 bˆ = 5744734 ,07
(vezi tabelul 3.5.2., coloanele 2, 3, 4, 5).
Modele econometrice
Tabelul 3.5.2
Nr.
Anul xt yt x t2 xt yt uˆ t −1 uˆ t2−1 uˆ t uˆ t −1
crt.
0 1 2 3 4 5 6 7 8
1 1990 857,9 557,7 735992,41 478450,83 - - -
2 1991 746,8 467,4 557710,24 349054,32 -67,6095 4571.0382 4608,8583
3 1992 681 432,1 463761,00 294260,10 -68,1688 4646.9914 3430,1977
4 1993 691,3 435,9 477895,69 301337,67 -50,3191 2532.0160 2759,4477
5 1994 718,2 447,3 515811,24 321250,86 -54,8389 3007.3080 3573,7049
6 1995 769,3 505,3 591822,49 388727,29 -65,1673 4246.7772 3156,9084
7 1996 799,5 545,7 639200,25 436287,15 -48,4431 2346.7374 1571,3535
8 1997 750,7 525,7 563550,49 394642,99 -32,4371 1052.1637 422,3000
9 1998 714,8 586,2 510939,04 419015,76 -13,0191 169.4958 -995,6848
10 1999 706,1 579,8 498577,21 409396,78 76,4790 5849.0429 5897,0252
11 2000 720,7 582,3 519408,49 419663,61 77,1064 5945.4012 5228,8438
12 2001 761,7 610,7 580186,89 465170,19 67,8133 4598.6481 4278,7321
13 2002 799,1 629,1 638560,81 502713,81 63,0957 3981.0719 3235,9296
14 2003 838,3 673,7 702746,89 564762,71 51,2860 2630.2565 3293,7103
Total 10555,4 7578,9 7996163,14 5744734,07 - 45576,9481 40461,3270
Dependent Variable: Y
Method: Least Squares
Sample: 1990 2003
Included observations: 14
Std. t-
Variable Coefficient Semnif. ind. Semnif. ind. Semnif. ind. Prob.
Error Statistic
C -67,6561 â 250,0188 saˆ -0,2706 t aˆ 0,7913 p(aˆ )
X 0,8077 b̂ 0,3308 sbˆ 2,4416 tbˆ ()
0,0311 p b̂
S.E. of
64,3567 suˆ Akaike info criterion 11,2983 AIC
regression
Sum
∑ ( y − yˆ )
2
t t =
squared 49701,46 Schwarz criterion 11,3896 SC
= ∑ uˆ 2
resid t
Log
-77,0883 L F-statistic 5,9615 Fc
likelihood
Durbin-
Watson 0,1969 d Prob(F-statistic) 0,0311 p(F)
stat
n −1
Rc2 =1 − ⋅ (1 − R 2 )
n−k
n ⎛⎜ ⎛ ∑ uˆ t2 ⎞ ⎞
L = 1 + ln(2π ) + ln⎜ ⎟⎟
2 ⎜⎝ ⎜ n ⎟⎟
⎝ ⎠⎠
unde:
∑ uˆ 2
t = suma pătratelor erorilor;
k = numărul variabilelor exogene;
n = numărul de observaţii.
Acest indicator este utilizat în vederea elaborării unor teste statistice
destinate depistării variabilelor omise dintr-un model econometric, precum
şi a unor teste destinate depistării variabilelor redundante dintr-un model
econometric, ca, de exemplu, testul LR sau raportul verosimilităţilor
(Likelihood Ratio).
y = media variabilei dependente sau endogene, având următoarea
relaţie de calcul:
n
∑y t
y= t =1
n
Modelul unifactorial
∑ (y )
n
2
t −y
sy = t =1
n −1
2 L k ln n
SC = − +
n n
Şi în acest caz, este ales acel model econometric pentru care s-a
obţinut valoarea cea mai mică corespunzătoare acestui indicator.
p(F) = probabilitatea asociată statisticii F. O valoare cât mai
apropiată de zero a acestei probabilităţi va indica o semnificaţie ridicată a
rezultatelor estimării, respectiv a modelului.
