Modele si prognoze -MAN - an III sem 2
Modele si prognoze -MAN - an III sem 2
Modele si prognoze -MAN - an III sem 2
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
UNIVERSITATEA HYPERION<br />
Facultatea Stiinte Economice –<br />
Prof. univ. dr. Elena Pelinescu<br />
Prof.univ.dr. Dorin Jula<br />
Învăţământ la dist<strong>an</strong>ţă<br />
A<strong>si</strong>st. univ. dr. Andrei Silviu Dospinescu<br />
MODELE ŞI PROGNOZE ECONOMICE
CUPRINS<br />
<strong>Modele</strong> și <strong>prognoze</strong> economice 6<br />
Introducere ................................................................................................................. 11<br />
Unitatea de învăţare 1: “Noţiuni fundamentale de modelare şi prognoză<br />
economică“.................................................................................................................. 13<br />
1. Modelul economic – noţiuni generale ................................................................... 13<br />
1.1. Schema generală a procesului de modelare...................................................... 13<br />
1.2. Modelul econometric........................................................................................ 23<br />
1.3. Elementele unui model econometric ................................................................ 27<br />
1.3.1. Variabilele modelului ............................................................................... 28<br />
1.3.2. Parametrii modelului ................................................................................ 29<br />
1.3.3. Ecuaţiile modelului ................................................................................... 29<br />
1.3.4. Datele utilizate .......................................................................................... 31<br />
2. Modelul linear de regre<strong>si</strong>e unifactorial ................................................................ 32<br />
2.1. Ecuaţia de regre<strong>si</strong>e ........................................................................................... 33<br />
2.2. Metoda celor mai mici pătrate .......................................................................... 36<br />
2.3. Ipotezele modelului linear unifactorial ............................................................ 39<br />
2.4. Proprietăţi ale estimatorilor .............................................................................. 40<br />
3. Modelul linear de regre<strong>si</strong>e multifactorial ............................................................ 42<br />
3.1. Estimarea parametrilor din modelul linear multifactorial ................................ 43<br />
3.2. Ipotezele modelului .......................................................................................... 47<br />
3.3. Proprietăţi ale estimatorilor .............................................................................. 48<br />
Rezumat ...................................................................................................................... 48<br />
Termeni-cheie ............................................................................................................. 49<br />
Tema de control a unității de învățare nr. 1 ............................................................ 50<br />
Testul de autoevaluare nr. 1 ...................................................................................... 50<br />
Bibliografia specifică unității de învățare nr. 1 ....................................................... 52
<strong>Modele</strong> și <strong>prognoze</strong> economice 7<br />
Unitatea de învăţare 2: “Teste statistice“ ................................................................ 56<br />
4. Teste de <strong>sem</strong>nificaţie .............................................................................................. 57<br />
4.1. Disper<strong>si</strong>a estimatorilor ..................................................................................... 57<br />
4.1.1. Disper<strong>si</strong>a estimatorilor în modelul linear unifactorial .............................. 58<br />
4.1.2. Disper<strong>si</strong>a estimatorilor în modelul linear multifactorial ........................... 59<br />
4.2. Teste privind <strong>sem</strong>nificaţia estimatorilor ........................................................... 63<br />
4.2.1. Teste de <strong>sem</strong>nificaţie în cazul modelului unifactorial .............................. 64<br />
4.2.2. Teste de <strong>sem</strong>nificaţie în cazul modelului multifactorial ........................... 66<br />
4.3. Exemple de calcul ............................................................................................ 67<br />
4.3.1. Modelul linear unifactorial ....................................................................... 67<br />
4.3.2. Modelul linear multifactorial .................................................................... 74<br />
5. Specificarea modelului şi acurateţea ajustării .................................................... 83<br />
5.1. Acurateţea ajustării ........................................................................................... 83<br />
5.1.1. Coeficientul de determinare ...................................................................... 84<br />
5.1.2. Coeficientul de determinare corectat ........................................................ 87<br />
5.2. Specificarea modelului multifactorial .............................................................. 88<br />
5.2.1. Criterii pentru specificarea modelului multifactorial ............................... 88<br />
5.2.2. Erori de specificare a modelului multifactorial de regre<strong>si</strong>e lineară .......... 90<br />
5.3. Exemple de calcul ............................................................................................ 93<br />
5.3.1. Calculul coeficientului de determinare ..................................................... 93<br />
5.3.2. Calculul coeficientului de determinare ajustat ......................................... 96<br />
5.3.3. Analiza specificării modelului .................................................................. 97<br />
6. Multicolinearitatea ............................................................................................... 100<br />
6.1. Consecinţe ale multicolinearităţii ................................................................... 100<br />
6.2. Identificarea multicolinearităţii ...................................................................... 103<br />
6.3. Atenuarea multicolinearităţii .......................................................................... 105<br />
7. Heteroscedasticitatea erorilor .................................................................. 108<br />
7.1. Consecinţe ale heteroscedasticităţii ..................................................... 108
<strong>Modele</strong> și <strong>prognoze</strong> economice 8<br />
7.2. Testarea heteroscedasticităţii............................................................... 110<br />
7.2.1. Testul Goldfeld–Qu<strong>an</strong>dt .............................................................. 111<br />
7.2.2. Testul Breusch-Pag<strong>an</strong> .................................................................. 112<br />
7.2.3. Testul White ................................................................................ 114<br />
7.3. Atenuarea heteroscedasticităţii – metoda EGLS White ...................... 115<br />
7.4. Aplicaţii – testarea şi eliminarea fenomenului de heteroscedasticitate<br />
a erorilor ............................................................................................. 119<br />
7.4.1. Testul White pentru modelul unifactorial .................................... 119<br />
7.4.2. Testul White pentru modelul multifactorial ................................ 132<br />
8. Autocorelarea erorilor ............................................................................... 137<br />
8.1. Consecinţe ale autocorelării erorilor ................................................... 139<br />
8.2. Testarea autocorelării erorilor ............................................................. 140<br />
8.2.1. Testul Durbin – Watson ............................................................... 140<br />
8.3. Metoda celor mai mici pătrate generalizată ........................................ 146<br />
8.4. Aplicaţii – testarea fenomenului de autocorelare a erorilor ................ 147<br />
8.4.1. Aplicarea testului Durbin – Watson ............................................ 147<br />
9. Testarea normalităţii erorilor ................................................................... 152<br />
9.1. Consecinţe ale nerespectării ipotezei de normalitate a erorilor.............. 152<br />
9.2. Testul Jarque-Bera.................................................................................. 153<br />
9.3. Atenuarea consecinţelor non-normalităţii distribuţiei erorilor ............... 155<br />
9.4. Exemple de calcul .................................................................................. 156<br />
9.4.1. Modelul linear unifactorial ............................................................. 156<br />
9.4.2. Modelul linear multifactorial .......................................................... 157<br />
Rezumat ........................................................................................................ 159<br />
Termeni-cheie ............................................................................................... 160<br />
Tema de control a unității de învățare nr. 2 .............................................. 160<br />
Testul de autoevaluare nr. 2 .................................................................................... 161<br />
Bibliografia specifică unității de învățare nr. 2 ..................................................... 163
<strong>Modele</strong> și <strong>prognoze</strong> economice 9<br />
Unitatea de învăţare 3: “Elemente specifice de modelare a datelor în economie “<br />
.................................................................................................................................... 167<br />
10. Serii de timp........................................................................................................ 168<br />
10.1. Introducere în prognoza seriilor de timp ...................................................... 168<br />
10.2 Determinarea tendinţei generale (trendului) ................................................ 168<br />
10.3. Determinarea componentei sezoniere .......................................................... 174<br />
11. Staţionaritatea .................................................................................................... 180<br />
12. Cointegrarea ....................................................................................................... 189<br />
13. Utilizarea modelelor econometrice în prognoză (I) ........................................ 194<br />
13.1. Prognoza în cazul modelului unifactorial de regre<strong>si</strong>e lineară ...................... 194<br />
13.2. Prognoza în cazul modelului multifactorial de regre<strong>si</strong>e lineară ................... 196<br />
14. Utilizarea modelelor econometrice în prognoză (II) ....................................... 199<br />
14.1. Aplicaţii ........................................................................................................ 199<br />
14.1.1. Modelul linear unifactorial ................................................................... 199<br />
14.1.2. Modelul linear multifactorial ................................................................ 201<br />
Rezumat .................................................................................................................... 203<br />
Termeni-cheie ........................................................................................................... 204<br />
Tema de control a unității de învățare nr. 3 .......................................................... 204<br />
Testul de autoevaluare nr. 3 .................................................................................... 205<br />
Bibliografia specifică unității de învățare nr. 3 ..................................................... 207<br />
Răspunsurile testelor ......................................................................................211<br />
Bibliografia întregului suport de curs................................................................212<br />
Notițele curs<strong>an</strong>tului .......................................................................................216<br />
Anexe statistice ......................................................................................................... 219<br />
A. Distribuţia normală ........................................................................................... 220<br />
B. Valorile critice ale distribuţiei t – Student, testul bilateral ................... 222
<strong>Modele</strong> și <strong>prognoze</strong> economice 10<br />
C. Valorile critice ale distribuţiei t – Student, testul unilateral ................. 223<br />
D. Valorile critice ale distribuţiei χ 2 .......................................................... 224<br />
E. Statistica Durbin – Watson (dw) : valorile dL şi dU pentru testul<br />
unilateral, la un nivel de <strong>sem</strong>nificaţie de 5% ...................................... 225<br />
F. Distribuţia F pentru pragul de <strong>sem</strong>nificaţie α = 0.01 ............................ 227<br />
G. Distribuţia F pentru pragul de <strong>sem</strong>nificaţie α = 0.05 ........................... 228<br />
H. Distribuţia F pentru pragul de <strong>sem</strong>nificaţie α = 0.10 ............................ 229
INTRODUCERE<br />
<strong>Modele</strong> și <strong>prognoze</strong> economice 11<br />
Acest curs se adresează studenţilor economişti ai Univer<strong>si</strong>tăţii Hyperion şi îşi<br />
propune să trateze elementele fundamentale necesare modelării şi <strong>prognoze</strong>i<br />
economice.<br />
Studentul va dobândi cunoştinţele şi competenţele necesare pentru a putea<br />
construi, utiliza şi <strong>an</strong>aliza rezultatele modelelor econometrice.<br />
Cursul “<strong>Modele</strong> şi <strong>prognoze</strong> economice” este structurat pe unităţi de învăţare<br />
(U.I) care grupează principalele cunoştinţe şi competenţe necesare studentului în<br />
modelarea econometrică a datelor economice.<br />
Unităţile de învăţământ cuprind conţinutul temei respective şi obiective<br />
specifice, rezumat, termeni-cheie, verificarea cunostinţelor, teste de autoevaluare <strong>si</strong><br />
bibliografie.<br />
Evaluarea cunoştinţelor se va realiza sub două forme:<br />
• evaluare continuă, pe baza lucrarilor de verificare rega<strong>si</strong>te la sfar<strong>si</strong>tul fiecarei unitati<br />
de invatare;<br />
• evaluare finală, realizata prin examenul susţinut în perioada<br />
de se<strong>si</strong>une.<br />
Schema generală de parcurgere a unei teme este următoarea:<br />
Citeşte obiectivele<br />
Parcurge conţinutul lecţiei<br />
Răspunde la întrebările de verificare<br />
Completează şi rezolvă testul de autoevaluare de la finalul temei
Unitatea de învăţare 1: NOŢIUNI<br />
<strong>Modele</strong> și <strong>prognoze</strong> economice 12<br />
FUNDAMENTALE DE MODELARE ŞI<br />
PROGNOZĂ ECONOMICĂ<br />
Unitatea de învăţământ 1 grupează temele necesare a<strong>si</strong>milării cunoştinţelor şi<br />
competenţelor fundamentale în construirea, utilizarea şi interpretarea modelelor<br />
econometrice.<br />
Timpul de studiu individual estimat: 9 h<br />
Obiective specifice:<br />
înţelegerea conceptelor de model econometric, regre<strong>si</strong>e liniară unifactorială,<br />
regre<strong>si</strong>e multifactorială<br />
înţelegerea conceptelor de modelare şi prognoză economică<br />
cunoaşterea tipologiilor şi parametrii modelelor utilizate în <strong>prognoze</strong> economice<br />
dezvoltarea capacităţilor de corelare a cunoştinţelor obţinute în cadrul altor<br />
discipline cu cele din cadrul modelării şi <strong>prognoze</strong>i<br />
utilizarea conceptelor privind modelarea economică într-un studiu de caz<br />
înţelegerea modului de construire a unui model de regre<strong>si</strong>e unifactorial şi<br />
multifactorial<br />
utilizarea conceptelor învăţate pentru construirea unui model de regre<strong>si</strong>e<br />
unifactorial şi multifactorial<br />
Cuprins:<br />
A. Modelul economic – noţiuni generale<br />
1.1. Schema generală a procesului de modelare<br />
1.2. Modelul econometric
1.3. Elementele unui model econometric<br />
1.3.1. Variabilele modelului<br />
1.3.2. Parametrii modelului<br />
1.3.3. Ecuaţiile modelului<br />
1.3.4. Datele utilizate<br />
B. Modelul linear de regre<strong>si</strong>e unifactorial<br />
2.1. Ecuaţia de regre<strong>si</strong>e<br />
2.2. Metoda celor mai mici pătrate<br />
2.3. Ipotezele modelului linear unifactorial<br />
2.4. Proprietăţi ale estimatorilor<br />
C. Modelul linear de regre<strong>si</strong>e multifactorial<br />
3.1. Estimarea parametrilor din modelul linear multifactorial<br />
3.2. Ipotezele modelului<br />
3.3. Proprietăţi ale estimatorilor<br />
Rezumat<br />
Termeni-cheie<br />
Tema de control a unității de învățare nr. 1<br />
Testul de autoevaluare nr. 1<br />
Bibliografia specifică unității de învățare nr. 1<br />
1. MODELUL ECONOMIC – NOŢIUNI<br />
GENERALE<br />
1.1. Schema generală a procesului de modelare<br />
În accepţiunea comună, modelul reprezintă o normă, un ideal spre care se<br />
tinde datorită calităţilor, chiar perfecţiunii sale. Un model ştiinţific este o construcţie,<br />
de obicei teoretică, în <strong>an</strong>umite privinţe <strong>si</strong>mplificată, care îşi propune să faciliteze<br />
înţelegerea unei realităţi complexe prin intermediul unei imagini apropiate, cât mai<br />
fidele. Două idei sunt esenţiale în această abordare a conceptului de model: în primul<br />
13
<strong>Modele</strong> și <strong>prognoze</strong> economice 14<br />
rând, ideea de reprezentare <strong>si</strong>mplificată a realităţii şi, în al doilea rând, cea de<br />
a<strong>sem</strong>ănare structurală, funcţională, comportamentală între model şi realitate 1 .<br />
În interpretarea lui Malinvaud "un model constă în reprezentarea formală a<br />
ideilor şi cunoştinţelor relative la un <strong>an</strong>umit fenomen. Aceste idei, numite deseori<br />
teoria fenomenului, se exprimă printr-un <strong>an</strong>samblu de ipoteze asupra elementelor<br />
esenţiale ale fenomenului şi a legilor care le guvernează. Acestea sunt în general<br />
traduse sub forma unui <strong>si</strong>stem matematic numit model. Logica modelului ne permite<br />
să explorăm consecinţele naturale ale ipotezelor reţinute, să le confruntăm cu<br />
rezultatele experimentale şi să ajungem pe această cale la o cunoaştere mai bună a<br />
realităţii şi să acţionăm mai eficace asupra sa." (Malinvaud E., 1964) 2 .<br />
Există, în literatura de specialitate, mai multe tipologii ale modelelor<br />
economice. Cla<strong>si</strong>ficarea unor elemente constă în plasarea acestora, în funcţie de<br />
caracteristicile proprii, într-o <strong>an</strong>umită grupă (clasă). Aceste clase trebuie să respecte<br />
cel puţin două condiţii esenţiale 3 :<br />
a) să fie omogene, adică elementele care prezintă caracteristici <strong>si</strong>milare trebuie să<br />
aparţină aceleiaşi clase;<br />
b) să fie relativ bine separate, adică elementele ne-<strong>si</strong>milare trebuie să facă parte din<br />
clase diferite.<br />
Cu alte cuvinte, elementele dintr-o clasă trebuie să fie a<strong>sem</strong>ănătoare (<strong>si</strong>milare)<br />
între ele şi să distingă de elementele care aparţin altor clase.<br />
În literatura de specialitate din România, una dintre cele mai interes<strong>an</strong>te<br />
cla<strong>si</strong>ficări este prezentată de Acad. Emili<strong>an</strong> Dobrescu 4 . În orice cla<strong>si</strong>ficare, esenţială<br />
este noţiunea de criteriu. Aceasta deoarece un criteriu adecvat, aplicat asupra<br />
elementelor unei mulţimi induce în mulţimea respectivă o relaţie de ordine. În<br />
lucrarea menţionată, Acad. Emili<strong>an</strong> Dobrescu reţine următoarele criterii de cla<strong>si</strong>ficare<br />
1 Jula D., 2003, Introducere în econometrie, Editura Profes<strong>si</strong>onal Consulting, Bucureşti, pag.7.<br />
2 Citat în Dobrescu E., 2002, Tr<strong>an</strong>ziţia în România: abordări econometrice, Editura Economică,<br />
Bucureşti, pag. 33.<br />
3 Jula D., Jula N., 1999, Economie sectorială, Editura Didactică şi Pedagogică, Bucureşti, pag. 18-21.<br />
4 Dobrescu E., 2002, Tr<strong>an</strong>ziţia în România: abordări econometrice, Editura Economică, Bucureşti,<br />
pag. 24.
a modelelor economice: natura elementelor componente, caracterul<br />
interdependenţelor dintre variabile, nivelul de agregare a entităţilor, scopul elaborării<br />
modelelor economice, comportamentul temporal. Rezultă cla<strong>si</strong>ficarea prezentată în<br />
tabelul 1-1.<br />
Tabelul 1–1: Tipologia modelelor economice<br />
Criteriul de cla<strong>si</strong>ficare Categoriile de modele<br />
1. Natura elementelor componente<br />
2. Caracterul interdependenţelor dintre<br />
variabile<br />
3. Nivelul de agregare a entităţilor<br />
4. Scopul modelării<br />
5. Comportamentul temporal<br />
1.a) logice<br />
1.b) calitativ-<strong>an</strong>alitice (teoretice),<br />
1.c) numerice<br />
2.1.a) lineare<br />
2.1.b) nelineare<br />
2.2.a) deterministe<br />
2.2.b) probabiliste<br />
3.a) cu dezagregare maximă<br />
3.b) cu agregare intermediară<br />
3.c) cu agregare naţională maximă<br />
3.d) cu agregare internaţională<br />
4.a) descriptiv-explicative<br />
4.b) explorative<br />
4.c) normative<br />
5.a) strict statice<br />
5.b) cva<strong>si</strong>staţionare<br />
5.c) dinamice<br />
Sursa: Dobrescu E., 2002, Tr<strong>an</strong>ziţia în România: abordări econometrice, Editura<br />
Economică, Bucureşti, Capitolul I: Repere metodologice, pag. 24, Schema 1.I.2:<br />
Tipologia modelelor economice.<br />
Definiţiile pentru conceptele propuse în tabelul 1-1 pornesc, în general de la<br />
următoarele elemente.<br />
1. Natura elementelor componente<br />
15
<strong>Modele</strong> și <strong>prognoze</strong> economice 16<br />
1.a – <strong>Modele</strong>le logice sunt secvenţe propoziţionale care descriu structura şi<br />
funcţionarea unui obiect real, generând o reprezentare relativ<br />
invari<strong>an</strong>tă a acestuia 5 . Un exemplu de acest gen este reprezentat de<br />
modelul concurenţei pure şi perfecte.<br />
1.b – <strong>Modele</strong>le calitativ-<strong>an</strong>alitice (teoretice) "operează tot cu noţiuni, dar<br />
obligatoriu măsurabile, adică oferite de <strong>si</strong>stemul informaţional în<br />
vigoare sau deductibile din acesta (…); în plus, dependenţele dintre<br />
noţiunile implicate sunt definite ca relaţii funcţionale, inclu<strong>si</strong>v cu<br />
explicitarea sensului influenţei" (Dobrescu E., 2002) 6 . Exemplu:<br />
funcţia monetaristă a cererii de b<strong>an</strong>i<br />
M d = f(Y, P, rB, rE, rD)<br />
în care M d este cererea monetară, Y – output-ul, P – nivelul preţurilor,<br />
iar următoarele trei <strong>si</strong>mboluri reprezintă r<strong>an</strong>damentele altor forme de<br />
active în care b<strong>an</strong>ii pot fi plasaţi (bonuri de tezaur), acţiuni, bunuri<br />
durabile). În model variabilele implicate nu apar cu valori numerice,<br />
dar pot fi calculate cu ajutorul statisticilor acce<strong>si</strong>bile. În plus, sensul<br />
dependenţei cererii monetare faţă de factorii de influenţă este clar<br />
stabilit (pozitiv pentru primii doi, negativ pentru următorii trei).<br />
1.c – <strong>Modele</strong>le numerice utilizează date concrete referitoare la serii de<br />
distribuţie, serii care reflectă starea, structura şi relaţiile care există<br />
între diferitele componente ale unui proces economic, la serii de timp<br />
sau spaţiale, la combinaţii ale diferitelor forme de distribuţie (date de<br />
tip p<strong>an</strong>el) etc. <strong>Modele</strong> de acest tip sunt, de exemplu, cele care<br />
estimează legătura dintre şomaj şi rata inflaţiei (curba Phillips) pe<br />
baza datelor înregistrate într-un interval corespunzător de timp, sau<br />
între venitul gospodăriilor şi consum etc.<br />
5 Zamfir C., Vlăsce<strong>an</strong>u L., 1993, Dicţionar de sociologie, Editura Babel, Bucureşti, pag. 366.<br />
6 Dobrescu E., 2002, Tr<strong>an</strong>ziţia în România: abordări econometrice, Editura Economică, Bucureşti,<br />
pag. 18-193
2. Caracterul interdependenţelor dintre variabile<br />
2.1.a – <strong>Modele</strong>le lineare: legătura dintre variabilele <strong>an</strong>alizate este lineară.<br />
Linearitatea se referă la forma legăturii dintre variabile, nu la modul<br />
de exprimare a variabilelor respective. De exemplu, modelul<br />
Y a a X e<br />
t<br />
0<br />
1<br />
poate fi con<strong>si</strong>derat linear, deoarece prin tr<strong>an</strong>sformarea<br />
se scrie<br />
X Z <br />
t<br />
2<br />
t<br />
2<br />
t<br />
Yt = a0 + a1Zt + et,<br />
t<br />
adică, modelul poate fi tr<strong>an</strong>sformat într-o formă echivalentă celei<br />
st<strong>an</strong>dard (vezi capitolul următor).<br />
unde<br />
De a<strong>sem</strong>enea, fie modelul de tip Cobb-Douglas<br />
Y AL K e<br />
t<br />
<br />
t<br />
<br />
t<br />
Yt – reprezintă producţia (output-ul) la momentul t,<br />
Lt – forţa de muncă în aceeaşi perioadă,<br />
Kt – capitalul utilizat în producţie la momentul t,<br />
A – un coeficient de proporţionalitate, iar<br />
t<br />
α, β, γ – parametri ai modelului.<br />
Relaţia poate fi tr<strong>an</strong>sformată prin logaritmare astfel:<br />
Dacă notăm<br />
ln(Yt) = ln(A) + α∙ln(Lt) + β∙ln(Kt) + γt.<br />
ln(Yt) ≡ yt,<br />
ln(A) ≡ a0,<br />
atunci modelul se scrie:<br />
α ≡ a1, ln(Lt) ≡ x1t,<br />
β ≡ a2, ln(K) ≡ x2t,<br />
γ ≡ a3, t ≡ x3t,<br />
yt = a0 + a1x1t + a2x2t + a3x3t,<br />
adică, într-o formă <strong>si</strong>milară celei lineare st<strong>an</strong>dard.<br />
17
<strong>Modele</strong> și <strong>prognoze</strong> economice 18<br />
2.1.b – <strong>Modele</strong>le nelineare în care legătura dintre variabilele <strong>an</strong>alizate are<br />
forme mai complicate, nelineare. Un exemplu de astfel de model este<br />
dat de funcţia logistică de forma:<br />
A<br />
,<br />
t 1<br />
a e<br />
Yt bX<br />
unde A, a şi b sunt parametrii ecuaţiei, iar Yt şi Xt – valorile<br />
înregistrate la momentul t, sau în structura t pentru două variabile<br />
corelate.<br />
2.2.a – <strong>Modele</strong>le deterministe fac abstracţie de caracterul aleator al unor<br />
variabile, sau al abaterilor dintre valorile <strong>an</strong>ticipate ale variabile şi<br />
valorile înregistrate efectiv.<br />
2.2.b – <strong>Modele</strong>le probabiliste ţin seama de caracterul aleator al variabilelor<br />
implicate în <strong>an</strong>aliză. Astfel de modele sunt utilizate, de exemplu,<br />
pentru studiul pieţelor fin<strong>an</strong>ciare.<br />
3. Nivelul de agregare a entităţilor<br />
3.a – <strong>Modele</strong>le cu dezagregare maximă corespund <strong>si</strong>tuaţiei în care<br />
procesele <strong>an</strong>alizate sunt structurate în detaliu, pe componente. De<br />
exemplu, toţi agenţii economici sunt <strong>an</strong>alizaţi, prin funcţii de<br />
comportament, ecuaţii de echilibru, de stare şi/sau de dinamică<br />
specifice.<br />
3.b – <strong>Modele</strong>le cu agregare intermediară operează cu un număr mai redus<br />
de componente, obţinute prin divese grupări ale agenţilor din spaţiul<br />
economic naţional. Economia poate fi structurată, de exemplu,<br />
instituţional (pornind de la sectoarele instituţionale din Sistemul<br />
Contabilităţii Naţionale), pe ramuri (aşa ca în tabelele input-output),<br />
sau regional.<br />
3.c – <strong>Modele</strong>le cu agregare naţională maximă abordează economia în<br />
<strong>an</strong>sambu, prin funcţii comportamentale şi de echilibru. Un exemplu<br />
de astfel de model este reprezentat de funcţia de consum keyne<strong>si</strong><strong>an</strong>ă:<br />
unde:<br />
Ct = C0 + cYd,t,<br />
Ct – consumul agregat la momentul t;
Yd – venitul disponibil al gospodăriilor la momentul t;<br />
C0 – partea stabilă a consumului, relativ autonomă în raport cu<br />
venitul (ex. autoconsumul);<br />
c – înclinaţia marginală spre consum, 0 < c < 1.<br />
3.d – <strong>Modele</strong>le cu agregare internaţională <strong>an</strong>alizează diferite zone<br />
4. Scopul modelării<br />
geografice (de exemplu, zona Mării Negre, zona Balc<strong>an</strong>ilor), grupări<br />
de ţări (ex. ţări dezvoltate, ţări în dezvoltare), uniuni interstatale (ex.<br />
Uniunea Europe<strong>an</strong>ă), grupări sectoriale (ex. ţări exportatoare de petrol<br />
– OPEC) sau abordează economia mondială în <strong>an</strong>samblu.<br />
4.a – <strong>Modele</strong> descriptiv-explicative se construiesc prin generalizarea unei<br />
serii de <strong>si</strong>tuaţii empirice 7 . Un a<strong>sem</strong>enea model "ne ajută să<br />
identificăm mai precis dependenţele c<strong>an</strong>titative dintre indicatorii<br />
implicaţi, dar – toţi aceştia fiind predeterminaţi – nu ne spune mai<br />
nimic despre po<strong>si</strong>bila evoluţie viitoare a economiei 8 . Modelul<br />
explicativ ajută la înţelegerea legăturilor esenţiale dintre fenomenele<br />
studiate 9 . Un exemplu în acest sens este modelul input-output.<br />
4.b – <strong>Modele</strong>le explorative sau de <strong>si</strong>mulare facilitează studierea reacţiilor<br />
economiei faţă de modificarea unei variabile. O astfel de variabilă ar<br />
putea fi rata dobânzii de referinţă, preţul petrolului etc. Modelul<br />
input-output, de exemplu, poate fi folo<strong>si</strong>t pentru <strong>si</strong>mularea reacţiei<br />
economiei la modifiacarea unei variabile exogene, de exemplu,<br />
consumul final 10 .<br />
4.c – <strong>Modele</strong>le normative "stabilesc praguri sau valori apriorice pentru<br />
parametrii obiectivului şi sunt folo<strong>si</strong>te apoi pentru măsurarea<br />
7 Zamfir C., Vlăsce<strong>an</strong>u L., 1993, Dicţionar de sociologie, Editura Babel, Bucureşti, pag. 366.<br />
8 Dobrescu E., 2002, Tr<strong>an</strong>ziţia în România: abordări econometrice, Editura Economică, Bucureşti,<br />
pag.22-23.<br />
9 Jula D., 2003, Introducere în econometrie, Editura Profes<strong>si</strong>onal Consulting, Bucureşti, pag.7.<br />
10 Jula D., Jula N., 1999, Economie sectorială, Editura Didactică şi Pedagogică, Bucureşti, pag. 47-59.<br />
19
5. Comportamentul temporal:<br />
<strong>Modele</strong> și <strong>prognoze</strong> economice 20<br />
<strong>si</strong>tuaţiilor empirice" 11 . De exemplu, prin astfel de parametri pot fi<br />
urmărite obiective de tipul: respectarea unor restricţii ecologice,<br />
restricţii privind condiţiile de muncă, atingerea unor condiţii de<br />
perform<strong>an</strong>ţă – calitate, fiabilitate etc. 12<br />
5.a – <strong>Modele</strong>le strict statice sunt folo<strong>si</strong>te pentru reprezentarea unor<br />
fenomene sau procese economice la un moment dat şi nu stabilesc o<br />
legătură între starea variabilelor economice la mai multe momente<br />
succe<strong>si</strong>ve. Exemplu: modelul input-output.<br />
5.b – <strong>Modele</strong>le cva<strong>si</strong>staţionare stabilesc o astfel de legătură, dar ecuaţiile<br />
sau valorile opţionale nu se modifică în cursul intervalelor succe<strong>si</strong>ve<br />
con<strong>si</strong>derate 13 .<br />
5.c – <strong>Modele</strong>le dinamice ilustrează evoluţia în timp a diferitelor procese<br />
economice. Aceste modele permit modificare în timp a ecuaţiilor (a<br />
formei acestora, sau cel puţin a parametrilor), precum şi a variabilelor<br />
opţionale. <strong>Modele</strong>le dinamice pot fi prospective, caz în care permit<br />
proiectarea în viitor a <strong>an</strong>umitor elemente din trecutul recent, ţinând<br />
seama de condiţiile actuale.<br />
În esenţă, procesul de modelare constă în construirea unui <strong>si</strong>stem (abstract sau<br />
material) a<strong>sem</strong>ănător cu o imagine <strong>si</strong>mplificată a obiectului supus cercetării, imagine<br />
obţinută prin selectarea proprietăţilor con<strong>si</strong>derate esenţiale din punctul de vedere al<br />
scopului urmărit 14 .<br />
11 Zamfir C., Vlăsce<strong>an</strong>u L., 1993, Dicţionar de sociologie, Editura Babel, Bucureşti, pag. 366.<br />
12 Nicolae V., Const<strong>an</strong>tin D.-L., Grădinaru I., 1998, Previziune şi orientare economică, Editura<br />
Economică, Bucureşti, pag. 174-175.<br />
13 Dobrescu E., 2002, Tr<strong>an</strong>ziţia în România: abordări econometrice, Editura Economică, Bucureşti,<br />
pag. 23.<br />
14 Jula D., Jula N., 1999, Economie sectorială, Editura Didactică şi Pedagogică, Bucureşti, pag. 200-<br />
201.