Pe baza estimatorilor parametrilor au fost calculate valorile estimate
ale variabilei y, yˆ t = −67,6561 + 0,8077 xt şi ale variabilei reziduale,
uˆt = yt − yˆ t . Valorile acestora sunt prezentate în cadrul tabelului 3.5.3
(utilizând pachetul de programe EViews).
Modele econometrice
Tabelul 3.5.3
Actual Fitted Residual Residual Plot
yt ŷt uˆt = yt − yˆt (graficul reziduurilor)
unde:
k = numărul variabilelor exogene.
(vezi tabelul afişat de programul EViews)
- abaterea medie pătratică a variabilei reziduale, suˆ :
∑(y − yˆ t )
2
suˆ = t
= 4141,7884 = 64,3567
n − k −1
(vezi tabelul afişat de programul EViews)
⎡1 x2 ⎤
saˆ = su2ˆ ⎢ + 2⎥
= 250,0188
⎢⎣ n ∑ ( xt − x ) ⎥⎦
Modelul unifactorial
su2ˆ
sbˆ = = 0,3308
∑ (xt − x )
2
- raportul de corelaţie:
14 14
∑(y − yˆ t ) ∑(y − yˆ t )
2 2
t t
t =1 t =1
R = R2 = 1− = 1−
14
s y2 ⋅ (n − 1)
∑ ( yt − y )
2
t =1
49701,4613
R = 1− = 0,3319 = 0,5761
74392,875
(vezi tabelul afişat de programul EViews)
- variabila Durbin-Watson, d:
14
∑ (uˆ t − uˆ t −1 )
2
9784,7173
d= t =2
14
= = 0,20
49701,4613
∑ uˆ
t =1
2
t
u t = r1u t −1 + r2 u t − 2 + K + r p u t − p + z t
unde:
zt = variabilă reziduală de medie zero şi dispersie constantă.
Ipoteza nulă care stă la baza testului este aceea potrivit căreia toţi
coeficienţii corespunzători valorilor decalate ale variabilei reziduale sunt
simultan egali cu zero, fapt ce implică non-existenţa fenomenului de
autocorelaţie a erorilor.
În vederea aplicării testului sunt estimate valorile variabilei reziduale
ut în urma aplicării M.C.M.M.P. asupra modelului iniţial. Variabila
Modelul unifactorial
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Variable Coefficient Std. Error t-Statistic Prob.
C 166,6378 146,9445 1,1340 0,2832
X -0,2158 0,1935 -1,1154 0,2908
RESID(-1) 1,0098 0,2999 3,3669 0,0072
RESID(-2) -0,0880 0,3298 -0,2667 0,7951
R-squared 0,7691 Mean dependent var -3,45E-14
Adjusted R-squared 0,6998 S.D. dependent var 61,8319
S.E. of regression 33,8769 Akaike info criterion 10,1183
Sum squared resid 11476,43 Schwarz criterion 10,3009
Log likelihood -66,8281 F-statistic 11,1025
Durbin-Watson stat 1,4994 Prob(F-statistic) 0,0016
Modele econometrice
LM = n ⋅ R 2 ~ χ α2 ;v
u t = r(1) u t −1 + z t (1)
14
∑ uˆ uˆ t t −1
40461,327
r(1) = t =2
14
= = 0,89
45576,9481
∑ uˆ
t =2
2
t −1
- ştiind că:
y t = a + bx t + u t ⇒ u t = y t − a − bx t
y t − 1 = a + bx t −1 + u t −1 ⇒ u t − 1 = y t −1 − a − bx t − 1
expresiile obţinute pentru u t şi u t − 1 vor fi înlocuite în relaţia (1) şi se
obţine:
y t − a − bx t = r(1) ( y t −1 − a − bx t −1 ) + z t
( ) ( )
y t − r(1) y t −1 = a 1 − r(1) + b x t − r(1) x t −1 + z t
Modele econometrice
(
a 1 = a 1 − r(1) )
b1 = b
se obţine:
yt* = a1 + b1 xt* + z t ⇒ yˆ t* = aˆ1 + bˆ1 xt* (2)
În vederea estimării parametrilor a$ 1 şi b$1 se aplică M.C.M.M.P.:
( ) ( )
14
F aˆ1 , bˆ1 = min ∑ y t* − aˆ1 − bˆ1 xt*
2
t =2
F ′( a1 ) = 0 ⇒ ( n − 1) a$ 1 + b$1 ∑ x t* = ∑ y t*
*
Dependent Variable: y t
Method: Least Squares
Sample: 1991 2003
Included observations: 13
Variable Coefficient Std. Error t-Statistic Prob.