Modelarea matematică reprezintă cea mai utilizată aplicaţie în domeniul<br />
elaborării modelelor economice. Procesul de construcţie a unui model economico-<br />
matematic presupune parcurgerea mai multor etape 15 (fig.1-1).<br />
Realitatea<br />
economică<br />
<strong>an</strong>aliza realităţii<br />
economice<br />
Teoria economică<br />
P1(O/E), …, Pn(O/E)<br />
(imagine <strong>si</strong>mplificată a<br />
realităţii)<br />
Pn+1(O/EM), …, Pn+m(O/EM)<br />
scrierea<br />
modelului<br />
interpretarea<br />
rezultatelor<br />
Figura 1–1: Schema generală a procesului de modelare 16<br />
Teoria matematică<br />
P1(O/M), …, Pn(O/M)<br />
Rezolvare model<br />
21<br />
Pn+1(O/M), …, Pn+m(O/M)<br />
Într-o primă etapă, prin <strong>an</strong>aliza unui obiect din realitatea economică (un<br />
proces, un fenomen etc.) se identifică o mulţime finită de proprietăţi ale acestuia.<br />
Identificarea acestor proprietăţi (caracteristici, relaţii între componente, parametri<br />
structurali şi funcţionali etc.) se face în funcţie de percepţia şi cunoştinţele economice<br />
ale modelatorului, de teoria economică pe care modelatorul o con<strong>si</strong>deră adecvată<br />
realităţii observate şi de perform<strong>an</strong>ţele instrumentelor de observare. Deoarece din<br />
mulţimea caracteristicilor proprii obiectului studiat sunt reţinute doar <strong>an</strong>umite<br />
proprietăţi, imaginea realizată este o <strong>si</strong>mplificare a realităţii, adică, în limbaj<br />
matematic, este o imagine homomorfă a realităţii economice. Proprietăţile reţinute ca<br />
fiind <strong>sem</strong>nificative reprezintă teoria economică (modelul economic) elaborată pentru<br />
15 Etapele modelării sunt prezentate în detaliu în lucrarea Jula D., 2003, Introducere în econometrie,<br />
Editura Profes<strong>si</strong>onal Consulting, Bucureşti, pag.7-13.<br />
16 Sursa: Jula D., 2003, Introducere în econometrie, Editura Profes<strong>si</strong>onal Consulting, Bucureşti, pag. 9.
<strong>Modele</strong> și <strong>prognoze</strong> economice 22<br />
obiectul respectiv din realitate. Alegerea unei imagini homomorfe care să fie utilizată<br />
ca punct de pornire pentru procesul de modelare se face astfel încât gradul şi direcţia<br />
<strong>si</strong>mplificărilor să nu intre în contradicţie cu destinaţia finală a modelului (scopul<br />
<strong>an</strong>alizei).<br />
În a doua etapă, se caută o teorie matematică în care poate fi descrisă o<br />
structură izomorfă cu structura <strong>si</strong>stemului de propoziţii din teoria economică. În<br />
limbajul şi logica specifice teoriei matematice se construieşte efectiv modelul, prin<br />
scrierea (tr<strong>an</strong>sferarea) proprietăţilor originalului, determinate în prima etapă, în<br />
limbajul şi logica specifice teoriei matematice.<br />
În etapa a treia, se realizează studiul propoziţiilor reţinute în teoria<br />
matematică, prin folo<strong>si</strong>rea instrumentelor specifice teoriei respective (cunoscute sau<br />
special elaborate). Procedura – numită rezolvarea modelului – duce la determinarea<br />
unor noi informaţii.<br />
În a patra etapă, aceste noi proprietăţi (informaţii) sunt tr<strong>an</strong>sferate asupra<br />
obiectului original. Tr<strong>an</strong>sferul proprietăţilor din teoria matematică în teoria economică<br />
se realizează printr-o tr<strong>an</strong>sformare izomorfă: fiecărei propoziţiei noi identificate în<br />
teoria matematică îi corespunde în teoria economică o proprietate şi numai una.<br />
Proprietăţile respective îmbogăţesc cunoaşterea obiectului din realitatea economică.<br />
Propoziţii nou descoperite (prin intermediul modelării matematice) pot conţine<br />
informaţii utile nu numai pentru validarea sau respingerea unei teorii ci şi pentru<br />
explicarea stării şi evoluţiei istorice a obiectului modelat, sau pentru <strong>an</strong>aliza<br />
prospectivă.<br />
Pornind de la elementele prezentate, etapele procesului de modelare sunt<br />
prezentate în <strong>si</strong>nteză, în tabelul 1-2.
Tabelul 1–2: Etapele procesului de modelare<br />
(1) <strong>an</strong>aliza realităţii cu ajutorul instrumentelor oferite de teoria economică şi<br />
identificarea unor caracteristici <strong>sem</strong>nificative;<br />
(2) construirea modelului matematic, prin interpretarea (traducerea) propoziţiilor din<br />
teoria economică în limbajul specific teoriei matematice;<br />
(3) rezolvarea modelului;<br />
(4) traducerea concluziilor obţinute din limbajul specific teoriei matematice în<br />
teoria economică (interpretarea economică a rezultatelor modelului).<br />
1.2. Modelul econometric<br />
Denumirea de econometrie provine din combinarea cuvintelor greceşti<br />
oikonomia – economia (de la oicos – casă, gospodărie şi nomos – lege) şi metron –<br />
măsură. Deci, etimologic, econometria presupune aplicarea unor tehnici de măsurare<br />
în economie.<br />
În sens restrâns, econometria este definită ca o aplicaţie a statisticii<br />
matematice în economie, astfel încât prin <strong>an</strong>aliza şi prelucrarea datelor economice să<br />
se ofere un suport empiric modelelor construite de economia matematică 17 . Sau, într-o<br />
altă formulare, mai succintă, sarcina de bază a econometriei este să umple empiric<br />
structurile teoretice 18 .<br />
În sens larg, econometria este înţeleasă ca o ştiinţă de gr<strong>an</strong>iţă între economie,<br />
matematică şi statistică (Thomas R.L., 1997 19 şi Ram<strong>an</strong>ath<strong>an</strong> R., 1992 20 ).<br />
Pornind de la relaţiile definite de teoria economică, econometria cla<strong>si</strong>că se<br />
concentrează asupra următoarelor tipuri de <strong>an</strong>aliză 21 :<br />
17 Samuelson P.A., Koopm<strong>an</strong>s T.C., Stone J.R.N., 1954, Report of the evaluative committee for<br />
Econometrica, în Econometrica, 22, pag.141-146.<br />
18 "The ba<strong>si</strong>c task of econometrics … is to put empirical flesh <strong>an</strong>d blood on theoretical structures",<br />
Johnston J., 1984, Econometric Methods, 3rd edition, McGraw-Hill pag. 5.<br />
19 Thomas R.-L, 1997, Modern Econometrics: An Introduction, 2nd edition, Harlow, Longm<strong>an</strong>, pag. 1-<br />
3.<br />
20 Ram<strong>an</strong>ath<strong>an</strong> R., 1992, Introductory Econometrics, Second Edition, The Dryden Press, Harcourt<br />
Brace College Publishers, Orl<strong>an</strong>do, USA, pag. 3-11.<br />
23
<strong>Modele</strong> și <strong>prognoze</strong> economice 24<br />
(a) testarea şi validarea teoriei economice (în sensul confruntării teoriei cu realitatea<br />
economică, inclu<strong>si</strong>v testarea ipotezelor privind comportamentul economic),<br />
concret, testarea ideilor, noţiunilor, conceptelor teoretice reprezentate prin<br />
a<strong>sem</strong>enea relaţii;<br />
(b) estimarea relaţiilor dintre variabilele economice, adică măsurarea fiecărei relaţii<br />
şi estimarea parametrilor pe care relaţiile respective îi presupun;<br />
(c) prognoza evoluţiilor şi a comportamentelor economice.<br />
Pentru testarea corespondenţei dintre teoria economică şi realitate (fapte,<br />
obiecte, procese), econometria realizează o combinare a tehnicilor de <strong>an</strong>aliză specifice<br />
economiei matematice cu cele din statistica economică şi inferenţa statistică.<br />
Economia matematică exprimă teoriile şi ideile economice în formă matematică.<br />
Aceste exprimări sunt de cele mai multe ori calitative, în sensul că nu presupun<br />
întotdeauna utilizarea datelor numerice. Statistica economică se ocupă cu<br />
identificarea, colectarea şi <strong>an</strong>aliza datelor economice şi exprimarea lor într-o formă<br />
inteligibilă pentru utilizatori. Ca o <strong>si</strong>nteză a acestor două abordări, econometria preia<br />
ecuaţiile din economia matematică şi le confruntă cu datele economice. În acest<br />
proces (econometric), prin utilizarea unor tehnici de inferenţă se testează adecvarea<br />
teoriei la realitatea economică, prin validarea ecuaţiilor respective. De obicei,<br />
tehnicile utilizate în scopul validării empirice a ecuaţiilor care modelează un <strong>an</strong>umit<br />
aspect al realităţii economice sunt cele de inferenţă statistică.<br />
Pornind de la schema generală privind procesul de modelare şi de la<br />
elementele prezentate, poate fi construită o schiţă a procesului de modelare<br />
econometrică.<br />
Astfel 22 (Sp<strong>an</strong>os A., 1986), de cele mai multe ori variabilele din modelul<br />
teoretic nu corespund în mod direct cu seriile de date observate. În această <strong>si</strong>tuaţie, în<br />
construirea modelului sunt generate date printr-un proces specific. Un astfel de proces<br />
generator de date poate porni de la izolearea fenomenele care ne interesează de orice<br />
alte influenţe. De exemplu, într-un model teoretic care <strong>an</strong>alizează cererea de monedă<br />
21 Thomas R.-L, 1997, Modern Econometrics: An Introduction, 2nd edition, Harlow, Longm<strong>an</strong>, pag. 1.<br />
22 Sp<strong>an</strong>os A., 1986, Statistical foundations of econometric modelling, Cambridge Univer<strong>si</strong>ty Press, pag.<br />
19-22.
sunt incluse ca variabile explicative venitul, nivelul preţurilor, rata dobânzii ş.a. În<br />
statistica oficială 23 există mai multe serii de date care pot reprezenta c<strong>an</strong>didaţi<br />
vero<strong>si</strong>mili pentru măsurarea variabilele respective. Este po<strong>si</strong>bil însă ca nici una dintre<br />
seriile statistice să nu corespundă exact descrierii teoretice. În aceste condiţii,<br />
concluziile modelului pot fi false. De aceea, mec<strong>an</strong>ismul prin care sunt identificate<br />
datele utilizate în model, numit procesul de generare a datelor (PGD) 24 are un rol<br />
import<strong>an</strong>t în modelarea econometrică. Se afirmă, de altfel, că modelul econometric<br />
trebuie interpretat ca o aproximare a PGD 25 .<br />
23 Anuarele Statistice şi Buletinele statistice lunare ale Institutului Naţional de Statistică, Buletinele<br />
lunare şi Rapoartele <strong>an</strong>uale ale Băncii Naţionale a României, Buletinele de informare ale Ministerului<br />
Fin<strong>an</strong>ţelor Publice ş.a<br />
24 În engleză: Data Generating Process (DGP).<br />
25 Sp<strong>an</strong>os A., 1986, Statistical foundations of econometric modelling, Cambridge Univer<strong>si</strong>ty Press, pag.<br />
20.<br />
25
Teoria<br />
economică<br />
Modelul teoretic Datele observate<br />
Modelul calculabil Modelul statistic<br />
<strong>Modele</strong> și <strong>prognoze</strong> economice 26<br />
Figura 1–2: Schema generală a procesului de modelare econometrică 26<br />
Un studiu econometric presupune parcurgerea următoarelor etape (figura 1-3):<br />
(1) formularea modelului pornind de la teoria con<strong>si</strong>derată adecvată pentru explicarea<br />
evoluţiei unui proces economic,<br />
(2) realizarea unei cercetări selective pentru generarea unor serii de date referitoare<br />
la procesul respectiv,<br />
(3) estimarea modelului,<br />
Estimarea modelului<br />
Modelul econometric estimat<br />
(calculat)<br />
Testarea ipotezelor<br />
Prognoză<br />
Evaluarea politicilor economice<br />
26 Sursa: adaptat după Sp<strong>an</strong>os A., 1986, Statistical foundations of econometric modelling, Cambridge<br />
Univer<strong>si</strong>ty Press, Cambridge, pag. 16 (fig.1.1: The textbook approach to econometric modeling) şi pag.<br />
21 (fig.1.2: An approach to econometric modelling).<br />
Procesul actual de<br />
generare a datelor
(4) testarea ipotezelor teoretice folo<strong>si</strong>te în construirea modelului<br />
(5) interpretarea rezultatelor.<br />
Reformularea<br />
modelului<br />
Decizii de politică<br />
economică<br />
Teoria economică,<br />
experienţa<br />
Formularea modelului<br />
Figura 1–3: Etapele unui studiu econometric 27<br />
1.3. Elementele unui model econometric<br />
Într-o abordare generală, un model econometric reprezintă un <strong>an</strong>samblu de<br />
relaţii interdependente care descriu legăturile dintre valorile unui <strong>an</strong>umit număr de<br />
variabile economice, într-un context dat. Elementele unui model economico-<br />
matematic sunt variabilele, ecuaţiile şi parametrii modelului. De a<strong>sem</strong>enea, rezolvarea<br />
modelului presupune existenţa unor serii de date, care să prezinte starea şi/sau<br />
evoluţia (distribuţia) variabilelor din model.<br />
Selectarea datelor<br />
Estimarea modelului<br />
NU<br />
Testarea ipotezelor:<br />
Ipotezele se verifică? DA<br />
Prognoze<br />
Interpretarea<br />
rezultatelor<br />
27 Thomas R.L, 1997, Modern Econometrics: An introduction, 2nd edition, Harlow, Longm<strong>an</strong>, pag.4.<br />
27
1.3.1. Variabilele modelului<br />
<strong>Modele</strong> și <strong>prognoze</strong> economice 28<br />
Într-un model econometric pot fi distinse trei tipuri de variabile: variabile<br />
endogene, variabile exogene şi variabile de abatere (eroare).<br />
Sunt endogene sau explicate acele variabile ale căror valori sunt obţinute prin<br />
rezolvarea modelului. De obicei, numărul variabilelor endogene este egal cu numărul<br />
ecuaţiilor din model.<br />
Sunt exogene acele variabile pentru care starea şi evoluţia sunt determinate de<br />
factori exteriori <strong>si</strong>stemului a cărui funcţionare este studiată cu ajutorul modelului. În<br />
cadrul variabilelor exogene, o categorie specială este constituită din variabilele de<br />
decizie. Variabilele de decizie sunt instrumente a căror evoluţie poate fi controlată sau<br />
<strong>si</strong>mulată de un agent economic. Sunt utilizate atunci când se urmăreşte măsurarea<br />
impactului unei decizii sau a unei <strong>si</strong>tuaţii po<strong>si</strong>bile asupra evoluţiei uneia sau mai<br />
multor variabile endogene, sau asupra echilibrului economic descris de model.<br />
Printr-o astfel de variabilă se poate <strong>si</strong>mula răspunsul <strong>si</strong>stemului la un şoc extern (de<br />
exemplu, creşterea preţului petrolului) sau la o măsură de politică economică (de<br />
exemplu, modificarea taxei reescontului sau a ratei rezervelor obligatorii).<br />
Exogenele sunt întotdeauna variabile explicative, însă nu orice variabilă<br />
explicativă din model este şi exogenă. De aceea, sunt numite predeterminate sau<br />
explicative acele variabile ale căror valori sunt cunoscute a priori şi sunt utilizate<br />
pentru explicarea stării şi evoluţiei variabilelor endogene. Pe lângă exogene,<br />
predeterminate pot fi şi variabilele retardate (variabilele cu efect întârziat). Adică,<br />
este po<strong>si</strong>bil ca printre factorii explicativi ai evoluţiei unei variabile endogene să se<br />
găsească valoarea variabilei respective sau valorile altor endogene calculate pentru un<br />
moment <strong>an</strong>terior. De exemplu, nivelul şomajului la momentul t depinde de şomajul la<br />
momentul t-1, deoarece absorbţia excesului de ofertă de pe piaţa muncii nu se produce<br />
inst<strong>an</strong>t<strong>an</strong>eu, ci este un proces care se realizează în timp. La fel, consumul curent<br />
depinde de nivelul consumului înregistrat la momentul <strong>an</strong>terior, deoarece familiile au<br />
tendinţa de a-şi conserva un <strong>an</strong>umit nivel de trai, eventual prin diminuarea<br />
economi<strong>si</strong>rii, sau chiar printr-un proces de dezeconomi<strong>si</strong>re. De a<strong>sem</strong>enea, în funcţia<br />
ofertei, decizia de producţie la momentul t depinde de preţul pe piaţă la momentul t-1.
Variabilele de abatere (sau erorile) reprezintă discrep<strong>an</strong>ţele între evoluţia<br />
<strong>an</strong>ticipată a unei variabile şi evoluţia reală a variabilei respective. Aceste discrep<strong>an</strong>ţe<br />
(erori) pot proveni din perturbaţii aleatoare cărora nu li se poare atribui o <strong>sem</strong>nificaţie<br />
economică, din neincluderea în model a unor variabile <strong>sem</strong>nificative, sau includerea<br />
unor variabile explicative mai puţin <strong>sem</strong>nificative, din erori de măsurare sau din<br />
impo<strong>si</strong>bilitatea măsurării unor factori de influenţă (elemente p<strong>si</strong>ho-sociale, variabile<br />
care ţin de mediul cultural sau politic ş.a.).<br />
1.3.2. Parametrii modelului<br />
Parametrii modelului pot fi definiţi ca fiind caracteristicile c<strong>an</strong>titative ale<br />
<strong>si</strong>stemului studiat. Dacă vectorul parametrilor este fixat, comportamentul <strong>si</strong>stemului<br />
depinde numai de starea şi evoluţia variabilelor explicative şi de forma legăturilor<br />
dintre variabile. În cazul general, fiecărei colecţii de valori ale parametrilor îi<br />
corespunde o mulţime de traiectorii ale <strong>si</strong>stemului, mulţime numită câmp de<br />
comportament 28 . La limită, fiecărei colecţii de valori ale parametrilor îi corespunde o<br />
<strong>si</strong>ngură traiectorie a <strong>si</strong>stemului.<br />
În modelele econometrice, se acceptă ipoteza că forma legăturii dintre<br />
variabile este cunoscută, iar parametrii modelului nu sunt cunoscuţi. În rezolvarea<br />
modelului se calculează estimatori ai parametrilor respectivi pornind de la o cercetare<br />
selectivă privind starea şi evoluţia variabilelor din model.<br />
1.3.3. Ecuaţiile modelului<br />
Prin ecuaţiile unui model se încearcă surprinderea legăturilor dintre variabilele<br />
endogene şi cele explicative. Într-un model econometric pot apărea ecuaţii de<br />
comportament, ecuaţii de definiţie şi ecuaţii contabile (de echilibru).<br />
Ecuaţiile de comportament sunt construite pe baza unei teorii economice şi<br />
descriu, în formă funcţională, comportamentul unui agent economic.<br />
Comportamentul, într-un <strong>an</strong>umit context, al agentului respectiv este apreciat prin<br />
28 Fedorenko N.P., K<strong>an</strong>torovici L.V., D<strong>an</strong>ilov-D<strong>an</strong>ili<strong>an</strong> V.I., Konüs A.A., Maiminas E.Z.,<br />
Ceremnîh I.N., Cerneak I.I., 1979, Dicţionar de matematică şi cibernetică în economie, Editura<br />
Ştiinţifică şi Enciclopedică, Bucureşti, pag. 439.<br />
29
<strong>Modele</strong> și <strong>prognoze</strong> economice 30<br />
starea şi evoluţia unei variabile economice. La fel, se ataşează o variabilă fiecărui<br />
factor care explică un <strong>an</strong>umit comportament. Inten<strong>si</strong>tatea influenţei unui factor<br />
explicativ asupra comportamentului economic al agentului con<strong>si</strong>derat este dată de<br />
mărimea parametrului care stabileşte legătura dintre valorile celor două variabile.<br />
Ecuaţiile sau relaţiile de definiţie sunt utilizate pentru precizarea unor noţiuni<br />
sau determinarea unor variabile. În ecuaţiile de definiţie nu intervin parametri<br />
necunoscuţi. De exemplu, într-un model în care sunt estimate nivelul ocupării (PO) şi<br />
numărul de şomeri (S), populaţia activă (PA) se determină prin însumarea valorilor<br />
celor două variabile, iar rata şomajului se defineşte prin raportul dintre numărul<br />
şomerilor şi populaţia activă. Indicele de creştere al unei variabile se calculează ca<br />
raport între starea variabilei respective la momentul t şi starea la momentul t-1. Ritmul<br />
de creştere se defineşte scăzând valoarea 1 din indicele de creştere ş.a.m.d. De<br />
a<strong>sem</strong>enea, pot fi definite <strong>an</strong>umite variabile intermediare care să ajute la <strong>si</strong>mplificarea<br />
ecuaţiilor, sau care să a<strong>si</strong>gure respectarea <strong>an</strong>umitor condiţii necesare pentru rezolvarea<br />
modelului. De exemplu, pentru atenuarea corelaţiei dintre erorile din model se<br />
procedează la diferenţierea seriilor de date (se calculează diferenţa dintre valoarea la<br />
momentul t şi valoarea la momentul t-1), sau în <strong>an</strong>umite <strong>si</strong>tuaţii se operează în model<br />
cu logaritmul valorilor înregistrate prin cercetarea selectivă.<br />
Ecuaţiile de echilibru sunt utilizate pentru a<strong>si</strong>gurarea coerenţei modelului. De<br />
exemplu, într-un model macroeconomic suma dintre consumul şi economiile<br />
familiilor trebuie să fie egal cu venitul minus impozitele plătite de familiile<br />
respective. De a<strong>sem</strong>enea, dacă în model se calculează atât populaţia ocupată (PO) şi<br />
nivelul şomajului (S), cât şi populaţia activă (PA), atunci PA = PO + S este o relaţie<br />
de echilibru prin care se poate testa corectitudinea estimării şi coerenţa modelului.<br />
Ecuaţiile de echilibru nu exclud interpretările şi <strong>an</strong>alizele teoretice. De exemplu, o<br />
ecuaţie de echilibru poate fi scrisă în ipoteza adaptării perfecte şi inst<strong>an</strong>t<strong>an</strong>ee a ofertei<br />
la cererea pe piaţa unui produs. Or, un a<strong>sem</strong>enea comportament chiar dacă poate fi<br />
acceptat în <strong>an</strong>umite modele, nu are un caracter universal valabil.
1.3.4. Datele utilizate<br />
Pentru estimarea parametrilor din ecuaţiile modelului sunt utilizate <strong>an</strong>umite<br />
date economice referitoare la evoluţia fenomenelor <strong>an</strong>alizate. Datele economice<br />
reprezintă reflectări c<strong>an</strong>titative sau calitative ale dimen<strong>si</strong>unii, stării şi evoluţiei<br />
proceselor şi fenomenelor economice. Aceste date pot fi descrise pornind de la mai<br />
multe criterii. Astfel, ca prezentare, datele pot fi disponibile ca serii de timp<br />
(cronologice), de distribuţie sau de tip p<strong>an</strong>el.<br />
Seriile de timp corespund unor observaţii efectuate asupra stării unui fenomen<br />
economic la intervale regulate de timp (evoluţia cursului de schimb, dinamica<br />
preţurilor, a consumului, a veniturilor etc.).<br />
Seriile de distribuţie (repartiţie), numite şi serii în tăietură tr<strong>an</strong>sversală sau<br />
serii de date inst<strong>an</strong>t<strong>an</strong>ee reflectă starea, structura şi relaţiile care există între diferitele<br />
componente ale unui <strong>si</strong>stem economic, la un moment dat. De exemplu, aceste serii<br />
reflectă distribuţia în spaţiu a diferitelor caracteristici ale unui fenomen – şomajul<br />
regional, localizarea activităţilor etc., structura unor agregate (structura sectorială a<br />
unei economii, structura ocupării, structura pe elemente a costului de producţie ş.a.),<br />
sau starea unei variabile la un moment dat într-un <strong>an</strong>umit eş<strong>an</strong>tion (de exemplu,<br />
venitul şi consumul familiilor).<br />
Datele de tip p<strong>an</strong>el combină seriile de timp şi datele în structură tr<strong>an</strong>sversală.<br />
Principalul av<strong>an</strong>taj al <strong>an</strong>alizei de tip p<strong>an</strong>el constă în aceea că permite o mai mare<br />
flexibilitate în modelarea diferenţelor înregistrate în comportamentele individuale.<br />
31
2. MODELUL LINEAR DE REGRESIE<br />
UNIFACTORIAL<br />
Începem acest capitol prin <strong>an</strong>aliza unui exemplu ipotetic privind dinamica<br />
masei monetare şi a inflaţiei într-o perioadă dată de timp. Din teoria economică se<br />
cunoaşte faptul că masa monetară şi rata inflaţiei sunt două variabile care nu<br />
evoluează independent una de alta. Admitem faptul că masa monetară depinde – în<br />
mare măsură – de nivelul preţurilor. Ecuaţia lui Fischer este:<br />
MV = PT<br />
unde M – masa monetară, V – viteza de rotaţie a b<strong>an</strong>ilor, P – nivelul general al<br />
preţurilor şi T – volumul tr<strong>an</strong>zacţiilor.<br />
Rezultă:<br />
T<br />
M P ,<br />
V<br />
Notăm raportul k<br />
M = k∙P<br />
T<br />
. Atunci<br />
V<br />
şi reţinem ideea că masa monetară depinde linear de nivelul preţurilor, adică<br />
M = f(P, e),<br />
unde prin e am <strong>si</strong>mbolizat ceilalţi factori care contribuie la dinamica masei monetare.<br />
În cazul general, se notează cu Y variabila explicată (în exemplul prezentat<br />
M ≡ Y) şi X – variabila explicativă (în exemplul prezentat P ≡ X). Scriem atunci<br />
relaţia precedentă astfel:<br />
Y = f(X, e),<br />
unde Y este variabila endogenă, X – variabila exogenă, iar e reprezintă un factor<br />
perturbator, de natură aleatoare.<br />
Să acceptăm, pentru început, ipoteza că masa monetară depinde linear de<br />
nivelul preţurilor şi să notăm M(Y/X) valoarea <strong>an</strong>ticipată a masei monetare atunci<br />
când nivelul preţurilor atinge valoarea X. Adică, în ipoteza de linearitate menţionată,<br />
acceptăm că<br />
M(Y / X) = a0 + a1X 2- 1
unde a0 şi a1 sunt parametrii modelului.<br />
2.1. Ecuaţia de regre<strong>si</strong>e<br />
Valorile înregistrate ale masei monetare (Y) nu sunt întotdeauna egale cu<br />
valoarea <strong>an</strong>ticipată [M(Y/X)] a masei monetare la un nivel dat al preţurilor X.<br />
Valoarea reală (înregistrată) Y diferă de valoarea <strong>an</strong>ticipată din cauza unor factori de<br />
natură diversă. În aceste condiţii, pentru ca modelul care evaluează dinamica masei<br />
monetare să se apropie cât mai mult de realitate, masa monetară ar trebui să fie scrisă:<br />
Y = M(Y / X) + e 2- 2<br />
Relaţia (2- 2) se numeşte ecuaţia de regre<strong>si</strong>e a lui Y în funcţie de X. Dacă se<br />
acceptă ipoteza descrisă prin (2- 1), atunci în (2- 2) se înlocuieşte M(Y/X) cu expre<strong>si</strong>a<br />
respectivă, astfel încât ecuaţia de regre<strong>si</strong>e poate fi scrisă într-o formă echivalentă<br />
astfel:<br />
Y = a0 + a1X + e 2- 3<br />
unde Y este variabila endogenă (variabila explicată prin model), X este variabila<br />
exogenă (variabila explicativă), a0 şi a1 sunt parametrii modelului, iar e reprezintă<br />
eroarea sau abaterea dintre valoarea <strong>an</strong>ticipată a endogenei şi valoarea efectiv<br />
înregistrată.<br />
Există cel puţin trei argumente pentru includerea unei variabile de abatere<br />
(numită şi eroare) în ecuaţia care modelează dependenţa dintre Y şi X:<br />
1) Deoarece comportamentul economic este suficient de complex, evoluţia<br />
variabilei Y este influenţată şi de alţi factori, diferiţi de X. Există <strong>si</strong>tuaţii în care<br />
mulţi dintre factorii respectivi au un impact redus, astfel încât nu se justifică<br />
includerea lor explicită în model. Totuşi, se poate con<strong>si</strong>dera efectul net (global)<br />
al acestora ca fiind un factor e disturbator.<br />
2) Existenţa unor elemente calitative, greu sau impo<strong>si</strong>bil de cu<strong>an</strong>tificat.<br />
Con<strong>si</strong>derăm, în această <strong>si</strong>tuaţie, componenta aleatoare e ca reprezentând<br />
elementele necu<strong>an</strong>tificabile din relaţia de determinare a variabilei Y.<br />
33
3) Este po<strong>si</strong>bil să existe erori în observarea (înregistrarea) valorilor variabilei Y. În<br />
această <strong>si</strong>tuaţie, variabila e poate fi con<strong>si</strong>derată drept o măsură a erorilor<br />
respective 29 .<br />
În relaţiile precedente <strong>si</strong>mbolurile X şi Y sunt utilizate în sens generic: Y<br />
reprezintă masa monetară, atunci când nivelul preţurilor este X. În continuare, pentru<br />
a preciza mai bine notaţiile, scriem Yt pentru a reprezenta masa monetară la momentul<br />
t şi Xt pentru nivelul preţurilor, la acelaşi moment t. În aceste condiţii, prin precizarea<br />
t = 1,2, …, n. <strong>si</strong>mbolizăm extragerea din populaţia con<strong>si</strong>derată a unui eş<strong>an</strong>tion de<br />
dimen<strong>si</strong>une n (în cazul prezentat, înregistrarea datelor privind masa monetară şi<br />
nivelul preţurilor la n momente diferite de timp).<br />
<strong>an</strong>alizat:<br />
respectiv<br />
Cu această notaţie extinsă, relaţiile (2- 1) şi (2- 3) se scriu pentru eş<strong>an</strong>tionul<br />
M(Y/X) = a0 + a1Xt, t = 1, 2, ..., n 2- 4<br />
Yt = a0 + a1Xt + et, t = 1, 2, ..., n 2- 5<br />
unde et din relaţia (2- 5) <strong>si</strong>mbolizează valoarea (neobservată) a abaterii dintre Yt –<br />
consumul efectiv înregistrat pentru familia t şi M(Yt/Xt) – consumul <strong>an</strong>ticipat al<br />
familiei respective, <strong>an</strong>ticipaţia formându-se pornind de la Xt – valoarea cunoscută a<br />
venitului.<br />
Revenind la (2- 4), menţionăm faptul că forma exactă a acestei relaţii nu este<br />
cunoscută. Se admite, în acest punct, doar ipoteza că relaţia dintre Y şi X este lineară.<br />
În aceste condiţii, problema modelării legăturii dintre masa monetară şi preţuri este<br />
aceea de a determina, folo<strong>si</strong>nd datele disponibile, o formă cât mai adecvată a relaţiei<br />
dintre cele două variabile.<br />
Concret, o dreaptă este complet determinată dacă se stabilesc valorile a0 şi a1.<br />
Atunci, modelarea masei monetare (Y) în funcţie de preţuri (X) înseamnă stabilirea<br />
unor valori â0 şi â1 pentru parametrii a0 şi a1 astfel încât înlocuind aceste valori într-o<br />
ecuaţie de forma Ŷ = â0 + â1X, cu Xt cunoscut, să se obţină valori Ŷt cât mai apropiate<br />
de cele înregistrate în eş<strong>an</strong>tionul selectat (Yt). Grafic, folo<strong>si</strong>nd o metodă adecvată, este<br />
29 Erorile în înregistrarea variabilei X induc probleme mai complicate şi de aceea <strong>si</strong>tuaţia respectivă va<br />
fi tratată în mod explicit în cadrul modelelor cu ecuaţii <strong>si</strong>mult<strong>an</strong>e.
necesar să se determine o dreaptă care să se apropie cât mai mult (eventual, cel mai<br />
mult po<strong>si</strong>bil) de punctele de coordonate (Xt, Yt). Această dreaptă<br />
Ŷ = â0 + â1X 2- 6<br />
este con<strong>si</strong>derată o estimare a ecuaţiei (2- 4) calculată pornind de la eş<strong>an</strong>tionul<br />
disponibil.<br />
În relaţia precedentă, Ŷ reprezintă estimarea pe baza eş<strong>an</strong>tionului a valorii<br />
<strong>an</strong>ticipate pentru consumul întregii populaţii, atunci când venitul este X, iar â0 şi â1<br />
sunt estimatorii calculaţi, la fel, pe baza eş<strong>an</strong>tionului, pentru parametrii a0 şi a1 din<br />
ecuaţiile de regre<strong>si</strong>e.<br />
Să presupunem că există cel puţin o metodă prin care pot fi calculate valorile<br />
estimatorilor â0 şi â1. În aceste condiţii, pe baza modelului se poate estima fiecare<br />
valoare Ŷt a masei monetare (t = 1, 2, 3, …, n), după relaţia:<br />
Ŷ = â0 + â1X, t = 1, 2, ..., n 2- 7<br />
În realitate, valorile masei monetare calculate pe baza relaţiei (2- 7) nu<br />
coincid, în cele mai multe cazuri, cu valorile observate ale variabilei respective.<br />
Diferenţa dintre masa monetară estimată Ŷt şi cea înregistrată efectiv Yt reprezintă o<br />
estimare a variabilei de abatere et din modelul (2- 3). Mărimea respectivă, notată ut, se<br />
numeşte variabila reziduală din ecuaţia de regre<strong>si</strong>e. Cu această notaţie scriem<br />
ut = Yt – Ŷt, t =1, 2, ..., n 2- 8<br />
Precizăm în acest punct următoarele:<br />
– abaterea e măsoară diferenţa dintre variabila Y şi M(Y/X) – <strong>an</strong>ticipaţia privind<br />
nivelul variabilei respective atunci când evaluarea priveşte întreaga populaţie, iar<br />
această valoare (e) rămâne necunoscută;<br />
– variabila reziduală u reprezintă abaterea dintre valorile Y din eş<strong>an</strong>tionul studiat şi<br />
estimările Ŷt privind valorile respective determinate pe baza datelor din eş<strong>an</strong>tion.<br />
Aceasta înseamnă că, în măsura în care Ŷ este o estimare bună a valorii<br />
<strong>an</strong>ticipate M(Y/X), variabila reziduală u este o estimare, la fel, bună pentru variabila<br />
de abatere e.<br />
35
2.2. Metoda celor mai mici pătrate<br />
Prin reprezentarea într-un <strong>si</strong>stem de axe (XOY) a punctelor de coordonate<br />
(Xt, Yt) se obţine un nor de puncte (aşa ca în figura 2-1). În acelaşi <strong>si</strong>stem de axe,<br />
orice cuplu de parametri (a0, a1) determină o dreaptă de ecuaţie Y = a0 + a1X.<br />
Construirea unui model bun care să ilustreze relaţia dintre toate valorile<br />
(Xt, Yt) din eş<strong>an</strong>tion înseamnă alegerea dintre toate dreptele de ecuaţie Y = a0 + a1X a<br />
aceleia care se apropie cât mai mult de punctele determinate prin observaţii. O dreaptă<br />
este complet identificată atunci când sunt fixaţi parametrii a0 şi a1. Notăm â0, respectiv<br />
â1 acele valori ale parametrilor pentru care dist<strong>an</strong>ţa dintre valorile calculate în model<br />
şi valorile înregistrate efectiv este minimă. Grafic, în figura 2-1, alegem acea dreaptă<br />
Ŷ = â0 + â1X pentru care <strong>an</strong>samblul abaterilor ut să fie cât mai mici.<br />
Y<br />
Yt<br />
<br />
ut <br />
<br />
<br />
<br />
Xt<br />
Y â â X<br />
ˆ <br />
t<br />
0<br />
Y â ˆ <br />
1<br />
t<br />
0 <br />
â X<br />
Figura 2–1: Dreapta de regre<strong>si</strong>e şi variabila reziduală<br />
Deoarece unele dintre abateri sunt pozitive (sunt <strong>si</strong>tuate deasupra dreptei de<br />
ecuaţie Ŷ = â0 + â1X), altele negative, <strong>si</strong>mpla însumare a acestor abateri nu ar evita<br />
fenomenul de compensare a erorilor. Soluţia adoptată, de obicei, constă în însumarea<br />
pătratelor abaterilor şi determinarea acelor valori ale parametrilor care să ducă la<br />
minimizarea sumei respective. De aceea, procedura este cunoscută sub denumirea de<br />
metoda celor mai mici pătrate.<br />
Grafic, criteriul aplicat în cazul metodei celor mai mici pătrate este următorul:<br />
dreapta care a<strong>si</strong>gură cea mai bună ajustare a punctelor empirice (dreapta de regre<strong>si</strong>e)<br />
este aceea pentru care se minimizează suma pătratelor abaterilor dintre punctele de pe<br />
1<br />
X
grafic şi punctele care au aceiaşi abscisă pe dreapta de regre<strong>si</strong>e, abaterile fiind<br />
măsurate vertical.<br />
Analitic, notăm F(â0, â1) suma pătratelor abaterilor u dintre valorile<br />
înregistrate ale variabilei Y şi valorile calculate Ŷ. Cu alte cuvinte, F(â0, â1) măsoară<br />
suma pătratelor valorilor variabilei reziduale:<br />
F<br />
n n<br />
2<br />
Y ˆ<br />
â , â u Y<br />
0<br />
1<br />
<br />
<br />
t1<br />
n<br />
<br />
t1<br />
t<br />
<br />
t1<br />
Y â â X <br />
t<br />
0<br />
t<br />
1<br />
t<br />
t<br />
2<br />
2<br />
<br />
În funcţia F sunt necunoscuţi doar estimatorii â0 şi â1, deoarece valorile Xt şi<br />
Yt reprezintă observaţiile din eş<strong>an</strong>tionul selectat, deci sunt numere reale cunoscute.<br />
Metoda celor mai mici pătrate constă în determinarea, pentru un set dat de<br />
observaţii, a acelor valori â0 şi â1 care minimizează funcţia F(â0, â1).<br />
Pentru a minimiza funcţia F în raport cu â0, respectiv â1 se calculează<br />
derivatele parţiale de ordinul unu şi se egalează cu zero:<br />
<br />
<br />
â<br />
<br />
<br />
<br />
â<br />
0<br />
1<br />
F<br />
F<br />
â , â 21<br />
Y â â X <br />
0<br />
<br />
t1<br />
n<br />
0<br />
â , â 2<br />
X Y â â X <br />
0<br />
1<br />
1<br />
n<br />
<br />
t1<br />
t<br />
t<br />
t<br />
0<br />
0<br />
1<br />
1<br />
t<br />
t<br />
0<br />
2- 9<br />
2- 10<br />
Se poate demonstra 30 că punctul (â0, â1) obţinut prin rezolvarea <strong>si</strong>stemului (2-<br />
10) este un punct de minim pentru funcţia F.<br />
normale:<br />
Prin rear<strong>an</strong>jarea ecuaţiilor (2- 10) se obţine aşa-numitul <strong>si</strong>stem de ecuaţii<br />
n<br />
n<br />
<br />
Yt<br />
nâ<br />
0 â1<br />
X t<br />
t1<br />
t1<br />
n<br />
n<br />
n<br />
<br />
<br />
X tYt<br />
â 0<br />
X t â1<br />
X<br />
t1<br />
t1<br />
t1<br />
2<br />
t<br />
2- 11<br />
30 Pentru demonstraţie vezi: Jula D., 2003, Introducere în econometrie, Editura Profes<strong>si</strong>onal<br />
Consulting, Bucureşti, 2003, capitolul II, <strong>an</strong>exa 2.A.1<br />
37
Necunoscutele, în acest <strong>si</strong>stem, sunt â0 şi â1, deoarece n – dimen<strong>si</strong>unea<br />
eş<strong>an</strong>tionului este cunoscută, iar ∑Xt, ∑Yt, ∑XtYt, şi 2<br />
datelor din eş<strong>an</strong>tionul selectat.<br />
X pot fi calculate pe baza<br />
Revenind la <strong>si</strong>stemul (2- 10) se observă că în fiecare ecuaţie termenul din<br />
par<strong>an</strong>teza dreaptă reprezintă, de fapt, variabila reziduală:<br />
echivalent cu<br />
ut = Yt – Ŷt = Yt – (â0 + â1Xt).<br />
În aceste condiţii, <strong>si</strong>stemul (2- 10) poate fi scris:<br />
<br />
<br />
2<br />
<br />
<br />
<br />
2<br />
<br />
<br />
<br />
<br />
<br />
<br />
n<br />
<br />
t1<br />
n<br />
<br />
t1<br />
n<br />
<br />
t1<br />
n<br />
<br />
t1<br />
u<br />
t<br />
t<br />
u<br />
X u<br />
t<br />
X u<br />
t<br />
0<br />
t<br />
0<br />
t<br />
0<br />
0<br />
t<br />
2- 12<br />
2- 13<br />
Variabila reziduală u din regre<strong>si</strong>a calculată pe baza metodei celor mai mici<br />
pătrate respectă relaţiile (2- 13). Aceste relaţii vor fi folo<strong>si</strong>te pentru demonstrarea unor<br />
proprietăţi ale metodei respective.<br />
Remarcăm faptul că, pornind de la <strong>si</strong>stemul de ecuaţii normale (2- 11), dacă în<br />
prima relaţie se împarte fiecare termen cu n se obţine:<br />
Y 0 1<br />
0<br />
1<br />
â â X â Y â X<br />
2- 14<br />
unde, pentru <strong>si</strong>mplificare, s-au notat cu X şi Ȳ mediile variabilelor respective,<br />
calculate astfel<br />
şi<br />
X <br />
Y <br />
n<br />
<br />
t1<br />
n<br />
<br />
t1<br />
n<br />
n<br />
X<br />
Y<br />
t<br />
t
Relaţia (2- 14) poate fi folo<strong>si</strong>tă pentru calculul estimatorilor. Astfel, se<br />
demonstrează 31 că o relaţie echivalentă pentru calculul estimatorului â1 este:<br />
n<br />
X<br />
t XY<br />
t Y<br />
â 2- 15<br />
t1<br />
1 n<br />
X<br />
t X<br />
t1<br />
2<br />
Din (2- 14) şi (2- 15) se deduce o relaţie <strong>si</strong>milară de calcul a estimatorului â0.<br />
2.3. Ipotezele modelului linear unifactorial<br />
Estimarea parametrilor din ecuaţia de regre<strong>si</strong>e se bazează pe o serie de ipoteze<br />
referitoare la forma dependenţei dintre variabile, la variabila explicativă şi la variabila<br />
de abatere.<br />
Ipoteza I-1: linearitatea modelului. Oricare ar fi cuplul (Xt, Yt), legătura dintre<br />
cele două variabile este lineară.<br />
Ipoteza I-2: variabila X are disper<strong>si</strong>a nenulă şi finită. Nu toate valorile variabilei<br />
exogene sunt egale între ele. Cu alte cuvinte, disper<strong>si</strong>a de selecţie a<br />
variabilei X nu este zero, dar este finită.<br />
Ipoteza I-3: variabila X nu este aleatoare. Variabila X nu este aleatoare. O<br />
vari<strong>an</strong>tă a acestei ipoteze admite ca X să fie variabilă aleatoare, dar se<br />
impune condiţia ca X să nu fie corelată cu erorile e.<br />
Ipoteza I-4: erorile sunt aleatorii, cu media zero. Erorile et din modelul linear<br />
unifactorial sunt variabile aleatoare cu media zero: M(et) = 0<br />
Ipoteza I-5: disper<strong>si</strong>a erorii este const<strong>an</strong>tă. Erorile et sunt identic distribuite, cu o<br />
disper<strong>si</strong>e const<strong>an</strong>tă şi finită: <br />
31 Pentru demonstraţie vezi: Jula D., 2003, Introducere în econometrie, Editura Profes<strong>si</strong>onal<br />
Consulting, Bucureşti, 2003, capitolul II, <strong>an</strong>exa 2.A.2<br />
2<br />
e<br />
<br />
39
Ipoteza I-6: erorile nu sunt autocorelate. Covari<strong>an</strong>ţa dintre oricare două valori ale<br />
variabilei de abatere este zero: et şi ep sunt independente, oricare ar fi<br />
t ≠ p<br />
Ipoteza I-7: erorile sunt normal distribuite. Fiecare variabilă aleatoare et este<br />
distribuită normal în jurul mediei sale egală cu zero. Se scrie: et este<br />
2 0, <br />
N .<br />
e<br />
2.4. Proprietăţi ale estimatorilor<br />
Pornind de la ipotezele prezentate, pot fi demonstrate o serie de proprietăţi ale<br />
estimatorilor calculaţi prin metoda celor mai mici pătrate pentru parametrii modelului<br />
linear unifactorial 32 .<br />
Proprietatea P-1: estimatorii sunt lineari. Estimatorii â0 şi â1 din modelul linear<br />
unifactorial, calculaţi prin metoda celor mai mici pătrate, sunt lineari.<br />
Proprietatea P-2: estimatorii sunt nedeplasaţi. Dacă variabila exogenă X nu este<br />
aleatoare, sau chiar dacă X este variabilă aleatoare, dar este independentă<br />
de variabila de abatere e, estimatorii obţinuţi prin metoda celor mai mici<br />
pătrate sunt nedeplasaţi (nedistor<strong>si</strong>onaţi).<br />
Proprietatea P-2': estimatorii sunt con<strong>si</strong>stenţi. Estimatorii â0 şi â1 din modelul<br />
linear unifactorial, calculaţi prin metoda celor mai mici pătrate, sunt<br />
con<strong>si</strong>stenţi.<br />
Proprietatea P-3: estimatorii sunt eficienţi. Estimatorii nedeplasaţi â0 şi â1 din<br />
modelul linear unifactorial, calculaţi prin metoda celor mai mici pătrate,<br />
sunt eficienţi.<br />
Teorema Gauss -Markov: Dacă sunt verificate ipotezele de la I-1 la I-6, atunci<br />
estimatorii â0 şi â1 ai parametrilor modelului linear unifactorial sunt cei<br />
mai buni estimatori lineari nedeplasaţi, în sensul că, dintre toţi estimatorii<br />
lineari nedeplasaţi, au cea mai mică disper<strong>si</strong>e.<br />
32 Pentru demonstraţia proprietăţilor vezi Jula D., 2003, Introducere în econometrie, Editura<br />
Profes<strong>si</strong>onal Consulting, Bucureşti, cap.2, <strong>an</strong>exele 2.A.6 – 2.A.10, pag.59-70.