C 9,5845 15,4322 0,6211 0,5472
x t* 0,7156 0,1645 4,3505 0,0012
R-squared 0,6324 Mean dependent var 68,5423
Adjusted R-squared 0,5990 S.D. dependent var 42,0350
S.E. of regression 26,6176 Akaike info criterion 9,5417
Sum squared resid 7793,4860 Schwarz criterion 9,6286
Log likelihood -60,0208 F-statistic 18,9270
Durbin-Watson stat 1,7216 Prob(F-statistic) 0,0012
Modelul unifactorial
Tabelul 3.5.4
Actual Fitted Residual Residual Plot
zˆ t = y t* − yˆ t* (graficul reziduurilor)
y t* yˆ t*
-27,7030 -1,0121 -26,6909 | * | . |
17,1616 22,4810 -5,3194 | . *| . |
52,2995 71,6530 -19,3535 | .* | . |
60,3260 84,3593 -24,0332 | * | . |
108,2056 103,8374 4,3682 | . |* . |
97,1156 92,9857 4,1299 | . |* . |
41,2501 38,8790 2,3711 | . * . |
119,5053 44,1907 75,3147 | . | . *|
59,3959 60,7715 -1,3755 | . * . |
67,5776 76,7461 -9,1686 | . *| . |
93,7582 96,8106 -3,0525 | . *| . |
86,9458 97,5276 -10,5818 | .*| . |
115,2111 101,8196 13,3914 | . |*. |
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Sample: 1991 2003
Included observations: 13
Variable Coefficient Std. Error t-Statistic Prob.
C 927,8680 1016,2720 0,9130 0,3827
*
x t
18,3437 32,0687 0,5720 0,5799
2
xt* -0,2090 0,2342 -0,8925 0,3931
9,5845
t aˆ1 = = 0,6211
15,4322
bˆ1
t bˆ = ≥ tα ;(n −1)− k −1
1
sbˆ
1
0,7156
t bˆ = = 4,3505
1 0,1645
diferit de zero.
Raportul de corelaţie este semnificativ diferit de zero dacă se verifică
inegalitatea: Fc ≥ Fα ;v1 ;v2 , unde valoarea empirică a variabilei
Fisher-Snedecor este:
R2 0,3319
Fc = ((n − 1) − 2) = 11 * = 5,9615
1− R 2
1 − 0,3319
d 0,20
r(1) = 1 − = 1− = 0,90
2 2
Dependent Variable: DY
Method: Least Squares
Sample(adjusted): 1991 2003
Included observations: 13 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C 10,1602 13,8505 0,7336 0,4786
DX 0,7083 0,1628 4,3506 0,0012
R-squared 0,6325 Mean dependent var 61,2087
Adjusted R-squared 0,5990 S.D. dependent var 41,9044
S.E. of regression 26,5346 Akaike info criterion 9,5354
3
Pentru a elimina autocorelaţia erorilor cu ajutorul pachetului de programe EViews a fost
utilizat următorul program (conform http://www.cip.dauphine.fr/bourbonnaise/eco.html)
denumit autocorelatie.prg:
Estimarea directa a coeficientului de autocorelatie notat cu rau plecand de la statistica DW'
Equation eq1.ls y c x
genr res = resid
scalar rau1=1-@dw/2
genr dy=y-rau1*y(-1) 'Se genereaza qvasi-diferentele.'