Proprietatea P-4: estimatorii sunt normal distribuiţi. Estimatorii â0 şi â1 din<br />
modelul linear unifactorial, calculaţi prin metoda celor mai mici pătrate,<br />
sunt variabile aleatoare cu o distribuţie normală.<br />
Proprietatea P-5: estimatorii sunt de maximă vero<strong>si</strong>militate. Dacă ipotezele I-1 –<br />
I-7 ale modelului unifactorial de regre<strong>si</strong>e lineară sunt respectate, atunci<br />
estimatorii â0 şi â1 calculaţi prin metoda celor mai mici pătrate, sunt de<br />
maximă vero<strong>si</strong>militate.<br />
Concluzia este următoarea:<br />
Dacă în modelul de regre<strong>si</strong>e lineară, variabila exogenă are disper<strong>si</strong>a<br />
nenulă, dar finită şi este independentă faţă de erori, iar erorile sunt variabile<br />
aleatoare independente între ele, normal distribuite, cu medie zero şi disper<strong>si</strong>a<br />
const<strong>an</strong>tă, atunci estimatorii obţinuţi prin metoda celor mai mici pătrate sunt<br />
lineari, nedeplasaţi (con<strong>si</strong>stenţi), eficienţi, normal distribuiţi şi de maximă<br />
vero<strong>si</strong>militate.<br />
41
3. MODELUL LINEAR DE REGRESIE<br />
MULTIFACTORIAL<br />
În capitolul precedent a fost <strong>an</strong>alizat un caz <strong>si</strong>mplu, al dependenţei lineare<br />
dintre două variabile X şi Y, sub forma Y = f(X, e). De cele mai multe ori însă,<br />
intercondiţionările dintre procesele economice sunt mult mai complexe, astfel încât<br />
evoluţia unei variabile Y nu depinde de un <strong>si</strong>ngur factor, ci de o serie de factori. De<br />
exemplu, inflaţia este un proces economic deosebit de complex, care depinde de<br />
evoluţia salariilor în economie, de dinamica productivităţii muncii, de cursul de<br />
schimb al monedei naţionale, de ratele dobânzii, de preţurile la energie pe pl<strong>an</strong><br />
internaţional etc.<br />
De a<strong>sem</strong>enea, o creştere a salariilor la momentul t, neînsoţită de creşterea<br />
productivităţii muncii, poate duce la creşterea preţurilor în economie la momentul<br />
t+1, deoarece costurile unitare de producţie sunt mai mari şi, totodată, cererea pe piaţă<br />
este mai mare. Creşterea preţurilor în economie la momentul t+1 poate avea ca efect o<br />
sporire a pre<strong>si</strong>unilor <strong>si</strong>ndicale pentru creşterea salariilor la momentul t+2 şi circuitul<br />
inflaţionist se reia. Mai departe, creşterea inflaţiei duce la devalorizarea monedei<br />
naţionale, ceea ce determină scumpirea importurilor, deci o creştere a costurilor de<br />
producţie. Sporirea costurilor are ca efect creşterea preţurilor şi apare, astfel, un alt<br />
circuit inflaţionist. Evident, corelaţiile prezentate nu acoperă întreg spectrul<br />
intercondiţionărilor dintre variabilele economice <strong>an</strong>alizate.<br />
În aceste condiţii, o dezvoltare directă a modelelor prezentate în capitolele<br />
<strong>an</strong>terioare constă în <strong>an</strong>aliza interdependenţelor lineare multiple între variabilele<br />
economice. Pentru acest scop, modelul descris prin relaţia 2- 3 este înlocuit tot cu un<br />
model de regre<strong>si</strong>e lineară, însă cu dependenţe multiple, de tipul:<br />
Y = a0 + a1X1 + a2X2 + ... + akXk + e 2- 16<br />
unde Y este variabila endogenă, X1, X2, …, Xk sunt k variabile explicative,<br />
a0, a1, a2, …, ak sunt k+1 parametri necunoscuţi, iar e este variabila de abatere<br />
(eroarea) din ecuaţia de regre<strong>si</strong>e.
Eroarea e reflectă, la fel ca în modelul linear unifactorial, influenţa<br />
elementelor calitative necu<strong>an</strong>tificabile, a celor care depind de comportamentul um<strong>an</strong><br />
nepredictibil, sau a altor factori cu influenţă minoră, alţii decât X1, X2, …, Xk.<br />
Parametrul a0 modelează comportamentul autonom al variabilei endogene, iar<br />
parametrii ai cu<strong>an</strong>tifică inten<strong>si</strong>tatea influenţei factorului Xi asupra variabilei Y.<br />
3.1. Estimarea parametrilor din modelul linear<br />
multifactorial<br />
Presupunem că printr-o cercetare selectivă sunt obţinute n înregistrări. Fiecare<br />
înregistrare conţine o <strong>si</strong>ngură valoare pentru variabila Y şi câte o valoare pentru<br />
fiecare dintre variabilele explicative.<br />
Scriem Xit valoarea variabilei i, în înregistrarea t, unde k<br />
i 1,<br />
, iar n<br />
t 1,<br />
.<br />
Dacă se acceptă ipoteza că relaţia dintre Yt şi variabilele explicative este<br />
lineară, atunci, pentru înregistrările din eş<strong>an</strong>tionul generat prin cercetarea selectivă, se<br />
poate scrie:<br />
Y1<br />
a<br />
<br />
<br />
Y2<br />
a<br />
Y3<br />
a<br />
<br />
<br />
Yt<br />
a<br />
<br />
<br />
<br />
Yn<br />
a<br />
0<br />
0<br />
0<br />
0<br />
0<br />
a X<br />
1<br />
a X<br />
1<br />
a X<br />
1<br />
a X<br />
1<br />
a X<br />
1<br />
11<br />
12<br />
13<br />
1t<br />
1n<br />
a X<br />
2<br />
a X<br />
2<br />
2<br />
2<br />
a X<br />
a X<br />
2<br />
21<br />
22<br />
23<br />
2t<br />
a X<br />
2n<br />
a X<br />
k<br />
a X<br />
k<br />
k<br />
a X<br />
k<br />
a X<br />
k<br />
k1<br />
k2<br />
k3<br />
kt<br />
a X<br />
e<br />
e<br />
e<br />
e<br />
Sistemul (2- 17) poate fi scris, concentrat, astfel:<br />
kn<br />
1<br />
t<br />
2<br />
3<br />
e<br />
n<br />
2- 17<br />
Yt = a0 + a1X1t + a2X2t + ... + akXkt + et 2- 18<br />
Introducem următoarele notaţii:<br />
43
unde:<br />
Y<br />
<br />
Y<br />
Y Y<br />
<br />
<br />
<br />
Y<br />
1<br />
2<br />
3<br />
n<br />
<br />
<br />
<br />
,<br />
<br />
<br />
<br />
<br />
1<br />
<br />
1<br />
X 1<br />
<br />
<br />
<br />
1<br />
a<br />
<br />
a<br />
A a<br />
<br />
<br />
<br />
a<br />
0<br />
1<br />
2<br />
k<br />
X<br />
X<br />
X<br />
<br />
X<br />
<br />
<br />
<br />
,<br />
<br />
<br />
<br />
<br />
– Y este un vector colo<strong>an</strong>ă, de dimen<strong>si</strong>uni n 1, care are drept componente cele n<br />
11<br />
12<br />
13<br />
1n<br />
e <br />
X<br />
X<br />
X<br />
X<br />
<br />
21<br />
22<br />
23<br />
2n<br />
e<br />
<br />
e<br />
e<br />
<br />
<br />
<br />
e<br />
înregistrări ale variabilei explicate (endogene),<br />
– X este o matrice de dimen<strong>si</strong>uni n (k+1), care conţine în prima colo<strong>an</strong>ă (ataşată<br />
termenului liber) const<strong>an</strong>ta 1, iar în celelalte k colo<strong>an</strong>e înregistrările pentru<br />
fiecare dintre cele k variabile explicative;<br />
– A este un vector colo<strong>an</strong>ă, de dimen<strong>si</strong>uni (k+1) 1, care include cei k+1<br />
parametri ai modelului;<br />
– e este un vector colo<strong>an</strong>ă, de dimen<strong>si</strong>uni n 1, care include cele n valori ale<br />
1<br />
2<br />
3<br />
n<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
variabilei de abatere (erorile din ecuaţie de regre<strong>si</strong>e)<br />
Cu aceste notaţii, <strong>si</strong>stemul (2- 17) poate fi scris matriceal astfel:<br />
Y = XA + e 2- 19<br />
Să presupunem că eş<strong>an</strong>tionul disponibil este utilizat pentru calculul unor<br />
estimatori ai parametrilor modelului (calculul componentelor vectorului A). Adică,<br />
printr-o metodă adecvată sunt determinaţi estimatorii â0, â1, …, âk, unde âi este<br />
estimatorul parametrului ai. Atunci, Ŷ – valorile calculate, pe baza modelului, pentru<br />
variabila endogenă se deduc din ecuaţia de regre<strong>si</strong>e lineară multiplă:<br />
Ŷ = â0 + â1X1 + â2X2 + ... + âkXk 2- 20<br />
Dacă se selectează valorile obţinute în înregistrarea t pentru variabilele din<br />
ecuaţia precedentă, atunci:<br />
Ŷt = â0 + â1X1t + â2X2t + ... + âkXkt 2- 21<br />
<br />
<br />
<br />
<br />
X<br />
X<br />
X<br />
X<br />
k1<br />
k2<br />
k3<br />
<br />
kn
Valoarea înregistrată Yt nu coincide cu valoarea calculată Ŷt pe baza<br />
modelului (2- 21), diferenţa dintre cele două mărimi fiind un estimator al erorilor din<br />
ecuaţia de regre<strong>si</strong>e. Notăm estimatorul respectiv cu ut şi îl denumim variabila<br />
reziduală. Atunci:<br />
Yt = Ŷ + ut, oricare ar fi t = 1, 2, ..., n 2- 22<br />
sau Yt = â0 + â1X1t + â2X2t + ... + âkXkt + ut, n<br />
Ecuaţiile (2- 23) pot fi scrise sub formă matriceală astfel:<br />
t 1,<br />
2- 23<br />
Y = XÂ + u 2- 24<br />
unde X şi Y sunt definite la fel ca în ecuaţia (2- 19), Ŷ = XÂ, iar  şi u sunt vectorii<br />
ataşaţi estimatorilor, respectiv variabilei reziduale.<br />
â<br />
<br />
â<br />
 â<br />
<br />
<br />
<br />
â<br />
0<br />
1<br />
2<br />
k<br />
<br />
<br />
<br />
,<br />
<br />
<br />
<br />
<br />
u <br />
u<br />
<br />
u<br />
u<br />
<br />
<br />
<br />
u<br />
1<br />
2<br />
3<br />
n<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
Valorile  şi u depind de eş<strong>an</strong>tionul selectat şi de metoda de estimare aleasă.<br />
Cea mai cunoscută procedură de calcul a estimatorilor pentru parametrii<br />
modelului linear multifactorial este metoda celor mai mici pătrate. La fel ca în cazul<br />
modelului linear unifactorial, se caută acele valori ale estimatorilor care minimizează<br />
suma pătratelor reziduurilor (diferenţelor dintre valorile înregistrate statistic pentru Y<br />
şi valorile estimate pe baza ecuaţiei de regre<strong>si</strong>e). Adică, sunt alese acele valori<br />
â0, â1, …, âk, pentru care valoarea funcţiei F este minimă, unde F se calculează astfel:<br />
F <br />
<br />
n<br />
<br />
t1<br />
n<br />
<br />
t1<br />
u<br />
2<br />
t<br />
<br />
<br />
t1<br />
Y ˆ Y<br />
<br />
<br />
t<br />
n<br />
0<br />
t<br />
Y â â X â X<br />
1<br />
t<br />
1t<br />
2<br />
2<br />
2t<br />
<br />
â X<br />
k<br />
kt<br />
2<br />
2- 25<br />
Notăm A' tr<strong>an</strong>spusa matricei A. În relaţiile următoare vom folo<strong>si</strong> următoarele<br />
proprietăţi ale tr<strong>an</strong>spunerii matricelor (A')' = A, (A+B)' = A' + B', (AB)' = B'A'.<br />
45
Cu aceste notaţii, expre<strong>si</strong>a (2- 25) se scrie matriceal F = u'u, unde prin u' am<br />
notat tr<strong>an</strong>spusul vectorului u. Din (2- 24) rezultă u = Y – XÂ, deci:<br />
F = u'u = (Y – XÂ)'(Y – XÂ) =<br />
= Y'Y – Y'XÂ –Â'X'Y + Â'X'XÂ<br />
Deoarece Â'1,k+1∙X'k+1,n∙Yn,1 = Y'1,n∙Xn,k+1∙Âk+1,1 = g1,1, unde g este un scalar,<br />
expre<strong>si</strong>a F se scrie:<br />
F = Y'Y – 2Â'X'Y + Â'X'XÂ 2- 26<br />
Pentru determinarea punctului de minim al expre<strong>si</strong>ei date de (2- 26) se<br />
egalează cu zero derivata lui F în raport cu vectorul estimatorilor Â:<br />
F<br />
<br />
Â<br />
2X'<br />
Y<br />
<br />
2X'<br />
XÂ<br />
0<br />
2- 27<br />
Expre<strong>si</strong>a matriceală precedentă este scrierea concentrată a k+1 ecuaţii în care<br />
elementele necunoscute sunt componentele vectorului Â:<br />
X'XÂ = X'Y 2- 28<br />
Relaţia de mai sus reprezintă <strong>si</strong>stemul de ecuaţii normale din modelul linear<br />
multifactorial şi este echivalent cu <strong>si</strong>stemul (2- 11) din modelul unifactorial.<br />
de unde<br />
Dacă în (2- 28) se înlocuieşte Y cu valoarea dată de (2- 24) se obţine:<br />
X'XÂ = X'(XÂ + u) = X'XÂ + X'u<br />
X'u = 0 2- 29<br />
Relaţia 2- 29 este echivalentă cu (2- 13) din modelul linear unifactorial şi, la<br />
fel ca expre<strong>si</strong>ile (2- 13), va fi folo<strong>si</strong>tă în demonstrarea unor proprietăţi ale<br />
estimatorilor obţinuţi prin metoda celor mai mici pătrate.<br />
Dacă vectorii ataşaţi fiecărei variabile explicative Xi sunt linear independenţi,<br />
atunci matricea X'X nu este <strong>si</strong>ngulară şi <strong>si</strong>stemul (2- 28) poate fi rezolvat în raport cu<br />
vectorul estimatorilor Â:<br />
 = (X'X) -1 X'Y 2- 30
Din condiţiile de ordinul II rezultă 33 că vectorul  minimizează valoarea<br />
funcţiei F(Â) = u'u. Expre<strong>si</strong>a (2- 30) reprezintă formula de calcul a estimatorilor<br />
pentru parametrii din modelul linear multifactorial.<br />
3.2. Ipotezele modelului<br />
Estimarea parametrilor din ecuaţia de regre<strong>si</strong>e multifactorială se bazează, la fel<br />
ca în cazul unifactorial, pe o serie de ipoteze referitoare la forma dependenţei dintre<br />
variabile, la variabila explicativă şi la variabila de abatere.<br />
I–1M: Linearitatea modelului. Modelul este linear în sensul că oricare ar fi<br />
înregistrarea (Yt, X1t, X2t, …, Xkt) selectată, forma legăturii dintre Yt<br />
variabilele explicative Xkt şi variabila de abatere este lineară.<br />
I–2M: Ipotezele referitoare la variabilele explicative<br />
a. Variabilele explicative nu sunt aleatoare, au valorile fixate atunci când<br />
se repetă selecţia<br />
b. Fiecare variabilă exogenă are disper<strong>si</strong>a nenulă, dar finită<br />
c. Numărul de observaţii este superior numărului de parametri<br />
d. Nu există nici o relaţie lineară între două sau mai multe variabile<br />
explicative (absenţa colinearităţii)<br />
I–3M: Ipotezele referitoare la erori<br />
a. Erorile et au media nulă<br />
b. Erorile et au disper<strong>si</strong>a const<strong>an</strong>tă oricare ar fi t (erorile nu sunt<br />
heteroscedastice)<br />
c. Erorile et sunt independente (nu sunt autocorelate)<br />
d. Erorile et sunt normal distribuite<br />
33 vezi Jula D., 2003, Introducere în econometrie, Editura Profes<strong>si</strong>onal Consulting, Bucureşti, cap.2,<br />
<strong>an</strong>exa 3.A.2, pag. 123.<br />
47
3.3. Proprietăţi ale estimatorilor<br />
Dacă ipotezele modelului sunt respectate, atunci estimatorii calculaţi prin<br />
metoda celor mai mici pătrate pentru modelul multifactorial de regre<strong>si</strong>e lineară au<br />
<strong>an</strong>umite proprietăţi.<br />
Proprietatea P-1M: estimatorii sunt lineari. Dacă variabilele explicative X nu sunt<br />
aleatoare şi au valorile fixate (atunci când se repetă selecţia), estimatorii<br />
parametrilor din modelul multifactorial de regre<strong>si</strong>e lineară sunt funcţii<br />
lineare de observaţiile din eş<strong>an</strong>tionul selectat.<br />
Proprietatea P-2M: estimatorii sunt nedeplasaţi. Dacă erorile sunt variabile aleatoare<br />
cu media zero, estimatorii lineari ai parametrilor din modelul<br />
multifactorial de regre<strong>si</strong>e lineară sunt nedeplasaţi.<br />
Proprietatea P-2'M: estimatorii sunt con<strong>si</strong>stenţi. Dacă variabilele explicative au<br />
disper<strong>si</strong>a finită, estimatorii lineari şi nedeplasaţi ai parametrilor din<br />
modelul multifactorial de regre<strong>si</strong>e lineară sunt con<strong>si</strong>stenţi.<br />
Proprietatea P-3M: estimatorii sunt eficienţi. Dacă variabilele explicative au<br />
disper<strong>si</strong>a finită, estimatorii lineari şi nedeplasaţi ai parametrilor din<br />
modelul multifactorial de regre<strong>si</strong>e lineară sunt eficienţi.<br />
Proprietatea P-4M: estimatorii sunt normal distribuiţi. Estimatorii parametrilor din<br />
modelul multifactorial de regre<strong>si</strong>e lineară (Â), calculaţi prin metoda celor<br />
mai mici pătrate, sunt variabile aleatoare cu distribuţie normală.<br />
Proprietatea P-5M: estimatorii sunt de maximă vero<strong>si</strong>militate. Estimatorii<br />
parametrilor din modelul multifactorial de regre<strong>si</strong>e lineară (Â), calculaţi<br />
prin metoda celor mai mici pătrate, sunt estimatori de maximă<br />
vero<strong>si</strong>militate.<br />
REZUMAT<br />
Modelul reprezintă o construcţie, de obicei <strong>si</strong>mplificată, prin care se caută înţelegerea<br />
unei realităţi complexe într-o abordare apropiată de realitate.<br />
Un model econometric reprezintă un <strong>an</strong>samblu de relaţii interdependente care
descriu legăturile dintre valorile unui <strong>an</strong>umit număr de variabile economice, într-un<br />
context dat. Elementele unui model economico-matematic sunt: variabilele, ecuaţiile,<br />
parametrii modelului. Rezolvarea modelului presupune existenţa unor serii de date,<br />
care să prezinte starea şi/sau evoluţia (distribuţia) variabilelor din model.<br />
Prognoza este înţeleasă ca un studiu asupra viitorului, pe baza <strong>an</strong>alizării şi<br />
interpretării unor factori ştiinţifici, tehnici, economici, sociali şi naturali, în vederea<br />
stabilirii influenţei acestor factori asupra dezvoltării unui fenomen sau grup de<br />
fenomene.<br />
Modelul de regre<strong>si</strong>e unifactorial este o reprezentare matematică în care o variabilă<br />
endogenă este exprimată în raport de o <strong>si</strong>ngură variabilă endogenă prin intermediul<br />
unei funcţii specifice, sub forma Y = f(X, e).<br />
Modelul de regre<strong>si</strong>e multifactorial este o reprezentare matematică în care o variabilă<br />
endogenă este exprimată în raport de mai multe variabile endogene prin intermediul<br />
unei funcţii specifice, sub forma Y = f(Xi, e).<br />
TERMENI-CHEIE<br />
model econometric<br />
prognoză economică<br />
model de regre<strong>si</strong>e unifactorială<br />
model de regre<strong>si</strong>e multifactorială<br />
variabilele şi parametrii modelului<br />
ecuaţii specifice<br />
metoda celor mai mici pătrate<br />
ipotezele modelului liniar<br />
proprietăţile estimatorilor<br />
estimarea parametrilor<br />
49
ÎNVĂȚARE NR. 1<br />
TEMA DE CONTROL A UNITĂȚII DE<br />
1. Definiţi un model econometric şi explicaţi caracteristicile fundamentale ale<br />
acestuia<br />
2. Când o prognoză economică este eficientă? Explicaţi alegerea criteriilor.<br />
3. Prin ce se deosebeşte un model de regre<strong>si</strong>e unifactorial de unul<br />
multifactorial?<br />
4. În ce constă metoda celor mai mici pătrate?<br />
5. Care sunt ipotezele modelului liniar unifactorial?<br />
6. Care sunt ipotezele modelului liniar multifactorial?<br />
7. Care sunt proprietăţile estimatorilor modelelor de regre<strong>si</strong>e<br />
Testul de autoevaluare nr. 1<br />
1. Descrieţi schema generală a procesului de modelare:<br />
Barem<br />
Acordat/Realizat<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
2. Descrieţi schema generală a modelelor econometrice:<br />
1pct/........<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................
2 pct/........<br />
3. Ce se inţelege prin ecuaţii de comportament?<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
4. Ce se inţelege prin ecuaţii de echilibru?<br />
1pct/........<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
5. Datele de tip p<strong>an</strong>el:<br />
1pct/........<br />
a) corespund unor observaţii efectuate asupra stării unui fenomen economic la<br />
intervale regulate de timp<br />
b) reflectă starea, structura şi relaţiile care există între diferitele componente ale<br />
unui <strong>si</strong>stem economic, la un moment dat<br />
c) combină seriile de timp şi datele în structură tr<strong>an</strong>sversală.<br />
Argumentati raspunsul.<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
51
..........................................................................................................................................<br />
.....................<br />
2 pct/........<br />
6. Intr-un model de regre<strong>si</strong>e de tip liniar ipoteza cu privire la variabila exogenă este:<br />
a) variabilă exogenă are disper<strong>si</strong>a nenulă, dar finită<br />
b) variabilă exogenă are disper<strong>si</strong>a nulă, dar finită<br />
c) variabilă exogenă are disper<strong>si</strong>a nenulă, dar ne-finită<br />
Argumentati raspunsul<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
.....................<br />
2 pct/........<br />
Se acorda 1 pct. din oficiu. Total.....<br />
BIBLIOGRAFIA SPECIFICĂ UNITĂȚII<br />
DE ÎNVĂȚARE NR. 1<br />
Ailenei D., 1999, Piaţa ca spaţiu economic, Editura Didactică şi Pedagogică,<br />
Bucureşti<br />
Ailenei D., 2002, Economia sectorului public, Editura Brent, Bucureşti<br />
Bera A., Jarque C., 1981, Efficient Tests for Normality, Heteroscedasticity, <strong>an</strong>d Serial<br />
Independence of Regres<strong>si</strong>on Re<strong>si</strong>duals: Monte Carlo Evidence, în Economics<br />
Letters, 7, pp. 313-318.<br />
Bera A., Jarque C., 1982, Model Specification Tests: A Simult<strong>an</strong>eous Approach, în<br />
Journal of Econometrics, 20, pp. 59-82.
Bollerslev T., Engle R.F., Nelson D.B., 1994, ARCH Models, Capitolul 49 din<br />
H<strong>an</strong>dbook of Econometrics, Volume 4, North-Holl<strong>an</strong>d.<br />
Bourbonnais R., 1997, Econométrie. Cours et exercises corrigés, Edition Dunod,<br />
Paris<br />
Box G.E.P., Jenkins G.M., 1976, Time Series Analy<strong>si</strong>s: Forecasting <strong>an</strong>d Control,<br />
Revised Edition, Holden-Day.<br />
Breusch T., 1978, Testing foe autocorelation in dinamic linear models, în Australi<strong>an</strong><br />
Economic Papers, 17, pag. 334-355<br />
Brillet J.-L, 1989, Techiques de modelisation, Collection ENSAE (École Nationale de<br />
la Statistique et de l'Administration Économique), Paris<br />
Cochr<strong>an</strong>e D., Orcutt G.H., 1949, Application of Least Squares Regres<strong>si</strong>ons to<br />
Rel<strong>an</strong>tionships Containing Autocorrelated Error Terms, în Journal of<br />
Americ<strong>an</strong> Statistic Association, vol. 44, pag. 32-61<br />
Const<strong>an</strong>tin D.-L., 1998, Economie regională, Editura Oscar Print, Bucureşti<br />
Dickey D.A., Fuller W.A., 1979, Distribution of the Estimators for Autoregres<strong>si</strong>ve<br />
Time Series with a Unit Root, în Journal of the Americ<strong>an</strong> Statistical<br />
Association, 74, 427–431.<br />
Dobrescu E., 1999, Macromodels of the Rom<strong>an</strong>i<strong>an</strong> Tr<strong>an</strong><strong>si</strong>tion Economy (fourth<br />
ver<strong>si</strong>on), în AMFET - Modeling Economies in Tr<strong>an</strong><strong>si</strong>tion, vol.I, Univer<strong>si</strong>ty of<br />
Lodz (edited by W.Welfe), Lodz, Pol<strong>an</strong>d<br />
Dobrescu E., 2002, Tr<strong>an</strong>ziţia în România: abordări econometrice, Editura<br />
Economică, Bucureşti<br />
Engle R.F., 1982, Autoregres<strong>si</strong>ve Conditional Heteroscedasticity with Estimates of<br />
Vari<strong>an</strong>ce of United Kingdom Inflation, în Econometrica, Vol. 50 (July), pag.<br />
987-1007<br />
Engle R.F., Gr<strong>an</strong>ger C.W.J., 1987, Co-integration <strong>an</strong>d Error Correction:<br />
Representation, Estimation, <strong>an</strong>d Testing, în Econometrica, 55, pag. 251-276.<br />
Fedorenko N.P., K<strong>an</strong>torovici L.V. (ş.a.), 1979, Dicţionar de matematică şi cibernetică<br />
în economie, Editura Ştiinţifică şi Enciclopedică, Bucureşti<br />
Godfrey L.G., 1988, Specification Tests in Econometrics, Cambridge Univer<strong>si</strong>ty<br />
Press.<br />
53
Gr<strong>an</strong>ger C.W.J., 1969, Investigating Causal Relations by Econometric Models <strong>an</strong>d<br />
Cross-Spectral Methods, în Econometrica, 37, pag. 424-438.<br />
Greene W.H., 2000, Econometric Analy<strong>si</strong>s, 3rd edition, Prentice-Hall.<br />
H<strong>an</strong>sen B.E., 2002, Econometrics, Univer<strong>si</strong>ty of Wiscon<strong>si</strong>n, www.ssc.wisc.edu/~<br />
bh<strong>an</strong>sen<br />
Harvey A.C., 1993, Time Series Models, 2nd edition, MIT Press.<br />
Hausm<strong>an</strong> J.A., 1978, Specification Tests in Econometrics, în Econometrica, 46, 1251–<br />
1272.<br />
Hildreth G., Lu J.Y, 1960, Dem<strong>an</strong>d Relations with Autocorrelated Disturb<strong>an</strong>ces, în<br />
Michig<strong>an</strong> State Univer<strong>si</strong>ty Agricultural Experiment Station, Tehnical Bulletin<br />
276, November<br />
I<strong>an</strong>cu A., 1998, Bazele teoriei politicii economice, Editura All & Beck şi IRLI,<br />
Bucureşti<br />
Johnston J., DiNardo J.E., 1997, Econometric Methods, 4th edition, McGraw-Hill.<br />
Jula D., 2002, Modelare şi prognoză macroeconomică, Editura Estfalia Bucureşti<br />
Jula D., 2003, Introducere în econometrie, Editura Profes<strong>si</strong>onal Consulting, Bucureşti<br />
Jula D., Ailenei D., Jula N., Gârbove<strong>an</strong> A., Economia dezvoltării, Editura Viitorul<br />
Românesc, Bucureşti<br />
Jula D., Jula N., 1999, Economia sectorială, Editura Didactică şi Pedagogică,<br />
Bucureşti<br />
Jula N., 1999, Teorii şi modele privind piaţa muncii. Piaţa muncii în România,<br />
Editura Brent¸ Bucureşti<br />
Jula N., 2003, Statistică economică, Editura Bren, Bucureşti<br />
Jula N., 2004, Modelarea deciziilor fin<strong>an</strong>ciar – monetare. Elemente de econometrie<br />
aplicată, Editura Bren, Bucureşti<br />
Jula N., 2006, Modelare economică. Econometrie aplicată, Editura Must<strong>an</strong>g,<br />
Bucureşti<br />
K<strong>an</strong>e E.J., 1971, Statistique économique et économetrie, Arm<strong>an</strong>d Colin, Paris<br />
Kmenta J., 1986, Elements of Econometrics, New York: Macmill<strong>an</strong><br />
Maddala G.S, 2001, Econometrics, New York: McGraw-Hill<br />
Malinvaud E., 1981, Méthodes statistiques de l'économetrie, Edition Dunod, Paris<br />
Nicolae V., Const<strong>an</strong>tin D.-L., Grădinaru I., 1998, Previziune şi orientare economică,<br />
Editura Economică, Bucureşti
Pârţachi I., Brăilă A., Şişc<strong>an</strong>u N., 1999, Econometrie aplicată, A.S.E.M., Chişinău<br />
Pecic<strong>an</strong> E.-S., 1994, Econometrie, Editura All, Bucureşti<br />
Pecic<strong>an</strong> E.-S., 1996, Macroeconometrie - Politici economice guvernamentale şi<br />
econometrie, Editura Economică, Bucureşti<br />
Phillips P.C.B., Perron P., 1988, Testing for a Unit Root in Time Series Regres<strong>si</strong>on, în<br />
Biometrika, 75, pag. 335-346.<br />
Pindyck R.S., Rubinfeld D.L, 1991, Econometric Models <strong>an</strong>d Economic Forecasts,<br />
McGraw-Hill, Inc.<br />
Ram<strong>an</strong>ath<strong>an</strong> R., 1992, Introductory Econometrics, Second Edition, The Dryden Press,<br />
Harcourt Brace College Publishers, Orl<strong>an</strong>do, USA<br />
Sp<strong>an</strong>os A., 1986, Statistical foundations of econometric modelling, Cambridge<br />
Univer<strong>si</strong>ty Press<br />
Tănăsoiu O., Iacob A.-I., 1999, Econometrie aplicată, Editura Arteticart, Bucureşti<br />
Taşnadi Al., 2001, Econometrie aplicată, Editura ASE, Bucureşti<br />
Theil H., 1971, Principles of Econometrics, John Wiley <strong>an</strong>d Sons, New York<br />
Thomas R.-L, 1993, Introductory Econometrics: Theory <strong>an</strong>d Applications, 2nd<br />
edition, Harlow, Longm<strong>an</strong><br />
Thomas R.-L, 1997, Modern Econometrics: An Introduction, 2nd edition, Harlow,<br />
Longm<strong>an</strong><br />
V<strong>an</strong>grevelinghe G., 1973, Econométrie, Herm<strong>an</strong>n, Paris<br />
White H., 1980, A Heteroskedasticity-Con<strong>si</strong>stent Covari<strong>an</strong>ce Matrix <strong>an</strong>d a Direct<br />
Test for Heteroskedasticity, în Econometrica, 48, pag. 817-838.<br />
Zam<strong>an</strong> C., 1998, Econometrie, Pro Democraţia, Bucureşti<br />
Zamfir C., Vlăsce<strong>an</strong>u L., 1993, Dicţionar de sociologie, Editura Babel, Bucureşti<br />
Răspunsurile la Testul de autoevaluare: 1, 2, 3, 4 – vezi definiţiile din cadrul acestei<br />
unităţi, precum şi figurile 1.1., 1.2., 1.3.; 5 c; 6 a.<br />
55
Unitatea de învăţare 2: TESTE STATISTICE<br />
Unitatea de învăţământ 2 grupează temele necesare testării şi <strong>an</strong>alizei caracteristicilor<br />
variabilelor din model şi a erorilor precum şi elemente care permit specificarea<br />
corectă a modelului.<br />
Timpul de studiu individual estimat: 12 h<br />
Obiective specifice:<br />
înţelegerea conceptelor de disper<strong>si</strong>e a estimatorilor, teste de <strong>sem</strong>nificaţie,<br />
acurateţea ajustării, ipoteze cu privire la erori<br />
utilizarea conceptelor mai sus amintite în evaluarea modelelor de regre<strong>si</strong>e<br />
unifactoriale şi multifactoriale<br />
a<strong>si</strong>milarea şi utilizarea testelor de <strong>sem</strong>nificaţie a estimatorilor<br />
utilizarea criteriilor de specificare a modelelor multifactoriale<br />
a<strong>si</strong>milarea şi utilizarea testelor de heteroscedasticitate a erorilor<br />
a<strong>si</strong>milarea şi utilizarea testelor de autocorelare a erorilor<br />
a<strong>si</strong>milarea şi utilizarea testelor de normalitate a erorilor<br />
Cuprins:<br />
Teste de <strong>sem</strong>nificaţie<br />
Specificarea modelului şi acurateţea ajustării<br />
Multicoliniaritatea<br />
Heteroscedasticitatea erorilor<br />
Autocorelarea erorilor<br />
Testarea normalităţii erorilor<br />
Serii de timp<br />
Staţionaritatea<br />
Cointegrarea<br />
Utilizarea modelelor econometrice în prognoză<br />
Rezumat; Termeni–cheie; Verificarea cunoştintelor; Teste de autoevaluare;<br />
Bibliografie
4. TESTE DE SEMNIFICAŢIE<br />
Estimatorii parametrilor din ecuaţia de regre<strong>si</strong>e sunt determinaţi pe baza unei<br />
selecţii şi, în consecinţă, sunt variabile aleatoare. Ca urmare, pot lua, cu probabilităţi<br />
diferite, orice valoare într-un <strong>an</strong>umit interval. Dacă în acel interval se găseşte şi<br />
valoarea zero, înseamnă că există riscul ca un <strong>an</strong>umit parametru să fie nul. Însă, cu<br />
excepţia lui a0, orice alt parametru măsoară inten<strong>si</strong>tatea legăturii între variabila<br />
explicată (endogenă) şi o variabilă explicativă. Dacă parametrul poate lua valoarea<br />
zero, înseamnă că este po<strong>si</strong>bil să nu existe o legătură între cele două variabile.<br />
Testarea <strong>sem</strong>nificaţiei estimatorilor înseamnă evaluarea riscului ca parametrii să fie<br />
zero (ipoteza nulă, notată H0) şi, alternativ, a gradului de încredere în valorile<br />
estimate, grad determinat ca fiind complementar riscului evaluat prin ipoteza nulă.<br />
De a<strong>sem</strong>enea, având în vedere variabilitatea estimatorilor în funcţie de<br />
eş<strong>an</strong>tionul folo<strong>si</strong>t, apare problema distribuţiei acestora în jurul unei valori medii, adică<br />
problema disper<strong>si</strong>ei estimatorilor. În aceste condiţii, chiar dacă estimatorii sunt<br />
nedeplasaţi, este necesar ca pe măsură ce dimen<strong>si</strong>unea eş<strong>an</strong>tionului creşte valoarea<br />
estimatorilor să se apropie a<strong>si</strong>mptotic de parametrul pe care îl estimează (con<strong>si</strong>stenţa<br />
estimatorilor). În <strong>an</strong>aliză şi în prognoză sunt preferaţi acei estimatori care sunt<br />
nedeplasaţi, sunt con<strong>si</strong>stenţi şi prezintă o disper<strong>si</strong>e cât mai mică.<br />
Evident, pentru ca un model econometric să poată fi con<strong>si</strong>derat bun este<br />
necesar să prezinte şi alte proprietăţi. Aceste proprietăţi, depind, la fel, de variaţia<br />
(disper<strong>si</strong>a) parametrilor, respectiv a estimatorilor.<br />
4.1. Disper<strong>si</strong>a estimatorilor<br />
Disper<strong>si</strong>a este o măsură a variaţiei 34 . Dacă Xi, i = 1, 2, …, n sunt realizările<br />
unei variabile aleatoare atunci disper<strong>si</strong>a, notată<br />
2<br />
X , sau Var(X) se calculează:<br />
34 Pentru detalii vezi Jula N., 2004, Statistică economică, Editura Bren, Bucureşti, pag.93-104..<br />
57
n<br />
<br />
<br />
2 X X<br />
t<br />
2 t 1 X <br />
, unde<br />
n<br />
n<br />
<br />
<br />
X t<br />
t 1 X .<br />
n<br />
Dacă valorile Xi sunt obţinute printr-o selecţie, atunci disper<strong>si</strong>a de selecţie se<br />
calculează astfel:<br />
s<br />
2<br />
X<br />
n<br />
X X<br />
2<br />
t<br />
t<br />
1 <br />
.<br />
n 1<br />
4.1.1. Disper<strong>si</strong>a estimatorilor în modelul linear unifactorial<br />
erorilor<br />
Pentru o selecţie de volum redus, un estimator nedeplasat pentru disper<strong>si</strong>a<br />
2<br />
e<br />
este disper<strong>si</strong>a de selecţie a variabilei e, notată 2<br />
s<br />
2<br />
e<br />
<br />
n<br />
<br />
t<br />
1<br />
e e<br />
t<br />
n 1<br />
2<br />
s e şi calculată astfel 35 :<br />
Se poate demonstra că o estimare nedeplasată a disper<strong>si</strong>ei erorilor, calculată<br />
pornind de la disper<strong>si</strong>a de selecţie a variabilei reziduale, este dată de expre<strong>si</strong>a 36 :<br />
s<br />
2<br />
u<br />
n<br />
2<br />
u t<br />
t<br />
1 <br />
3- 1<br />
n 2<br />
Prin calcul direct se pot deduce disper<strong>si</strong>ile estimatorilor â0 şi â1 obţinuţi prin<br />
metoda celor mai mici pătrate. Se demonstrează că dacă se respectă ipotezele I-5<br />
(erorile nu sunt heteroscedastice) şi I-6 (erorile nu sunt autocorelate), atunci se pot<br />
calcula estimările nedeplasate pentru disper<strong>si</strong>ile estimatorilor din modelul unifactorial<br />
de regre<strong>si</strong>e lineară 37 :<br />
35 Pentru demonstraţie vezi Jula D., 2003, Introducere în econometrie, Editura Profes<strong>si</strong>onal Consulting,<br />
Bucureşti, cap.II, Anexa 2.A.13, pag.72-74.<br />
36 Idem, Anexa 2.A.13, pag.74-75.<br />
37 Relaţiile de calcul pentru disper<strong>si</strong>ile estimatorilor din modelul unifactorial de regre<strong>si</strong>e lineară se<br />
deduc <strong>si</strong>mplu, prin precizarea k = 1 în relaţiile de calcul a disper<strong>si</strong>ilor din modelul multifactorială de<br />
regre<strong>si</strong>e lineară, relaţii demonstrate în paragraful următor.
Valorile<br />
<br />
2 <br />
2 2 1 X<br />
sâ su<br />
<br />
3- 2<br />
0 2<br />
n<br />
X t X <br />
1<br />
t <br />
2 2<br />
sâ s 1 u<br />
2<br />
2<br />
s â şi<br />
0<br />
var(a1), în măsura în care<br />
erorilor<br />
2<br />
e .<br />
X X<br />
<br />
3- 3<br />
59<br />
2<br />
s â sunt estimatori nedeplasaţi ai mărimilor var(a0), respectiv<br />
1<br />
2<br />
s u este un estimator nedeplasat al disper<strong>si</strong>ei de selecţie a<br />
Din relaţiile precedente rezultă că disper<strong>si</strong>ile estimatorilor sunt cu atât mai<br />
mari cu cât disper<strong>si</strong>a reziduurilor este mai mare. De a<strong>sem</strong>enea, dacă dimen<strong>si</strong>unea<br />
eş<strong>an</strong>tionului observat (n – numărul înregistrărilor) creşte, numărul termenilor pozitivi<br />
de la numitorul relaţiilor respective creşte şi, în consecinţă, disper<strong>si</strong>ile estimatorilor â0<br />
şi â1 scad.<br />
Abaterile st<strong>an</strong>dard ale variabilelor aleatoare u, â0 şi â1, adică su, 0<br />
s şi<br />
â<br />
s â se<br />
1<br />
calculează prin extragerea rădăcinii pătrate din valorile corespunzătoare ale<br />
disper<strong>si</strong>ilor:<br />
s<br />
u<br />
<br />
n<br />
2<br />
u t<br />
t<br />
1<br />
3- 4<br />
n 2<br />
2<br />
1 X<br />
<br />
n t <br />
sâ s 0 u<br />
2<br />
X X<br />
3- 5<br />
su<br />
sâ <br />
3- 6<br />
1 2<br />
X t X<br />
4.1.2. Disper<strong>si</strong>a estimatorilor în modelul linear multifactorial<br />
relaţia:<br />
Prin definiţie, matricea de vari<strong>an</strong>ţă – covari<strong>an</strong>ţă a estimatorilor este dată de<br />
V(Â) = M[(Â – A)(Â – A)'] 3- 7
În formula de calcul a estimatorilor<br />
 = (X'X) -1 X'Y<br />
se înlocuieşte Y cu expre<strong>si</strong>a sa:<br />
Rezultă<br />
de unde<br />
Y = XA + e.<br />
 = (X'X) -1 X'(XA + e) = A + (X'X) -1 X'e<br />
 – A = (X'X) -1 X'e 3- 8<br />
Pornind de la relaţiile (3- 7) şi (3- 8) şi de la faptul că matricea (X'X) -1 este<br />
<strong>si</strong>metrică, matricea V(Â) poate fi calculată astfel:<br />
ecuaţia<br />
V<br />
<br />
<br />
 M  AÂ<br />
A<br />
M<br />
<br />
<br />
<br />
<br />
<br />
1<br />
X'X X'ee'XX'<br />
X<br />
1<br />
3- 9<br />
Deoarece X poate fi con<strong>si</strong>derată const<strong>an</strong>tă, rezultă că matricea C definită prin<br />
C = (X'X) -1 X'<br />
are elementele const<strong>an</strong>te, deci<br />
M(C) = C.<br />
În plus, C este <strong>si</strong>metrică, deci<br />
M(C') = C'.<br />
Atunci relaţia ( 3- 9) poate fi scrisă astfel:<br />
V(Â) = (X'X) -1 X'M(ee')X(X'X) -1 3- 10<br />
unde M(ee') este matricea vari<strong>an</strong>ţă – covari<strong>an</strong>ţă a erorilor.<br />
şi<br />
Dacă notăm<br />
Var<br />
2 2<br />
e Me<br />
, t 1,<br />
n<br />
t<br />
Cov(ei, ej) = σij,<br />
t<br />
atunci matricea de vari<strong>an</strong>ţă-covari<strong>an</strong>ţă a erorilor se scrie astfel:<br />
t
2 1<br />
<br />
<br />
21<br />
V M ee'<br />
<br />
<br />
<br />
31<br />
<br />
<br />
<br />
n1<br />
<br />
Dacă erorile sunt independente (ipoteza I-3Mc), atunci<br />
<br />
<br />
<br />
<br />
12<br />
2<br />
2<br />
32<br />
<br />
n2<br />
<br />
<br />
<br />
<br />
13<br />
23<br />
2<br />
3<br />
<br />
n3<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
1n<br />
2n<br />
3n<br />
<br />
2<br />
n<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
σij = Cov(ei, ej) = M(ei, ej) = 0, oricare ar fi i ≠ j.<br />
În aceste condiţii, matricea V devine<br />
V M<br />
ee' 2 1<br />
<br />
0<br />
<br />
<br />
<br />
0<br />
<br />
<br />
0<br />
0<br />
<br />
2<br />
2<br />
0<br />
<br />
0<br />
0<br />
0<br />
<br />
2<br />
3<br />
<br />
0<br />
<br />
<br />
<br />
<br />
0<br />
0<br />
0<br />
<br />
<br />
2<br />
n<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
3- 11<br />
Dacă, în plus, erorile nu sunt heteroscedastice, deci au disper<strong>si</strong>a const<strong>an</strong>tă<br />
(ipoteza I-3Mb), atunci notăm<br />
Rezultă,<br />
<br />
2 2 2<br />
2 2<br />
1 2<br />
3<br />
... n<br />
e<br />
2<br />
e valoarea const<strong>an</strong>tă a disper<strong>si</strong>ilor:<br />
2<br />
σ<br />
e 0 0 0 1<br />
0 0 0<br />
<br />
<br />
<br />
2<br />
0 σ<br />
0 1 0 0<br />
e 0 0 <br />
V M<br />
<br />
<br />
e <br />
<br />
<br />
<br />
2 <br />
0 0 0 σ<br />
<br />
0 0 0 1<br />
<br />
<br />
e <br />
2<br />
2<br />
2<br />
ee' <br />
0 0 σ 0<br />
σ <br />
e 0 0 1 0<br />
σe<br />
In<br />
unde In este matricea unitate de ordinul n. Cu alte cuvinte, dacă erorile nu sunt<br />
autocorelate şi nu sunt heteroscedastice, atunci:<br />
2 e n I ' ee <br />
M V <br />
3- 12<br />
unde In reprezintă matricea unitate de ordinul n. Cu aceste precizări, ecuaţia (<br />
Var<br />
3- 10) se scrie<br />
1<br />
2<br />
 X' X<br />
X'<br />
I XX' X<br />
<br />
<br />
2<br />
e<br />
2<br />
e<br />
<br />
1<br />
1<br />
X'<br />
X X'<br />
X X'<br />
X<br />
<br />
X'<br />
X<br />
e<br />
n<br />
1<br />
1<br />
<br />
<br />
3- 13<br />
61
Dacă în matricea <strong>si</strong>metrică (X'X) -1 notăm dij elementul <strong>si</strong>tuat la intersecţia<br />
dintre linia i şi colo<strong>an</strong>a j, atunci dij = dji. Prin compararea relaţiilor (3- 7) şi (3- 13)<br />
rezultă că disper<strong>si</strong>a estimatorului âi, notată<br />
unde k<br />
i 0,<br />
.<br />
2<br />
â<br />
2<br />
e<br />
ii<br />
2<br />
â , este dată de expre<strong>si</strong>a:<br />
i<br />
d 3- 14<br />
i<br />
Dar, în relaţiile de calcul (3- 14) disper<strong>si</strong>a erorilor<br />
2<br />
e nu este cunoscută. De<br />
aceea, este necesar ca, pornind de la eş<strong>an</strong>tionul selectat pentru <strong>an</strong>aliză, să determinăm<br />
o estimare nedeplasată a disper<strong>si</strong>ei respective. Se demonstrează că:<br />
s 2<br />
u<br />
1<br />
u'<br />
u<br />
3- 15<br />
n k 1<br />
este un estimator nedeplasat al disper<strong>si</strong>ei erorilor 2<br />
M s .<br />
Relaţia (3- 15) poate fi scrisă într-o formă echivalentă astfel:<br />
s<br />
2<br />
u<br />
n<br />
2<br />
u t<br />
t<br />
1 <br />
3- 16<br />
n k 1<br />
În aceste condiţii, un estimator nedeplasat al matricei V(Â), matricea de<br />
vari<strong>an</strong>ţă – covari<strong>an</strong>ţă a vectorului estimatorilor Â, se calculează astfel:<br />
S<br />
2<br />
Â<br />
2<br />
u<br />
1 <br />
X'X<br />
s<br />
3- 17<br />
Pornind de la relaţia (3- 17) se calculează disper<strong>si</strong>a de selecţie pentru<br />
estimatorii parametrilor din ecuaţia de regre<strong>si</strong>e, notată<br />
unde k<br />
i 0,<br />
.<br />
2<br />
â<br />
2<br />
u<br />
ii<br />
2<br />
u<br />
e<br />
2<br />
s â , astfel:<br />
i<br />
s s d<br />
3- 18<br />
i<br />
Astfel, se deduce următoarea regulă:<br />
Pentru a calcula disper<strong>si</strong>a estimatorului âi se înmulţeşte dii – elementul<br />
aflat pe poziţia i (i = 0, 1, 2, …, k) în diagonala matricei (X'X) -1 cu disper<strong>si</strong>a<br />
const<strong>an</strong>tă a valorilor variabilei reziduale<br />
2<br />
s u .