genr dx=x-rau1*x(-1)
equation eqm1.ls dy c dx 'Régresie denumita eqm1'
scalar am1=c(1)/(1-rau1) 'Coef de reg.'
Modelul unifactorial
Tabelul 3.5.5
Actual Fitted Residual Residual Plot
y *
yˆ * zˆ t = y t* − yˆ t* (graficul reziduurilor)
t t
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Sample: 1991 2003
Included observations: 13
Variable Coefficient Std. Error t-Statistic Prob.
C 1108,2070 824,2150 1,3446 0,2085
*
x t 13,6436 26,6751 0,5115 0,6201
*2
x t -0,2067 0,2293 -0,9013 0,3886
R-squared 0,1424 Mean dependent var 595,7620
Adjusted R-squared -0,0291 S.D. dependent var 1535,4140
S.E. of regression 1557,6090 Akaike info criterion 17,7389
Sum squared resid 24261469,0 Schwarz criterion 17,8692
Log likelihood -112,3026 F-statistic 0,8302
Durbin-Watson stat 2,7474 Prob(F-statistic) 0,4639
diferit de zero.
Pentru a verifica semnificaţia raportului de corelaţie, din tabela
distribuţiei Fisher-Snedecor, cu un prag de semnificaţie de 5% şi în funcţie
de numărul gradelor de libertate v1 = k = 1 şi v2 = (n − 1) − k − 1 = 11 se
preia valoarea teoretică F0, 05;1;11 = 4,84 . Se constată că
Fc = 18,9279 > F0, 05;1;11 = 4,84 , deci pentru un prag de semnificaţie de 5%,
valoarea raportului de corelaţie este semnificativ diferită de zero.
În concluzie, şi acest model, yˆ t* = 10,1602 + 0,7083 xt* , poate fi
apreciat ca reprezentativ pentru descrierea dependenţei dintre consumul
final real al gospodăriilor populaţiei şi PIB-ul real.
1 n *
(
∑ yˆ t − y t*
n t =1
)
2
T=
1 n *2 1 n *2
∑
n t =1
yˆ t + ∑ yt
n t =1
• ponderea abaterii
2 2
⎛⎜ yˆ * − y * ⎞⎟ ⎛⎜ yˆ * − y * ⎞⎟
TA= ⎝ ⎠ =⎝ ⎠
∑ (yˆ )
n
1 * 2 σ z2
t − y t*
n t =1
unde:
*
ŷ = media valorilor teoretice ale variabilei endogene;
*
y = media valorilor reale ale variabilei endogene;
σz2 = dispersia variabilei reziduale necorectată cu numărul gradelor de
libertate.
Interpretarea acestui indicator, care evidenţiază existenţa unor erori
sistematice, este aceea că, în cazul ideal∗, valoarea sa este egală cu zero,
aceasta tinzând către unu în cazul unor erori de estimare de-a lungul întregii
serii de timp.
• ponderea dispersiei
2
⎡ 1 n 2
1
n 2 ⎤
(σ − σ y* )2
⎢
⎢ n ∑ ⎛⎜⎝ yˆ *
t − yˆ * ⎞⎟ −
⎠ n ∑ ⎛⎜ y * − y * ⎞⎟ ⎥
⎝ t
⎠ ⎥
D yˆ t* ⎣ t =1 t =1 ⎦
T = t
=
∑( )
n
1 2 σ z2
yˆ t* − y t*
n t =1
care este definită tot în intervalul [0, 1], aceasta măsurând evoluţia oscilantă
a celor două serii, respectiv seria ajustată şi seria empirică a variabilei
endogene. Acest indicator are aceeaşi semnificaţie ca şi cei precedenţi,
respectiv o valoare scăzută indică o capacitate bună de prognoză, în timp ce
o valoare apropiată de unu exprimă o eroare de specificare a modelului.