Abaterea st<strong>an</strong>dard de selecţie a estimatorului âi se calculează prin<br />
extragerea rădăcinii pătrate din disper<strong>si</strong>a estimatorului respectiv:<br />
s s d<br />
3- 19<br />
i<br />
â<br />
u<br />
ii<br />
Tot din compararea relaţiilor (3- 7) şi (3- 13) rezultă:<br />
2 â , â d , i j<br />
Cov i j e ij<br />
Dacă se ţine seama de precizarea (3- 15), atunci estimarea covari<strong>an</strong>ţei dintre<br />
valorile âi şi âj se realizează prin relaţiile:<br />
2 â , â s d , i j<br />
ĉov i j u ij<br />
3- 20<br />
şi se deduce următoarea regulă:<br />
Pentru a calcula un estimator nedeplasat al covari<strong>an</strong>ţei dintre estimatorii âi şi<br />
âj se înmulţeşte dij – elementul aflat la intersecţia dintre linia i<br />
(i = 0, 1, 2, …, k) şi colo<strong>an</strong>a j (j = 0, 1, 2, …, k) în matricea (X'X) -1 cu<br />
disper<strong>si</strong>a const<strong>an</strong>tă a valorilor variabilei reziduale<br />
2<br />
s u .<br />
4.2. Teste privind <strong>sem</strong>nificaţia estimatorilor<br />
Estimatorii â0 şi â1 din modelul linear unifactorial, calculaţi prin metoda celor<br />
mai mici pătrate, sunt variabile aleatoare repartizate normal, cu media egală cu<br />
valoarea parametrului pe care îl estimează (sunt nedeplasaţi) şi cu disper<strong>si</strong>a dată de<br />
relaţiile prezentate mai sus. Fiind variabile aleatoare, estimatorii pot avea – evident,<br />
cu probabilităţi diferite – orice valoare <strong>si</strong>tuată într-un <strong>an</strong>umit interval. Dacă acest<br />
interval conţine şi valoarea zero, atunci, cu o probabilitate care poate fi calculată,<br />
estimatorii pot lua valoarea zero. De exemplu, în modelul Ŷ = â0 + â1X, inten<strong>si</strong>tatea<br />
legăturii dintre X şi Y este dată de valoarea parametrului a1, estimat prin â1. Dacă<br />
estimatorul â1 poate fi zero cu o probabilitate P(â1 = 0) suficient de mare, înseamnă că<br />
există riscul ca între variabilele X şi Y să nu fie nici o legătură, sau cel puţin se poate<br />
afirma că eş<strong>an</strong>tionul selectat nu oferă argumente statistice suficient de puternice care<br />
să justifice ipoteza unei legături între X şi Y de tipul celei admise prin modelul de<br />
regre<strong>si</strong>e lineară prezentat. Pentru <strong>an</strong>umite tipuri de probleme este import<strong>an</strong>t şi testul<br />
63
privind <strong>sem</strong>nificaţia estimatorului â0, deoarece admiterea ipotezei â0 = 0 ar putea avea<br />
implicaţii teoretice deosebite.<br />
Pentru prezentarea metodologiei de testare a <strong>sem</strong>nificaţiei estimatorilor<br />
calculaţi prin metoda celor mai mici pătrate, în cazul unui model linear unifactorial<br />
care respectă ipotezele de la I-1 la I-7 sunt necesare câteva noţiuni elementare privind<br />
intervalele de încredere şi testarea ipotezelor statistice. Aceste noţiuni sunt prezentate,<br />
<strong>si</strong>ntetic, în paragrafele următoare.<br />
4.2.1. Teste de <strong>sem</strong>nificaţie în cazul modelului unifactorial<br />
Procedura uzuală aplicată pentru testarea <strong>sem</strong>nificaţiei parametrilor din<br />
modelul unifactorial de regre<strong>si</strong>e lineară urmăreşte testarea ipotezei nule H0: parametrii<br />
nu diferă <strong>sem</strong>nificativ de zero, contra ipotezei alternative H1: parametrii din ecuaţia de<br />
regre<strong>si</strong>e sunt, în valoare absolută, strict pozitivi. Atunci, sub ipoteza H0, statistica<br />
â<br />
t â i s<br />
i<br />
âi<br />
urmează o distribuţie Student cu n – 2 grade de libertate (i = 0 sau 1). Se respinge<br />
ipoteza nulă H0: âi = 0 (X nu influenţează Y) dacă valoarea absolută a acestui test este<br />
mai mare decât o valoare critică obţinută din tabelele distribuţiei t (Student).<br />
Grafic, justificarea acestei reguli de decizie este următoarea: dist<strong>an</strong>ţa de la âi la<br />
zero este de i<br />
â1 i<br />
t abateri st<strong>an</strong>dard, deoarece din relaţia de calcul a statisticii t rezultă<br />
sâ<br />
t 0<br />
1 â . Dacă i<br />
â<br />
t â este mai mare decât valoarea critică t * înseamnă că, în<br />
figura 3-1, valoarea zero este <strong>si</strong>tuată în stânga punctului<br />
α = 0.05 şi n > 25 în dreapta punctului<br />
<br />
â t n2;<br />
0.<br />
05<br />
s i<br />
<br />
â t n2;<br />
0.<br />
05<br />
. Or, pentru<br />
s i se găsesc 95% din valorile<br />
variabilei aleatoare â1. Adică 95% dintre valorile variabilei aleatoare â1 nu se găsesc<br />
în zona în care se află zero.<br />
Dacă estimatorul âi este suficient de depărtat de zero, acceptăm ipoteza că nici<br />
parametrul real ai nu este zero.
0<br />
5%<br />
<br />
â t n2;<br />
0.<br />
05<br />
s i<br />
Se acceptă H0<br />
45%<br />
âi<br />
50%<br />
Se respinge<br />
Figura 3-1: Testul t – unilateral pentru H0: ai = 0, contra H1: ai > 0<br />
Algoritmul de testare a <strong>sem</strong>nificaţiei estimatorilor este următorul:<br />
Pasul 1: Se formulează nulă H0: âi = 0 şi ipoteza alternativă H1: âi > 0, pentru<br />
i = 0 sau 1.<br />
Pasul 2: Pornind de la datele de selecţie se calculează statistica<br />
H0<br />
â<br />
65<br />
i t â . Sub<br />
i sâ1<br />
ipoteza nulă, statistica respectivă urmează o distribuţie Student cu n – 2<br />
grade de libertate. Dacă valoarea calculată t este mare admitem că,<br />
probabil, parametrul ai este mai mare decât zero.<br />
Pasul 3: Din tabelul statisticii t–Student, pornind de la numărul gradelor de libertate<br />
Pasul 4: Dacă<br />
(n – 2) şi de la nivelul de <strong>sem</strong>nificaţie ales (α), se selectează o valoare<br />
<br />
t n<br />
2,<br />
astfel încât P(t > t * ) = α (testul unilateral)<br />
t i atunci se respinge H0 şi admitem că parametrul ai este<br />
â<br />
<br />
t n2,<br />
<br />
<strong>sem</strong>nificativ mai mare decât zero, cu un grad de încredere mai mare decât<br />
1 - α. Dacă estimatorul âi este negativ, atunci ipoteza alternativă este<br />
H1: ai < 0 şi se respinge H0 dacă<br />
t âi<br />
<br />
t<br />
n2,<br />
<br />
.
Observaţie:<br />
Dacă valoarea unui estimator este negativă, fie se testează<br />
t âi<br />
<br />
t<br />
n2,<br />
<br />
statisticile t se calculează în modul (în valoare absolută) şi se urmează procedura<br />
prezentată.<br />
, fie<br />
De obicei, rezultatele estimării parametrilor din modelul de regre<strong>si</strong>e se<br />
prezintă împreună cu valorile calculate ale abaterii medii st<strong>an</strong>dard pentru estimatorii<br />
respectivi şi împreună cu R 2 (coeficientul de determinare). Valorile sa se scriu sub<br />
estimatorii â0 şi â1, iar coeficientul de determinare se scrie după ecuaţie:<br />
2<br />
s <br />
1 Y â 0 â X,<br />
R<br />
s<br />
ˆ <br />
3- 21<br />
â0<br />
â1<br />
4.2.2. Teste de <strong>sem</strong>nificaţie în cazul modelului multifactorial<br />
Se poate demonstra că statistica:<br />
â<br />
t <br />
s<br />
i<br />
âi<br />
adică, dist<strong>an</strong>ţa dintre estimatorul âi şi zero, dist<strong>an</strong>ţă măsurată în abateri st<strong>an</strong>dard,<br />
urmează o distribuţie Student cu n–k–1 grade de libertate.<br />
Pornind de la aceste elemente, testele privind <strong>sem</strong>nificaţia parametrilor din<br />
modelul linear de regre<strong>si</strong>e multifactorială urmează proceduri <strong>si</strong>milare cazului<br />
unifactorial. Pentru fiecare parametru ai se utilizează testul t – Student unilateral.<br />
Se respinge ipoteza nulă H0: ai = 0 (Xi nu influenţează Y) dacă valoarea<br />
absolută a acestui test este mai mare decât o valoare critică obţinută din tabelele<br />
distribuţiei t–Student pentru n - k - 1 grade de libertate şi un prag de <strong>sem</strong>nificaţie (α)<br />
ales.<br />
Algoritmul urmat în testarea <strong>sem</strong>nificaţiei estimatorilor pentru modelul<br />
multifactorial de regre<strong>si</strong>e lineară este următorul:<br />
Pasul 1: Se formulează ipoteza nulă H0: âi = 0 şi ipoteza alternativă H1: âi > 0,<br />
pentru i = 0, 1, …, k.<br />
Pasul 2: Se calculează statistica
â<br />
i t â ,<br />
i sâ<br />
i<br />
unde âi este estimatorul obţinut prin aplicarea metodei celor mai mici<br />
pătrate pentru parametrul ai din modelul linear de regre<strong>si</strong>e multifactorială,<br />
iar<br />
s â este un estimator nedeplasat al abaterii st<strong>an</strong>dard a lui âi, estimator<br />
i<br />
calculat pornind de la datele de selecţie. Sub ipoteza nulă, statistica<br />
respectivă urmează o distribuţie Student cu n - k - 1 grade de libertate,<br />
unde n este volumul eş<strong>an</strong>tionului şi k reprezintă numărul variabilelor<br />
exogene din model. Dacă valoarea calculată<br />
probabil, parametrul ai este mai mare decât zero.<br />
67<br />
t â este mare admitem că,<br />
i<br />
Pasul 3: Din tabelul statisticii Student, pornind de la numărul gradelor de libertate<br />
Pasul 4: Dacă<br />
(n - k - 1) şi de la nivelul de <strong>sem</strong>nificaţie ales (α), se selectează o valoare<br />
<br />
t n<br />
k1,<br />
astfel încât P(t > t * ) = α (testul unilateral).<br />
*<br />
t â t i nk1;<br />
atunci se respinge H0 şi admitem că parametrul ai este<br />
<strong>sem</strong>nificativ mai mare decât zero, cu un grad de încredere mai mare decât<br />
1 – α. Dacă âi este negativ, atunci ipoteza alternativă este H1: âi < 0 şi se<br />
respinge H0 dacă<br />
t âi<br />
t<br />
*<br />
nk1;<br />
<br />
t a i<br />
t<br />
<br />
. O altă soluţie constă în calcularea<br />
statisticilor t în modul (în valoare absolută) şi se urmează procedura<br />
prezentată.<br />
Respingerea acestei ipotezei nule H0: ai = 0 înseamnă acceptarea faptului că,<br />
statistic, există o legătură între variabila endogenă Y şi variabila explicativă Xi.<br />
4.3. Exemple de calcul<br />
4.3.1. Modelul linear unifactorial<br />
Pentru testarea <strong>sem</strong>nificaţiei estimatorilor reluăm exemplul <strong>an</strong>alizat în<br />
capitolul II, tabelul 2-1, referitor la legătura dintre veniturile populaţiei şi volumul<br />
economiilor.
Aplicarea relaţiilor de calcul (3- 1), (3- 2) şi (3- 3), pentru calculul disper<strong>si</strong>ilor,<br />
respectiv (3- 4), (3- 5) şi (3- 6) pentru calculul abaterilor st<strong>an</strong>dard, presupune în plus<br />
faţă de elementele prezentate în tabelul respectiv, calculul blocurilor ∑ut 2 şi<br />
X<br />
2<br />
X t . De aceea, reluăm tabelul 2-1, completat cu două colo<strong>an</strong>e, în tabelul 3-1:<br />
Tabelul 3-1: Teste de <strong>sem</strong>nificaţie – modelul linear unifactorial<br />
t Xt Yt Ŷt ut=Yt–Ŷt u 2 ∑( Xt X ) 2<br />
1 100 20 22.5441 -2.5441 6.4723 5041<br />
2 110 25 25.4393 -0.4393 0.1930 3721<br />
3 120 28 28.3345 -0.3345 0.1119 2601<br />
4 125 30 29.7821 0.2179 0.0475 2116<br />
5 130 33 31.2297 1.7703 3.1340 1681<br />
6 140 35 34.1249 0.8751 0.7658 961<br />
7 150 36 37.0201 -1.0201 1.0406 441<br />
8 155 42 38.4677 3.5323 12.4773 256<br />
9 170 44 42.8105 1.1895 1.4150 1<br />
10 170 42 42.8105 -0.8105 0.6569 1<br />
11 180 45 45.7057 -0.7057 0.4980 81<br />
12 185 50 47.1533 2.8467 8.1038 196<br />
13 190 47 48.6009 -1.6009 2.5628 361<br />
14 200 48 51.4961 -3.4961 12.2226 841<br />
15 205 52 52.9437 -0.9437 0.8905 1156<br />
16 210 58 54.3913 3.6087 13.0228 1521<br />
17 215 54 55.8389 -1.8389 3.3815 1936<br />
18 220 55 57.2865 -2.2865 5.2280 2401<br />
19 220 58 57.2865 0.7135 0.5091 2401<br />
20 225 60 58.7341 1.2659 1.6025 2916<br />
∑ 3420 862 862.0000 0.0000 74.3359 30630<br />
Relaţiile de calcul (3- 1), (3- 2) şi (3- 3) pentru calculul disper<strong>si</strong>ilor<br />
reziduurilor, respectiv estimatorilor â0 şi â1 duc la următoarele rezultate:
s<br />
s<br />
2<br />
u<br />
2<br />
â0 â 1<br />
n<br />
<br />
<br />
2<br />
ut<br />
t 1 74.<br />
3369<br />
4.<br />
1298<br />
n 2 20 2<br />
<br />
2 1<br />
s <br />
u <br />
n<br />
<br />
<br />
<br />
4.<br />
1298<br />
X t X<br />
<br />
<br />
<br />
1<br />
20<br />
X<br />
2 2 1<br />
s su<br />
2<br />
X t X<br />
4.<br />
1298<br />
<br />
1<br />
30630<br />
2<br />
2<br />
<br />
<br />
<br />
<br />
2<br />
171 <br />
<br />
30630<br />
<br />
<br />
<br />
0.<br />
000135<br />
4.<br />
148988<br />
Prin extragerea radicalului se calculează valorile abaterilor st<strong>an</strong>dard ale<br />
estimatorilor, conform relaţiilor (3- 4), (3- 5) şi (3- 6):<br />
s <br />
a = 2.0369<br />
0<br />
s <br />
a = 0.0116<br />
1<br />
Pentru calculul statisticii testului de <strong>sem</strong>nificaţie se aplică relaţiile<br />
t<br />
t<br />
â0<br />
â1<br />
â<br />
<br />
s<br />
0<br />
â0<br />
â<br />
<br />
s<br />
1<br />
â0<br />
6.<br />
4079<br />
<br />
2.<br />
0369<br />
0.<br />
28952<br />
<br />
0.<br />
0116<br />
3.<br />
146<br />
24.<br />
958<br />
Din tabelele distribuţiei t-Student, pentru numărul gradelor de libertate df = n<br />
– 2 = 18, în cazul testului unilateral se identifică următoarele valori 38 :<br />
Numărul gradelor de<br />
libertate<br />
Rezultă:<br />
α - testul unilateral<br />
0.10 0.05 0.025 0.01 0.005 0.0005<br />
18 1.330 1.734 2.101 2.552 2.878 3.922<br />
t<br />
*<br />
; 0.<br />
005<br />
2.<br />
878 <br />
t<br />
â<br />
3.<br />
146 t<br />
*<br />
18;<br />
0.<br />
0005<br />
18 0 <br />
3.<br />
922<br />
deci estimatorul â0 poate fi gar<strong>an</strong>tat statistic cu un grad de încredere mai mare decât<br />
99.5%, dar nu poate fi gar<strong>an</strong>tat 99.95%. Gradul de încredere exprimă ş<strong>an</strong>sele de<br />
38 Vezi tabelul distribuţiei t-Student din <strong>an</strong>exele prezentate la sfârşitul m<strong>an</strong>ualului.<br />
69
espingere a ipotezei nule (potrivit căreia estimatorul â0 nu diferă <strong>sem</strong>nificativ de<br />
zero) şi este calculat după relaţia<br />
De a<strong>sem</strong>enea,<br />
(1 – α)∙100%.<br />
t<br />
â 1<br />
<br />
24.<br />
958<br />
t<br />
*<br />
18;<br />
0.<br />
0005<br />
<br />
3.<br />
922<br />
Aceasta înseamnă că ipoteza potrivit căreia estimatorul â1 este <strong>sem</strong>nificativ diferit de<br />
zero este acceptată cu un grad de încredere mai mare de 99.95%.<br />
Rezultatele permit o primă evaluare a modelului unifactorial de regre<strong>si</strong>e<br />
lineară: sub rezerva verificării şi a celorlalte ipoteze (discutate în capitolul II), <strong>an</strong>aliza<br />
<strong>sem</strong>nificaţiei estimatorilor sugerează existenţa unei legături <strong>sem</strong>nificative între<br />
veniturile populaţiei şi volumul economiilor.<br />
Calculele precedente pot fi realizate prin utilizarea unor programe specializate.<br />
Un astfel de program este Econometric Views. Rezolvarea problemei cu ajutorul<br />
acestui program duce la obţinerea următoarelor rezultate 39 :<br />
Variabila dependentă: Y<br />
Metoda de rezolvare: Metoda celor mai mici pătrate<br />
Eş<strong>an</strong>tionul: 1 20<br />
Observaţii incluse: 20<br />
R 2<br />
Parametrii Estimatorii Ab.std. t-statistic alfa<br />
a0 -6.407933 2.036906 -3.145915 0.0056<br />
a1 0.289520 0.011612 24.93383 0.0000<br />
0.971862 Media var.endog. 43.10000<br />
R 2 – ajustat 0.970298 Ab.std. var.endog. 11.79161<br />
Ab.std.a regre<strong>si</strong>ei 2.032185 Akaike info criterion 4.350739<br />
Suma pătrate rezid. 74.33595 Schwarz criterion 4.450313<br />
Log likelihood -41.50739 F-statistic 621.6959<br />
Durbin-Watson stat 1.939666 Prob(F-statistic) 0.000000<br />
39 Semnificaţia informaţiilor cuprinse în partea a II-a a tabelului va fi explicată în capitolele următoare.
De a<strong>sem</strong>enea, programul Excel din pachetul Microsoft Office are facilităţi<br />
de rezolvare a problemelor de regre<strong>si</strong>e lineară.<br />
Pentru rezolvarea unei probleme de regre<strong>si</strong>e lineară în Excel se scriu valorile<br />
variabilelor X şi Y în colo<strong>an</strong>ele tabelului deschis într-un registru de lucru. Se<br />
selectează din meniul prezentat în bara superioară Excel, opţiunea Instrumente (Tools,<br />
pentru ver<strong>si</strong>unea în limba engleză). Din fereastra opţiunii respective se alege Data<br />
Analy<strong>si</strong>s. În fereastra Data Analy<strong>si</strong>s se selectează Regres<strong>si</strong>on (figura 3-2a).<br />
Prin alegerea opţiunii Regres<strong>si</strong>on se deschide o fereastră de tipul celei<br />
prezentate în figura 3-2b. Se selectează celulele care conţin valorile variabilei<br />
endogene (Input Y R<strong>an</strong>ge), valorile variabilei exogene (Input X R<strong>an</strong>ge) şi poziţia în<br />
care să înceapă prezentarea rezultatelor (Output R<strong>an</strong>ge). Rezultatele sunt redate în<br />
figura 3-2c.<br />
La fel ca şi în programul Econometric Views, programul Excel oferă<br />
informaţii privind probabilitatea de acceptare a ipotezei nule (H0). Astfel, riscul ca<br />
parametrul a0 să fie în zona care conţine valoarea zero este de 0.56%, care înseamnă<br />
un grad de încredere în parametrul respectiv de 99.44%. Pentru parametrul a1,<br />
probabilitatea ca ipoteza H0 să fie adevărată nu are primele 4 cifre diferite de zero<br />
(admitem H1 cu o probabilitate mai mare de 99.99%.<br />
În Excel pot fi selectate şi alte opţiuni care să ofere informaţii suplimentare<br />
privind modelul. De exemplu, dacă în fereastra Regres<strong>si</strong>on (figura 3-2b) se selectează<br />
opţiunea Re<strong>si</strong>duals, programul tipăreşte valorile estimate ale variabilei endogene (Ŷt)<br />
sub denumirea Predicted Y şi valorile variabilei reziduale (ut), în colo<strong>an</strong>a Re<strong>si</strong>duals.<br />
71
Figura 3-2a: Rezolvarea problemelor de regre<strong>si</strong>e lineară unifactorială cu ajutorul<br />
programului Excel din pachetul Microsoft Office: utilizarea opţiunii Regres<strong>si</strong>on
Figura 3-2b: Rezolvarea problemelor de regre<strong>si</strong>e lineară unifactorială cu ajutorul<br />
programului Excel din pachetul Microsoft Office: selectarea datelor de intrare<br />
73
â0<br />
Figura 3-2c: Rezolvarea problemelor de regre<strong>si</strong>e lineară unifactorială cu ajutorul<br />
programului Excel din pachetul Microsoft Office: prezentarea rezultatelor<br />
4.3.2. Modelul linear multifactorial<br />
â1<br />
Coeficientul de<br />
determinare (R 2 )<br />
Pentru prezentarea modului de testare a <strong>sem</strong>nificaţiei estimatorilor în cazul<br />
modelului linear multifactorial reluăm exemplul <strong>an</strong>alizat în capitolul II, tabelul 2-2,<br />
referitor la legătura dintre dinamica veniturilor populaţiei (X1t), evoluţia ratei reale a<br />
dobânzii pa<strong>si</strong>ve (X2t) şi dinamica depozitelor b<strong>an</strong>care (Yt). Tabelul 2-2 este completat<br />
cu o colo<strong>an</strong>ă în care se calculează ∑ut 2 . Calculele sunt prezentate în tabelul 3-2.
Tabelul 3-2: Teste de <strong>sem</strong>nificaţie – modelul linear multifactorial<br />
t X1t X2t Yt Ŷt ut = Yt – Ŷt ut 2<br />
1 0.5 4.1 0.3 0.1218 0.1782 0.0318<br />
2 1.0 4.2 0.8 0.5865 0.2135 0.0456<br />
3 1.2 4.0 0.3 0.5657 -0.2657 0.0706<br />
4 -0.3 4.1 -0.5 -0.4840 -0.0160 0.0003<br />
5 2.1 3.8 0.8 1.0750 -0.2750 0.0756<br />
6 2.3 4.2 1.4 1.5709 -0.1709 0.0292<br />
7 1.2 3.8 0.2 0.3935 -0.1935 0.0375<br />
8 1.0 3.9 0.7 0.3282 0.3718 0.1382<br />
9 0.8 3.9 0.0 0.1767 -0.1767 0.0312<br />
10 0.0 3.8 -0.7 -0.5151 -0.1849 0.0342<br />
11 -0.6 3.8 -1.0 -0.9695 -0.0305 0.0009<br />
12 2.2 3.8 1.3 1.1507 0.1493 0.0223<br />
13 1.4 4.2 1.0 0.8894 0.1106 0.0122<br />
14 2.0 3.9 1.2 1.0854 0.1146 0.0131<br />
15 2.3 4.2 1.7 1.5709 0.1291 0.0167<br />
16 1.1 3.8 0.4 0.3178 0.0822 0.0068<br />
17 0.8 3.9 0.6 0.1767 0.4233 0.1791<br />
18 -0.5 4.1 -0.9 -0.6354 -0.2646 0.0700<br />
19 -1.4 3.9 -1.4 -1.4891 0.0891 0.0079<br />
20 0.2 4.1 -0.2 -0.1054 -0.0946 0.0090<br />
21 1.8 4.2 1.5 1.1923 0.3077 0.0947<br />
22 2.2 3.8 0.9 1.1507 -0.2507 0.0629<br />
23 2.1 4.1 1.0 1.3333 -0.3333 0.1111<br />
24 1.5 4.2 0.7 0.9651 -0.2651 0.0703<br />
25 1.8 3.8 1.2 0.8479 0.3521 0.1240<br />
∑ 26.7 99.6 11.3 11.3 0.0000 1.2952<br />
Disper<strong>si</strong>a estimatorilor se calculează pe baza relaţiei (3- 18):<br />
75
unde:<br />
dii<br />
2<br />
â<br />
s s<br />
i<br />
2<br />
u<br />
d<br />
ii<br />
este elementul aflat pe poziţia i (i = 0, 1, 2, …, k) în diagonala matricei (X'X) -<br />
1 , iar<br />
2<br />
s u este disper<strong>si</strong>a const<strong>an</strong>tă 40 a valorilor variabilei reziduale (calculată după relaţia<br />
determină<br />
3- 16):<br />
s<br />
2<br />
u<br />
n<br />
<br />
<br />
2<br />
ut<br />
t 1 1.<br />
2952<br />
<br />
n k 1<br />
25 2 1<br />
0.<br />
0589<br />
Matricea (X'X) -1 este calculată în subcapitolul 2.3.2:<br />
( X'<br />
X)<br />
1<br />
24.<br />
378<br />
<br />
0.<br />
046<br />
<br />
<br />
6.<br />
121<br />
0.<br />
046<br />
0.<br />
039<br />
0.<br />
022<br />
6.<br />
121<br />
<br />
0.<br />
022<br />
1.<br />
542 <br />
<br />
Pornind de la diagonala principală a acestei matrice şi de la valoarea<br />
s<br />
s<br />
s<br />
2<br />
â 0<br />
2<br />
â 1<br />
2<br />
â 2<br />
2<br />
s 24.<br />
378 1.<br />
4359 198<br />
u<br />
sâ0 <br />
1.<br />
2<br />
s 0.<br />
039 0.<br />
0023 048<br />
u<br />
sâ1 <br />
0.<br />
2<br />
s 1.<br />
542 0.<br />
091 301<br />
u<br />
sâ2 <br />
Pentru calculul statisticii testului de <strong>sem</strong>nificaţie se aplică relaţiile:<br />
t<br />
t<br />
t<br />
â0<br />
â1<br />
â1<br />
â<br />
<br />
s<br />
0<br />
â0<br />
â<br />
<br />
s<br />
1<br />
â0<br />
â<br />
<br />
s<br />
1<br />
â0<br />
3.<br />
7869<br />
<br />
1.<br />
198<br />
3.<br />
16<br />
0.<br />
7572<br />
15.<br />
72<br />
0.<br />
048<br />
0.<br />
861<br />
<br />
0.<br />
301<br />
2.<br />
86<br />
Din tabelele distribuţiei t-Student, pentru numărul gradelor de libertate<br />
df = n – 2 – 1 = 22,<br />
în cazul testului unilateral se identifică următoarele valori 41 :<br />
0.<br />
2<br />
s u se<br />
40 Situaţia în care disper<strong>si</strong>a erorilor nu este const<strong>an</strong>tă este <strong>an</strong>alizată în capitolul VI –<br />
Heteroscedasticitatea erorilor.
Numărul gradelor de<br />
Rezultă:<br />
libertate<br />
t<br />
α – testul unilateral<br />
0.10 0.05 0.025 0.01 0.005 0.0005<br />
22 1.321 1.717 2.074 2.508 2.819 3.792<br />
*<br />
; 0.<br />
005<br />
2.<br />
819 t<br />
â<br />
t<br />
*<br />
22;<br />
0.<br />
0005<br />
22 0 <br />
3.<br />
792<br />
deci estimatorul â0 poate fi gar<strong>an</strong>tat statistic cu un grad de încredere mai mare decât<br />
99.5%, dar nu poate fi gar<strong>an</strong>tat 99.95%.<br />
La fel ca în cazul modelului unifactorial, gradul de încredere exprimă ş<strong>an</strong>sele<br />
de respingere a ipotezei nule (potrivit căreia estimatorul â0 nu diferă <strong>sem</strong>nificativ de<br />
zero) şi este calculat după relaţia<br />
(1 – α)∙100%.<br />
Estimatorul â1 este <strong>sem</strong>nificativ diferit de zero cu un grad de încredere mai<br />
mare de 99.95%, deoarece<br />
t<br />
â 1<br />
De a<strong>sem</strong>enea,<br />
t<br />
*<br />
15.<br />
72 t 3.<br />
792.<br />
22;<br />
0.<br />
0005<br />
2.<br />
819 t<br />
t<br />
*<br />
*<br />
22; 0.<br />
005<br />
â 2 22;<br />
0.<br />
0005 <br />
3.<br />
792<br />
ceea ce înseamnă că estimatorul â2 poate fi gar<strong>an</strong>tat statistic cu un grad de încredere<br />
mai mare de 99.5%, dar mai mic de 99.95%.<br />
La fel ca în cazul modelului unifactorial, prezentăm, pentru comparaţie,<br />
rezultatele obţinute 42 cu ajutorul programului EViews:<br />
Variabila dependentă: Y<br />
Metoda de rezolvare: Metoda celor mai mici pătrate<br />
Eş<strong>an</strong>tionul: 1 25<br />
Observaţii incluse: 25<br />
41 Vezi tabelul distribuţiei t-Student din <strong>an</strong>exele prezentate la sfârşitul m<strong>an</strong>ualului.<br />
42 Semnificaţia informaţiilor cuprinse în partea a II-a a tabelului va fi explicată în capitolele următoare.<br />
77
R 2<br />
Parametrii Estimatorii Ab.std. t-Statistic alfa<br />
C -3.786930 1.197995 -3.161057 0.0045<br />
X1 0.757220 0.048174 15.71857 0.0000<br />
X2 0.860999 0.301339 2.857241 0.0092<br />
0.923464 Media var.endog. 0.452000<br />
R 2 – ajustat 0.916506 Ab.std. var.endog. 0.839702<br />
Ab.std.a regre<strong>si</strong>ei 0.242635 Akaike info criterion 0.117647<br />
Suma pătrate rezid. 1.295176 Schwarz criterion 0.263913<br />
Log likelihood 1.529406 F-statistic 132.7229<br />
Durbin-Watson stat 2.059123 Prob(F-statistic) 0.000000<br />
Rezultatele permit o primă evaluare a modelului: sub rezerva verificării şi a<br />
celorlalte ipoteze discutate în capitolul II, <strong>an</strong>aliza <strong>sem</strong>nificaţiei estimatorilor<br />
sugerează existenţa unei relaţii <strong>sem</strong>nificative între dinamica depozitelor b<strong>an</strong>care (Yt)<br />
şi dinamica veniturilor populaţiei (X1t), respectiv evoluţia ratei reale a dobânzii<br />
pa<strong>si</strong>ve (X2t).<br />
De a<strong>sem</strong>enea, programul Excel din pachetul Microsoft Office are facilităţi de<br />
rezolvare a problemelor de regre<strong>si</strong>e lineară multifactorială: se scriu valorile<br />
variabilelor X1t, X2t şi Yt în colo<strong>an</strong>ele tabelului deschis într-un registru de lucru. La fel<br />
ca în cazul modelului unifactorial, se selectează din meniul prezentat în bara<br />
superioară Excel, opţiunea Instrumente (Tools, pentru ver<strong>si</strong>unea în limba engleză), iar<br />
din fereastra opţiunii respective se alege Data Analy<strong>si</strong>s. În fereastra Data Analy<strong>si</strong>s se<br />
selectează Regres<strong>si</strong>on (figura 3-3a). Prin alegerea opţiunii Regres<strong>si</strong>on se deschide o<br />
fereastră de tipul celei prezentate în figura 3-3b. Se selectează celulele care conţin<br />
valorile variabilei endogene (Input Y R<strong>an</strong>ge) şi celulele care conţin valorile<br />
variabilelor exogene (Input X R<strong>an</strong>ge). Valorile variabilelor exogene trebuie să fie în<br />
colo<strong>an</strong>e succe<strong>si</strong>ve (de exemplu, celulele B3:B27 pentru valorile X1t şi C3:C27 pentru<br />
X2t). Se stabileşte apoi poziţia în care să înceapă prezentarea rezultatelor (Output<br />
R<strong>an</strong>ge). Rezultatele sunt redate în figura 3-3c.<br />
La fel ca şi în programul Econometric Views, programul Excel oferă<br />
informaţii privind probabilitatea de acceptare a ipotezei nule (H0), pentru toţi<br />
parametrii. Astfel, riscul ca parametrul a0 să fie în zona care conţine valoarea zero este
de 0.45%, care înseamnă un grad de încredere în parametrul respectiv de 99.55%.<br />
Pentru parametrul a1, probabilitatea ca ipoteza H0 să fie adevărată nu are primele 4<br />
cifre diferite de zero (admitem H1 cu o probabilitate mai mare de 99.99%. Riscul ca<br />
parametrul a2 să fie în zona care conţine valoarea zero este 0.92%, ceea ce înseamnă<br />
un grad de <strong>sem</strong>nificaţie a parametrului respectiv de 99.08%.<br />
79
Figura 3-3a: Rezolvarea problemelor de regre<strong>si</strong>e lineară multifactorială cu ajutorul<br />
programului Excel din pachetul Microsoft Office: utilizarea opţiunii Regres<strong>si</strong>on
Figura 3-3b: Rezolvarea problemelor de regre<strong>si</strong>e lineară multifactorială cu ajutorul<br />
programului Excel din pachetul Microsoft Office: selectarea datelor de intrare<br />
81
â0<br />
â1<br />
â2<br />
Coeficientul de<br />
determinare (R 2 )<br />
Figura 3-3c: Rezolvarea problemelor de regre<strong>si</strong>e lineară multifactorială cu ajutorul<br />
programului Excel din pachetul Microsoft Office: prezentarea rezultatelor
5. SPECIFICAREA MODELULUI ŞI<br />
ACURATEŢEA AJUSTĂRII<br />
Prin metoda celor mai mici pătrate se determină acea ecuaţie de regre<strong>si</strong>e<br />
pentru care suma pătratelor abaterilor dintre datele înregistrate şi cele calculate este<br />
cea mai mică po<strong>si</strong>bilă, pentru clasa de modele respective.<br />
Problema care se ridică, în continuare, este aceea a măsurii în care variaţia<br />
exogenei poate explica evoluţia variabilei endogene. În exemplul prezentat, ne<br />
propunem să <strong>an</strong>alizăm măsura în care variaţiile înregistrate ale masei monetare ar<br />
putea fi atribuite variaţiilor înregistrate în nivelul preţurilor. Abaterea masei monetare<br />
la momentul t faţă de medie este Y<br />
Y t .<br />
Abaterea care poate fi atribuită influenţei exogenei este Y<br />
Yˆ t , deoarece Ŷt<br />
este nivelul masei monetare explicat de model. Partea din variaţia endogenei care nu<br />
poate fi atribuită variaţiei exogenei egală cu ut. Pentru cazul general, pornind de la<br />
ecuaţia de regre<strong>si</strong>e, se deduce<br />
Yt = Ŷt + ut,<br />
de unde deviaţia faţă de medie se poate scrie:<br />
Yˆ Y<br />
u , t 1,<br />
2,<br />
3,<br />
,<br />
n<br />
Yt Y t<br />
t<br />
adică pentru fiecare înregistrare din eş<strong>an</strong>tion, deviaţia endogenei poate fi descompusă<br />
în abaterea explicată de model şi abaterea reziduală.<br />
5.1. Acurateţea ajustării<br />
În mod evident, un model este cu atât mai bun cu cât explică mai mult din<br />
variaţia lui Y, pentru întreg eş<strong>an</strong>tionul <strong>an</strong>alizat. Pentru a se evita compensarea<br />
abaterilor faţă de medie, de obicei se calculează variaţia totală a lui Y (VT) prin<br />
însumarea pătratelor abaterilor individuale, adică prin expre<strong>si</strong>a:<br />
VT<br />
<br />
n<br />
<br />
t1<br />
Y Y<br />
t<br />
2
(VTM):<br />
O măsură <strong>si</strong>milară poate fi calculată pentru variaţia totală explicată de model<br />
VTM <br />
n<br />
<br />
t1<br />
Y Y<br />
ˆ<br />
t<br />
2<br />
În sfârşit, prin <strong>an</strong>alogie, se defineşte variaţia reziduală (VTR) prin expre<strong>si</strong>a:<br />
n<br />
<br />
t1<br />
2<br />
VTR u .<br />
t<br />
Se demonstrează 43 că, dacă estimatorii sunt determinaţi pe baza metodei celor<br />
mai mici pătrate, iar ecuaţia de regre<strong>si</strong>e conţine şi termenul liber, atunci variaţia totală<br />
se descompune în variaţia explicată de model şi variaţia reziduală VT = VTM + VTR:<br />
n<br />
<br />
t1<br />
<br />
n<br />
<br />
2<br />
2<br />
2<br />
Y Y u<br />
ˆ<br />
Y Y<br />
4- 1<br />
t<br />
t1<br />
5.1.1. Coeficientul de determinare<br />
t<br />
n<br />
t1<br />
Pornind de la relaţia (4- 1), se defineşte coeficientul de determinare R 2 ca fiind<br />
partea din variaţia lui Y care poate fi atribuită variaţiei lui X, pentru eş<strong>an</strong>tionul<br />
<strong>an</strong>alizat:<br />
R<br />
2<br />
<br />
VTM<br />
VT<br />
1<br />
n<br />
<br />
t1<br />
VT VTR VTR<br />
<br />
1<br />
<br />
VT VT<br />
n<br />
<br />
t1<br />
<br />
t<br />
u<br />
2<br />
t<br />
Y Y<br />
2<br />
Prin modul de definire, coeficientul de determinare este o mărime pozitivă şi<br />
subunitară. Cu cât R 2 este mai aproape de unu, cu atât modelul se apropie mai mult de<br />
procesul economic modelat.<br />
Interpretarea obişnuită a coeficientului de determinare este următoarea: din<br />
variaţia totală a masei monetare (R 2 )∙100% ar putea fi atribuită variaţiei preţurilor. În<br />
43 Pentru demonstraţie vezi: Jula D., 2003, Introducere în econometrie, Editura Profes<strong>si</strong>onal<br />
Consulting, Bucureşti, 2003, capitolul II, <strong>an</strong>exa 2.A.3<br />
t<br />
4- 2
afirmaţia precedentă înlocuirea formulării ar putea fi atribuită cu formularea este<br />
cauzată de poate duce la concluzii eronate, în special atunci când <strong>an</strong>aliza<br />
econometrică se referă la serii de timp.<br />
Pentru modelul multifactorial de regre<strong>si</strong>e lineară, la fel ca în cazul modelului<br />
unifactorial de regre<strong>si</strong>e lineară, variaţia totală a lui Y (VT) se calculează prin<br />
însumarea pătratelor variaţiilor individuale, adică prin expre<strong>si</strong>a:<br />
VT <br />
<br />
Y Y Y Y<br />
<br />
<br />
n<br />
<br />
t1<br />
Y Y<br />
t<br />
De a<strong>sem</strong>enea, variaţia totală explicată de model (VTM) se calculează astfel:<br />
<br />
<br />
Y Y ˆ Y Y ˆ VTM<br />
n<br />
<br />
t1<br />
Y ˆ<br />
t<br />
2<br />
Y<br />
În sfârşit, prin <strong>an</strong>alogie, se defineşte variaţia reziduală (VTR) prin expre<strong>si</strong>a:<br />
n<br />
<br />
t1<br />
2<br />
VTR u'u<br />
u .<br />
t<br />
Calitatea ajustării este măsurată, la fel ca în cazul modelului unifactorial, prin<br />
coeficientul de determinare R 2 , coeficient calculat potrivit formulei 4- 2 şi definit ca<br />
fiind partea din variaţia lui Y care poate fi atribuită variaţiei lui X, pentru eş<strong>an</strong>tionul<br />
<strong>an</strong>alizat:<br />
R<br />
2<br />
VTM VTR<br />
1<br />
1<br />
n<br />
VT VT<br />
<br />
t1<br />
n<br />
<br />
t1<br />
2<br />
<br />
t<br />
u<br />
2<br />
t<br />
Y Y<br />
Evident, coeficientul de determinare este doar o măsură a acurateţei ajustării,<br />
care, ca orice măsură are <strong>an</strong>umite limite.<br />
În primul rând, coeficientul de determinare nu poate fi interpretat atunci când<br />
ecuaţia de regre<strong>si</strong>e nu conţine termen liber, deoarece, în această <strong>si</strong>tuaţie relaţia (4- 1)<br />
nu se respectă.<br />
Prin construcţie, R 2 măsoară partea din variaţia lui Yt care este explicată sau<br />
care poate fi pusă pe seama variaţiei valorilor calculate Ŷt. În consecinţă, R 2 este<br />
prezentat, de obicei, în studiile econometrice ca fiind <strong>si</strong>ngura măsură a acurateţei<br />
2<br />
85
ajustării. Din păcate, caracterizarea este exagerată. De a<strong>sem</strong>enea, nu este clar dacă R 2<br />
are o interpretare neambiguă în termeni de perform<strong>an</strong>ţă predictivă 44 .<br />
Pentru a justifica această afirmaţie, să notăm faptul că puterea<br />
explicativă a modelelor Yt = βXt + et şi Yt – Xt = (β-1)Xt + et este aceeaşi.<br />
<strong>Modele</strong>le sunt identice din punct de vedere matematic şi produc aceleaşi<br />
efecte şi aceleaşi valori estimate. Cu toate acestea, coeficienţii R 2 calculaţi<br />
sunt diferiţi. Pentru ilustrare să presupunem că β ≈ 1. Atunci R 2 pentru cel<br />
de-al doilea model va fi (aproape) egal cu zero, în timp ce R 2 pentru primul<br />
model ar putea fi apropiat de unu. Un model econometric pentru care R 2 este<br />
aproape de unu poate fi apreciat ca fiind bun, în timp ce un model econometric<br />
pentru care R 2 ≈ 0 poate fi con<strong>si</strong>derat necorespunzător. A<strong>sem</strong>enea diferenţe de<br />
apreciere sunt în mod evident neacceptabile, din moment ce modelele sunt<br />
identice din punct de vedere matematic.<br />
Un alt aspect interes<strong>an</strong>t al coeficientului de determinare este acela că R 2 creşte<br />
atunci când în ecuaţia de regre<strong>si</strong>e sunt adăugate variabile explicative suplimentare<br />
(chiar dacă aceste variabile au mică relev<strong>an</strong>ţă teoretică în explicarea variaţiei lui Y).<br />
Intuitiv, acest lucru se întâmplă deoarece dacă adăugăm un termen suplimentar<br />
ak+1Xk+1,t în ecuaţia de regre<strong>si</strong>e iar noua valoare VTR = u'u este mai mare decât cea<br />
din modelul iniţial, atunci modelul în care ak+1 = 0 este mai bun decât modelul în care<br />
ak+1 ≠ 0. Adică, în cel mai nefavorabil caz, algoritmul de calcul a estimatorilor va<br />
alege ak+1 = 0. Aceasta înseamnă că VTR în noul model va fi mai mică şi în cel mai<br />
nefavorabil caz, valoarea respectivă nu va creşte prin adăugarea unei variabile<br />
suplimentare. Adică, prin adăugarea de variabile explicative suplimentare, VTR nu<br />
poate creşte: poate descreşte sau poate să rămână nemodificată. Variaţia exogenei<br />
(VT) nu este afectată de numărul variabilelor explicative din ecuaţia de regre<strong>si</strong>e, astfel<br />
încât raportul VT<br />
VTR poate doar să descrească. În consecinţă, R 2 sau creşte, sau nu se<br />
modifică. Pentru a contracara acest efect, Theil a propus un coeficient modificat, notat<br />
44 H<strong>an</strong>sen B.E., 2002, Econometrics, Univer<strong>si</strong>ty of Wiscon<strong>si</strong>n, www.ssc.wisc.edu/~ bh<strong>an</strong>sen, pag. 30-<br />
31.
2<br />
R şi denumit în mod uzual R 2 – ajustat, coeficient care penalizează adăugarea de<br />
variabile explicative suplimentare, nerelev<strong>an</strong>te. De a<strong>sem</strong>enea, au fost construite şi alte<br />
criterii perform<strong>an</strong>te de evaluare a modelelor econometrice, aşa cum sunt AIC (Akaike<br />
Information Criterion) şi BIC (Schwartz Information Criterion).<br />
5.1.2. Coeficientul de determinare corectat<br />
Pentru a se evita tentaţia de construire a unor modele explicative de<br />
dimen<strong>si</strong>uni mari, irelev<strong>an</strong>te din punct de vedere al teoriei economice (şi care din punct<br />
de vedere al coeficientului de determinare sunt "mai bune") s-a propus construirea<br />
altor măsuri ale calităţii ajustării. Cea mai utilizată corecţie este cea introdusă de Theil<br />
prin coeficientul de determinare ajustat. Ideea de la care se porneşte în construirea<br />
acestei măsuri a calităţii ajustării este <strong>si</strong>mplă. Într-o formulă <strong>si</strong>milară cu (4- 2) se<br />
foloseşte disper<strong>si</strong>a în locul variaţiei.<br />
unde<br />
σ<br />
1<br />
σ<br />
Coeficientul de determinare ajustat = 2<br />
2<br />
σ e este disper<strong>si</strong>a erorilor în modelul de regre<strong>si</strong>e, iar<br />
necunoscută a variabilei endogene (disper<strong>si</strong>a populaţiei).<br />
2<br />
e<br />
Y<br />
87<br />
2<br />
σ Y este disper<strong>si</strong>a<br />
Se demonstrează că un estimator nedeplasat pentru coeficientul de determinare<br />
ajustat cu numărul gradelor de libertate, notat cu<br />
2 1 R <br />
2<br />
R 1<br />
<br />
2<br />
R se calculează astfel:<br />
n 1<br />
4- 3<br />
n k 1<br />
unde k este numărul variabilelor exogene din model.<br />
Formula (4- 3) se justifică deoarece în estimarea disper<strong>si</strong>ei se ţine seama de<br />
numărul gradelor de libertate, în sensul că orice parametru suplimentar care trebuie<br />
estimat introduce o restricţie suplimentară în rezolvarea modelului.<br />
Interpretarea coeficientului de determinare corectat este <strong>si</strong>milară interpretării<br />
descrise pentru coeficientul de determinare: cu cât<br />
atât modelul se apropie mai mult de procesul economic modelat.<br />
2<br />
R este mai aproape de unu, cu<br />
Cu excepţia <strong>si</strong>tuaţiei în care R 2 = 1, coeficientul de determinare ajustat<br />
este întotdeauna mai mic decât coeficientul de determinare R 2 . Mai mult, deşi R 2 este<br />
o mărime pozitivă subunitară,<br />
2<br />
R<br />
2<br />
R poate lua valori negative. De exemplu, dacă
volumul selecţiei este n = 25, numărul variabilelor explicative k = 3, iar coeficientul<br />
de determinare este R 2 = 0.1, atunci, prin aplicarea formulei (4- 3) se deduce<br />
2<br />
R = -0.0286. O valoare negativă a coeficientului de determinare ajustat <strong>sem</strong>nifică<br />
faptul că modelul nu descrie într-un mod satisfăcător evoluţia variabilei endogene.<br />
5.2. Specificarea modelului multifactorial<br />
5.2.1. Criterii pentru specificarea modelului multifactorial<br />
Mărirea numărului de variabile explicative duce la scăderea sumei pătratelor<br />
abaterilor dintre valorile înregistrate statistic şi valorile calculate prin model (VTR).<br />
În consecinţă, coeficientul de determinare R 2 creşte, dar cu pierderea corespunzătoare<br />
a unor grade de libertate ale modelului. Însă, disper<strong>si</strong>a reziduurilor ţine seama atât de<br />
variaţia totală a reziduurilor (VTR) cât şi de numărul gradelor de libertate<br />
s<br />
2<br />
u<br />
2<br />
u<br />
VTR t<br />
t<br />
1<br />
.<br />
n k 1<br />
n k 1<br />
n<br />
Adică, prin adăugarea unei variabile explicative suplimentare scade atât<br />
numărătorul, cât şi numitorul fracţiei precedente. În aceste condiţii, un criteriu imediat<br />
pentru a decide dacă admitem sau nu în model o variabilă suplimentară este<br />
următorul: dacă prin includerea unei (unor) variabile suplimentare suma pătratelor<br />
reziduurilor scade mai repede decât numărul gradelor de libertate, din punct de<br />
vedere econometric se justifică reţinerea în model a variabilei (variabilelor)<br />
respective.<br />
De a<strong>sem</strong>enea, se poate demonstra următoarea proprietate: dacă valoarea<br />
absolută a testului t pentru un parametru din ecuaţia de regre<strong>si</strong>e lineară multiplă este<br />
mai mică decât 1, atunci, eliminând din model variabila explicativă asociată,<br />
valoarea coeficientului de determinare corectat<br />
2<br />
R va creşte; dacă se elimină o
variabilă pentru care t statistic este mai mare decât 1, valoarea coeficientului de<br />
determinare corectat<br />
2<br />
R se va reduce 45 .<br />
De obicei, un model mai <strong>si</strong>mplu, cu cât mai puţine variabile explicative, este<br />
preferat unui model mai complicat. În primul rând, creşterea numărului de variabile<br />
explicative duce la scăderea preciziei estimatorilor. În al doilea rând, scăderea<br />
numărului gradelor de libertate are ca efect reducerea puterii testelor aplicate asupra<br />
coeficienţilor. Creşte astfel riscul de acceptare a unor ipoteze false (riscul erorii de tip<br />
II). De aceea, au fost construite teste care să penalizeze construirea unor modele prea<br />
complicate, fără a cădea însă în extrema cealaltă: <strong>si</strong>mplificarea exce<strong>si</strong>vă a modelelor.<br />
Criteriul informaţional Akaike (AIC)<br />
Unul dintre cele mai cunoscute teste de specificare a modelelor econometrice<br />
este criteriul informaţional Akaike (Akaike information criterion – AIC). Acest<br />
criteriu este definit astfel:<br />
AIC<br />
sau, în expre<strong>si</strong>e logaritmică<br />
ln<br />
k 1<br />
2k<br />
1<br />
2<br />
n<br />
VTR 1 <br />
n<br />
2 n<br />
e ut<br />
e<br />
4- 4<br />
n<br />
n t1<br />
<br />
AIC <br />
<br />
k 1<br />
<br />
2<br />
ut<br />
2<br />
ln<br />
<br />
<br />
<br />
n <br />
n<br />
4- 5<br />
O condiţie pentru includerea unei noi variabile explicative este ca prin această<br />
re-specificare a modelului să se obţină o valoare mai mică pentru AIC sau,<br />
echivalent, pentru ln(AIC). La fel ca în cazul coeficientului de determinare corectat,<br />
prin includerea unei variabile explicative suplimentare, variaţia reziduurilor VTR<br />
scade, însă, prin majorarea lui k, creşte termenul<br />
e<br />
<br />
2 k1<br />
n<br />
89<br />
. Adică, nu întotdeauna<br />
sporirea numărului de variabile explicative duce la scăderea coeficientului AIC.<br />
45 Ram<strong>an</strong>ath<strong>an</strong> R., 1992, Introductory Econometrics, Second Edition, The Dryden Press, Harcourt<br />
Brace College Publishers, Orl<strong>an</strong>do, USA, pag. 170.