• ponderea covarianţei
2(1 − r )σ yˆ * σ y*
TC = t t
∑ (yˆ )
n
1 * 2
t − y t*
n t =1
∗
Demn de menţionat este faptul că, în cazul estimării parametrilor unui model statistic cu ajutorul
metodei celor mai mici pătrate, valoarea acestui indicator este egală cu zero, acesta fiind
discriminant numai în cazul utilizării altor procedee de estimare cum ar fi, de exemplu, metoda
grafică, metoda punctelor empirice sau metoda punctelor medii.
Modelul unifactorial
unde:
r = coeficientul de corelaţie liniară dintre valoarea estimată a variabilei
endogene, yˆ t* , şi cea reală, yt* :
∑ (yˆ )( )
n
*
t − yˆ * yt* − y*
r= t =1
nσ yˆ * σ y *
t t
1 n *
( ) ( )
2
= yˆ * − y * + ⎛⎜ σ yˆ * − σ y * ⎞⎟ + 2(1 − r )σ yˆ * σ y *
2
∑
2
yˆ t − y *t
n t =1 ⎝ t t ⎠ t t
Tabelul 3.5.6
Denumirea indicatorului Simbolul indicatorului Valoarea indicatorului
0 1 2
Coeficientul Theil T 0,1577
Ponderea abaterii TA 0,0000
Ponderea dispersiei TD 0,1140
Ponderea covarianţei TC 0,8860
*
x 2004 = 907,8 − 838,3 ⋅ 0,89 = 163,6272 mild. lei preţuri comparabile
Valoarea estimată a consumului final real al gospodăriilor populaţiei
în anul 2004, utilizând rezultatele estimării obţinute în cazul modelului (3)
este egală cu:
*
yˆ 2004 = aˆ1 + bˆ1 x 2004
*
= 9,5845 + 0,7156 ⋅ 163,6272 = 126,676 mild.lei
preţuri comparabile
Pe baza ipotezei formulate la punctele precedente, consumul final
real al gospodăriilor populaţiei, y*, urmează o distribuţie normală (sau
distribuţia Student, dacă n ≤ 30 ), de medie ŷ 2004
*
şi de abatere medie
pătratică s ŷ* , L ( y * ) = N yˆ 2004
2004
*
(
, s yˆ *
2004
).
*
Pentru x 2004 = 163,6272 ⇒ yˆ 2004
*
= 126,676
s yˆ *
⎛ 1
⎜
= s 1+ +
2
*
x2004 (
− x * ⎞⎟
2
= 708,
)
4988 ⋅
⎛
⎜1 +
1 (163,6272 − 82,3893) ⎞
+
2
⎟
2004
z
⎜ n′
⎝ ∑ tx *
− x (
* 2 ⎟
⎠ ) ⎜ 13
⎝ 26186 ,7452 ⎟
⎠
s yˆ * = 30,6848
2004
( *
P yˆ 2004 − t α s yˆ *
2004
≤ y 2004
*
≤ yˆ 2004
*
+ t α s yˆ *
2004
)= 1−α
Pentru α = 0,05 şi v = n − k − 1 = 11 , din tabela distribuţiei Student
se preia valoarea variabilei tα ;v = t 0, 05;11 = 2,201 .
Modelul unifactorial
( *
P y 2004 )
∈ [126,676 ± 2,201 ⋅ 30,6848] = 1 − 0,05 = 0,95
P(y *
2004 )
∈ [59,14;194,21] = 0,95