Criteriul informaţional Schwartz (BIC)<br />
expre<strong>si</strong>ei:<br />
Un alt test cunoscut este criteriul Schwartz. Acest test presupune calculul<br />
k1<br />
n<br />
k1<br />
n<br />
n<br />
VTR 1 2 <br />
SCHWARTZ n ut<br />
n<br />
4- 6<br />
n n t1<br />
<br />
La fel ca în cazul testului AIC, o variabilă suplimentară este admisă dacă noua<br />
valoare obţinută pentru criteriul SCHWARTZ este inferioară celei calculate pentru<br />
modelul iniţial. Se demonstrează că dacă volumul eş<strong>an</strong>tionului este mai mare decât 8<br />
şi prin eliminarea unei variabile explicative valoarea AIC descreşte, atunci şi valoarea<br />
SCHWARTZ descreşte 46 .<br />
5.2.2. Erori de specificare a modelului multifactorial de regre<strong>si</strong>e<br />
lineară<br />
Relaţia adevărată dintre variabila endogenă şi variabilele explicative nu este<br />
cunoscută şi, în consecinţă, este po<strong>si</strong>bil să apară erori în specificarea modelului.<br />
Aceste erori pot să provină din necunoaşterea tipului de relaţie care există între<br />
variabilele respective. De a<strong>sem</strong>enea, este po<strong>si</strong>bil ca în construcţia modelului să fie<br />
omise variabile explicative import<strong>an</strong>te, sau, din contră, să fie incluse variabile<br />
irelev<strong>an</strong>te.<br />
Pentru <strong>an</strong>aliza impactului erorilor de specificare asupra calităţii estimării, să<br />
presupunem că este adevărată ipoteza potrivit căreia relaţia dintre variabila endogenă<br />
Yt şi variabilele explicative Xt este lineară.<br />
Omiterea unor variabile explicative import<strong>an</strong>te<br />
Să presupunem că relaţia adevărată prin care poate fi explicată evoluţia<br />
variabilei Y este<br />
Yt = a0 + a1X1t + a2X2t + et 4- 7<br />
însă, din diferite motive, modelul construit este<br />
46 Ram<strong>an</strong>ath<strong>an</strong> R., 1992, Introductory Econometrics, Second Edition, The Dryden Press, Harcourt<br />
Brace College Publishers, Orl<strong>an</strong>do, USA, pag. 168, 227-229.
Yt = a0 + a1X1t + εt 4- 8<br />
Cu alte cuvinte, s-a admis ipoteza că valoarea parametrului a2 este zero, deşi în<br />
realitate a2 este diferit de zero. Acceptăm, de a<strong>sem</strong>enea, faptul că eroarea e respectă<br />
ipotezele obişnuite ale modelului multifactorial de regre<strong>si</strong>e lineară.<br />
Prin compararea celor două modele rezultă că eroarea din cel de-al doilea<br />
model poate fi scrisă astfel:<br />
εt = a2X2t + et 4- 9<br />
Deoarece a2 ≠ 0, rezultă<br />
M(εt) = a2X2t + M(et) = a2X2t ≠ 0 4- 10<br />
adică ipoteza potrivit căreia eroarea din ecuaţia de regre<strong>si</strong>e are media zero nu este<br />
respectată. Mai mult,<br />
Cov<br />
X1t, εt<br />
CovX1t<br />
, a2X<br />
2t<br />
et<br />
<br />
a2CovX1<br />
t,<br />
X2<br />
t CovX1t<br />
, et<br />
<br />
a CovX<br />
, X <br />
2<br />
1t<br />
2t<br />
<br />
4- 11<br />
deoarece admitem ipoteza că variabila X1 nu este corelată cu eroarea e. Dacă<br />
variabilele X1 şi X2 nu sunt independente, atunci covari<strong>an</strong>ţa dintre X1 şi eroarea ε nu<br />
este zero. Însă, în demonstrarea proprietăţilor de nedeplasare (nedistor<strong>si</strong>onare) şi de<br />
con<strong>si</strong>stenţă a estimatorilor au fost folo<strong>si</strong>te ipotezele privind absenţa legăturii dintre<br />
eroare şi variabila explicativă, precum şi ipoteza M(ε) = 0. Aceasta înseamnă că prin<br />
omiterea unor variabile explicative import<strong>an</strong>te, estimatorii obţinuţi sunt deplasaţi şi<br />
nu sunt con<strong>si</strong>stenţi.<br />
Consecinţele omiterii unor variabile import<strong>an</strong>te în specificarea modelului pot<br />
fi <strong>si</strong>ntetizate astfel 47 :<br />
Consecinţe ale omiterii unor variabile import<strong>an</strong>te<br />
a. Dacă o variabilă import<strong>an</strong>tă omisă este corelată cel puţin cu o variabilă inclusă în<br />
model, atunci estimatorii parametrilor reţinuţi în model sunt deplasaţi şi nu sunt<br />
con<strong>si</strong>stenţi;<br />
47 Kmenta J., 1986, Elements of Econometrics, New York: Macmill<strong>an</strong>, pag. 394<br />
91
. Chiar dacă variabilele omise nu sunt corelate cu variabilele reţinute în model,<br />
estimatorul termenului liber (â0) este, în general, deplasat;<br />
c. Disper<strong>si</strong>ile estimate pentru parametrii variabilelor reţinute în model sunt<br />
estimatori deplasaţi ai disper<strong>si</strong>ilor reale şi, în consecinţă, testul t privind<br />
<strong>sem</strong>nificaţia estimatorilor nu este valid.<br />
Includerea unor variabile nerelev<strong>an</strong>te<br />
Să presupunem că relaţia adevărată prin care poate fi explicată evoluţia<br />
variabilei Y este<br />
Yt = a0 + a1X1t + et<br />
însă, din diferite motive, modelul construit este<br />
Yt = a0 + a1X1t + a2X2t + εt<br />
Adică, s-a admis ipoteza că valoarea parametrului a2 este diferită de zero, deşi<br />
în realitate a2 este zero. Acceptăm, faptul că eroarea e respectă ipotezele obişnuite ale<br />
modelului de regre<strong>si</strong>e lineară. Atunci, se poate demonstra că estimatorul â1 este<br />
nedeplasat M(â1) = a1 şi M(â2) = 0. De a<strong>sem</strong>enea, estimatorii sunt con<strong>si</strong>stenţi.<br />
Rezultatele pot fi generalizate pentru cazul unui model de regre<strong>si</strong>e lineară cu mai<br />
multe variabile explicative.<br />
Consecinţele includerii unor variabile nerelev<strong>an</strong>te în specificarea modelului<br />
pot fi <strong>si</strong>ntetizate astfel 48 :<br />
Consecinţe ale includerii unor variabile nerelev<strong>an</strong>te<br />
a. Dacă o variabilă explicativă nerelev<strong>an</strong>tă este inclusă în model, atunci estimatorii<br />
parametrilor pentru toate celelalte variabile din model sunt nedeplasaţi şi<br />
con<strong>si</strong>stenţi;<br />
b. Disper<strong>si</strong>ile estimate pentru parametrii variabilelor din model sunt mai mari decât<br />
în cazul neincluderii variabilelor nerelev<strong>an</strong>te şi deci estimatori nu sunt eficienţi;<br />
c. Deoarece disper<strong>si</strong>ile estimate pentru parametrii modelului sunt nedeplasate, testul<br />
t privind <strong>sem</strong>nificaţia estimatorilor este valid.<br />
48 Ram<strong>an</strong>ath<strong>an</strong> R., 1992, Introductory Econometrics, Second Edition, The Dryden Press, Harcourt<br />
Brace College Publishers, Orl<strong>an</strong>do, USA, pag. 188.
5.3. Exemple de calcul<br />
5.3.1. Calculul coeficientului de determinare<br />
Pentru calculul coeficientului de determinare (R 2 ) utilizăm relaţia:<br />
R<br />
2<br />
1 n<br />
<br />
t1<br />
n<br />
<br />
t1<br />
<br />
t<br />
u<br />
2<br />
t<br />
Y Y<br />
2<br />
Pentru modelul unifactorial de regre<strong>si</strong>e lineară, blocul <br />
(vezi tabelul 3-1): <br />
n<br />
t 1<br />
2<br />
u t = 74.3359.<br />
n<br />
<br />
t1<br />
Calculul variaţiei totale a variabilei endogene, <br />
n<br />
t 1<br />
93<br />
2<br />
u t este deja calculat<br />
2<br />
Y Y , este realizată în<br />
tabelul 4-1. Pentru o mai uşoară urmărire a calculelor în tabelul 4-1 sunt preluate din<br />
tabelul 3-1 şi colo<strong>an</strong>ele referitoare la variabilele modelului, valoarea estimată a<br />
endogenei şi reziduurile din ecuaţia de regre<strong>si</strong>e. Valoarea medie a variabilei endogene<br />
este:<br />
Y <br />
n<br />
<br />
t<br />
1<br />
n<br />
Y<br />
t<br />
<br />
862<br />
25<br />
<br />
43.<br />
10<br />
Tabelul 4-1: Calculul coeficientului de determinare – modelul unifactorial<br />
t Xt Yt Ŷt ut=Yt–Ŷt u 2 <br />
t<br />
t Y Y<br />
1 100 20 22.5441 -2.5441 6.4723 533.61<br />
2 110 25 25.4393 -0.4393 0.1930 327.61<br />
3 120 28 28.3345 -0.3345 0.1119 228.01<br />
4 125 30 29.7821 0.2179 0.0475 171.61<br />
5 130 33 31.2297 1.7703 3.1340 102.01<br />
6 140 35 34.1249 0.8751 0.7658 65.61<br />
7 150 36 37.0201 -1.0201 1.0406 50.41<br />
8 155 42 38.4677 3.5323 12.4773 1.21<br />
9 170 44 42.8105 1.1895 1.4150 0.81<br />
2
t Y Y<br />
t Xt Yt Ŷt ut=Yt–Ŷt u 2 <br />
10 170 42 42.8105 -0.8105 0.6569 1.21<br />
11 180 45 45.7057 -0.7057 0.4980 3.61<br />
12 185 50 47.1533 2.8467 8.1038 47.61<br />
13 190 47 48.6009 -1.6009 2.5628 15.21<br />
14 200 48 51.4961 -3.4961 12.2226 24.01<br />
15 205 52 52.9437 -0.9437 0.8905 79.21<br />
16 210 58 54.3913 3.6087 13.0228 222.01<br />
17 215 54 55.8389 -1.8389 3.3815 118.81<br />
18 220 55 57.2865 -2.2865 5.2280 141.61<br />
19 220 58 57.2865 0.7135 0.5091 222.01<br />
20 225 60 58.7341 1.2659 1.6025 285.61<br />
∑ 3420 862 862.0000 0.0000 74.3359 2641.8<br />
Pornind de la datele din tabelul precedent se calculează:<br />
2<br />
R 1 n<br />
u<br />
Y<br />
t Y<br />
t1<br />
1 0.<br />
0281 <br />
n<br />
<br />
t1<br />
2<br />
t<br />
2<br />
0.<br />
9719<br />
74.<br />
3359<br />
1 <br />
2641.<br />
8<br />
Acest rezultat poate fi obţinut automat, prin utilizarea programului specializat<br />
Econometric Views, sau a opţiunii Regres<strong>si</strong>on din fereastra Instrumente (Tools) a foii<br />
de calcul Excel, aşa cum s-a arătat în fig. 3-2c.<br />
Interpretarea rezultatului obţinut este următoarea: din variaţia totală a<br />
volumului economiilor, 97.19% ar putea fi atribuită modului de distribuţie în eş<strong>an</strong>tion<br />
a veniturilor populaţiei. În afirmaţia precedentă înlocuirea formulării ar putea fi<br />
atribuită cu formularea este cauzată de poate duce la concluzii eronate, în special<br />
atunci când <strong>an</strong>aliza econometrică se referă la serii de timp.<br />
Pentru modelul multifactorial, calculul coeficientului de determinare se<br />
realizează pornind de la aceeaşi formulă. Reluăm exemplul <strong>an</strong>alizat în capitolul <strong>III</strong>,<br />
tabelul 3-2, referitor la legătura dintre dinamica veniturilor populaţiei (X1t), evoluţia<br />
2
atei reale a dobânzii pa<strong>si</strong>ve (X2t) şi dinamica depozitelor b<strong>an</strong>care (Yt). Calculele<br />
sunt prezentate în tabelul 4-2.<br />
Tabelul 4-2: Calculul coeficientului de determinare – modelul multifactorial<br />
t Y Y<br />
t X1t X2t Yt Ŷt ut ut 2 <br />
1 0.5 4.1 0.3 0.1218 0.1782 0.0318 0.0231<br />
2 1.0 4.2 0.8 0.5865 0.2135 0.0456 0.1211<br />
3 1.2 4.0 0.3 0.5657 -0.2657 0.0706 0.0231<br />
4 -0.3 4.1 -0.5 -0.4840 -0.0160 0.0003 0.9063<br />
5 2.1 3.8 0.8 1.0750 -0.2750 0.0756 0.1211<br />
6 2.3 4.2 1.4 1.5709 -0.1709 0.0292 0.8987<br />
7 1.2 3.8 0.2 0.3935 -0.1935 0.0375 0.0635<br />
8 1.0 3.9 0.7 0.3282 0.3718 0.1382 0.0615<br />
9 0.8 3.9 0.0 0.1767 -0.1767 0.0312 0.2043<br />
10 0.0 3.8 -0.7 -0.5151 -0.1849 0.0342 1.3271<br />
11 -0.6 3.8 -1.0 -0.9695 -0.0305 0.0009 2.1083<br />
12 2.2 3.8 1.3 1.1507 0.1493 0.0223 0.7191<br />
13 1.4 4.2 1.0 0.8894 0.1106 0.0122 0.3003<br />
14 2.0 3.9 1.2 1.0854 0.1146 0.0131 0.5595<br />
15 2.3 4.2 1.7 1.5709 0.1291 0.0167 1.5575<br />
16 1.1 3.8 0.4 0.3178 0.0822 0.0068 0.0027<br />
17 0.8 3.9 0.6 0.1767 0.4233 0.1791 0.0219<br />
18 -0.5 4.1 -0.9 -0.6354 -0.2646 0.0700 1.8279<br />
19 -1.4 3.9 -1.4 -1.4891 0.0891 0.0079 3.4299<br />
20 0.2 4.1 -0.2 -0.1054 -0.0946 0.0090 0.4251<br />
21 1.8 4.2 1.5 1.1923 0.3077 0.0947 1.0983<br />
22 2.2 3.8 0.9 1.1507 -0.2507 0.0629 0.2007<br />
23 2.1 4.1 1.0 1.3333 -0.3333 0.1111 0.3003<br />
24 1.5 4.2 0.7 0.9651 -0.2651 0.0703 0.0615<br />
25 1.8 3.8 1.2 0.8479 0.3521 0.1240 0.5595<br />
∑ 26.7 99.6 11.3 11.3 0.0000 1.2952 16.9224<br />
2<br />
95
Pornind de la datele din tabelul precedent se calculează:<br />
(vezi figura 3-3c).<br />
2<br />
R 1 n<br />
u<br />
Y<br />
t Y<br />
t1<br />
1 0.<br />
0765 <br />
n<br />
<br />
t1<br />
2<br />
t<br />
2<br />
1 <br />
0.<br />
9235<br />
1.<br />
2952<br />
16.<br />
9224<br />
Interpretarea rezultatului obţinut este următoarea: din variaţia totală a<br />
dinamicii depozitelor b<strong>an</strong>care, 92.35% ar putea fi atribuită evoluţiei veniturilor<br />
populaţiei şi ratei reale a dobânzii pa<strong>si</strong>ve.<br />
5.3.2. Calculul coeficientului de determinare ajustat<br />
Atunci:<br />
Pentru calculul coeficientului de ajustare corectat utilizăm relaţia (4- 3):<br />
n 1<br />
n k 1<br />
<br />
2<br />
R 1<br />
1<br />
În cazul modelului unifactorial de regre<strong>si</strong>e lineară,<br />
n = 20,<br />
k = 1 şi<br />
R 2 = 0.9719.<br />
R 2<br />
(vezi figura 3-2c).<br />
Atunci:<br />
20 1<br />
1<br />
20 1<br />
1<br />
R<br />
2<br />
<br />
1 0.<br />
9719<br />
0.<br />
9703<br />
În cazul modelului multifactorial de regre<strong>si</strong>e lineară,<br />
n = 25,<br />
k = 2 şi<br />
R 2 = 0.9235.<br />
R 2<br />
(vezi figura 3-3c).<br />
25 1<br />
1<br />
25 2 1<br />
1 0.<br />
9235<br />
0.<br />
9165
5.3.3. Analiza specificării modelului<br />
Pentru exemplificarea modului de <strong>an</strong>aliză a specificării modelului de regre<strong>si</strong>e<br />
lineară, pe baza criteriilor menţionate, să presupunem că într-o cercetare selectivă s-au<br />
înregistrat următoarele date privind cererea pentru un <strong>an</strong>umit produs, dinamica<br />
veniturilor şi nivelul general al preţurilor din economie. Notăm cu Yt – datele<br />
referitoare la evoluţia cererii pentru un <strong>an</strong>umit produs, X1t – dinamica veniturilor<br />
salariale, X2t – evoluţia preţurilor pentru produsul respectiv şi X3t – rata inflaţiei<br />
(evoluţia nivelului general al preţurilor din economie). Datele sunt prezentate în<br />
tabelul 4-3.<br />
Legendă:<br />
Tabelul 4-3: Specificarea modelului linear<br />
Y – ritmul de modificare a cererii pentru un produs<br />
X1 – dinamica salariilor,<br />
X2 – evoluţia preţurilor produsului respectiv,<br />
X3 – dinamica inflaţiei<br />
Calculăm modelele M-1 şi M-2 specificate astfel:<br />
M–1: Yt = a0 + a1X1t + a2X2t + et<br />
M–2: Yt = b0 + b1X1t + b2X2t + b3X3t + ε t<br />
Rezolvarea modelului M–1 este prezentată în paragrafele precedente:<br />
Y ˆ<br />
s<br />
t<br />
u<br />
1.<br />
984<br />
0.<br />
441X<br />
<br />
<br />
0.<br />
5379<br />
0.<br />
4301,<br />
0.<br />
1634<br />
R<br />
2<br />
<br />
1t<br />
0.<br />
639X<br />
0.<br />
8647,<br />
0.<br />
1150<br />
R<br />
2<br />
<br />
2t<br />
,<br />
0.<br />
8524<br />
unde sub estimatorii parametrilor din model, în par<strong>an</strong>teză, sunt scrise abaterile<br />
st<strong>an</strong>dard. Valorile calculate pornind de la modelul M–1 şi reziduurile (Yt – Ŷt) sunt<br />
prezentate în colo<strong>an</strong>ele Ŷ-1, respectiv u-1 din tabel.<br />
Având în vedere faptul că volumul eş<strong>an</strong>tionului este n = 25, iar numărul<br />
variabilelor explicative k = 2, valorile testelor AIC şi SCHWARZ pentru modelul M–<br />
1 se calculează astfel:<br />
1<br />
AIC <br />
n<br />
n<br />
<br />
t1<br />
u<br />
2<br />
t<br />
<br />
e<br />
<br />
1<br />
SCHWARTZ <br />
n<br />
k1 2<br />
n<br />
n<br />
<br />
t1<br />
u<br />
2<br />
t<br />
4.<br />
0689 <br />
e<br />
25 <br />
<br />
n<br />
<br />
k1<br />
n<br />
,<br />
23<br />
25<br />
<br />
0.<br />
2069<br />
4.<br />
0689 <br />
25<br />
25 <br />
3<br />
25<br />
<br />
0.<br />
2395<br />
97
următoarele:<br />
Modelul M–2 se rezolvă în mod <strong>si</strong>milar. Rezultatele obţinute sunt<br />
Y ˆ<br />
s<br />
u<br />
t<br />
2.<br />
058<br />
0.<br />
442 X<br />
<br />
<br />
0.<br />
576<br />
0.<br />
4383,<br />
0.<br />
167<br />
R<br />
2<br />
<br />
1t<br />
0.<br />
631X<br />
0.<br />
8659,<br />
0.<br />
119<br />
R<br />
2<br />
<br />
2t<br />
0.<br />
049 X<br />
0.<br />
117<br />
0.<br />
8467<br />
Valorile calculate pornind de la modelul M–2 şi reziduurile (Yt – Ŷt) sunt<br />
prezentate în colo<strong>an</strong>ele Ŷ-2, respectiv u-2 din tabel. Pe baza reziduurilor ut se<br />
calculează<br />
25<br />
<br />
t1<br />
u<br />
2<br />
t <br />
4.<br />
0349<br />
.<br />
Având în vedere faptul că volumul eş<strong>an</strong>tionului este n = 25, iar numărul<br />
variabilelor explicative k = 3, valorile testelor AIC şi SCHWARZ pentru modelul M–<br />
2 se calculează astfel:<br />
1<br />
AIC <br />
n<br />
n<br />
<br />
t1<br />
u<br />
2<br />
t<br />
<br />
e<br />
<br />
1<br />
SCHWARTZ <br />
n<br />
k1 2<br />
n<br />
n<br />
<br />
t1<br />
u<br />
2<br />
t<br />
4.<br />
0349 <br />
e<br />
25 <br />
<br />
n<br />
<br />
k1<br />
n<br />
24<br />
25<br />
<br />
3t<br />
,<br />
0.<br />
2223<br />
4.<br />
0349 <br />
25<br />
25 <br />
Sintetic, rezultatele obţinute sunt prezentate în tabelul următor:<br />
Modelul R 2 2<br />
4<br />
25<br />
R AIC SCHWARTZ<br />
M–1 0.8647 0.8524 0.2069 0.2395<br />
M–2 0.8659 0.8467 0.2223 0.2701<br />
<br />
0.<br />
2701<br />
Adăugarea unei variabile explicative în model are ca efect o creştere a<br />
coeficientului de determinare (R 2 ), deoarece variaţia endogenei rămâne nemodificată,<br />
iar variaţia totală a reziduurilor (VTR) scade. Însă, numărul gradelor de libertate se<br />
reduce (de la 22 la 21). Efectul combinat al scăderii variaţiei reziduurilor şi al<br />
reducerii gradelor de libertate este negativ: coeficientul de determinare corectat scade<br />
atunci când se adaugă în model ca variabilă explicativă suplimentară rata inflaţiei.<br />
Acest rezultat sugerează faptul că nu este necesară completarea modelului în acest<br />
mod.
Rezultate <strong>si</strong>milare se deduc prin <strong>an</strong>aliza testelor AIC şi SCHWARTZ:<br />
deoarece valorile acestor criterii nu scad prin adăugarea unei variabile explicative<br />
suplimentare rezultă că, în comparaţie cu M–2, modelul M–1 este superior din punct<br />
de vedere econometric.<br />
Dacă se calculează testul de <strong>sem</strong>nificaţie pentru parametrul b3 rezultă<br />
t b3<br />
<br />
0.<br />
049<br />
0.<br />
117<br />
<br />
0.<br />
42<br />
Pentru 25 – 3 – 1 = 21 grade de libertate, ipoteza că b3 este zero poate fi<br />
respinsă doar cu o probabilitate puţin peste 30%. Adică, econometric parametrul<br />
respectiv nu este <strong>sem</strong>nificativ, deci legătura dintre Y şi X3 nu poate fi demonstrată<br />
pornind de la un model de tipul celui <strong>an</strong>alizat.<br />
99
6. MULTICOLINEARITATEA<br />
Ipoteza I–2Mc de fundamentare a modelului de regre<strong>si</strong>e lineară multifactorială<br />
afirmă faptul că nu există nici o relaţie lineară între două sau mai multe variabile<br />
explicative (absenţa colinearităţii). În practica modelării însă, o a<strong>sem</strong>enea ipoteză este<br />
extrem de greu de îndeplinit, deoarece între variabilele economice există multiple<br />
legături de intercondiţionare.<br />
Dacă, de exemplu, se construieşte un model de regre<strong>si</strong>e care să explice<br />
evoluţia cursului de schimb al monedei naţionale ar putea fi avute în vedere ca<br />
variabile explicative: inflaţia, masa monetară, exportul, importul, rezerva valutară,<br />
datoria externă, investiţiile de capital străin ş.a. Însă, masa monetară şi inflaţia nu pot<br />
fi con<strong>si</strong>derate variabile independente; la fel exportul, importul (eventual exportul net)<br />
şi datoria externă, sau rezerva valutară ş.a.m.d.<br />
De a<strong>sem</strong>enea, în modelarea consumului se porneşte, de obicei, de la dinamica<br />
veniturilor, a salariilor, dinamica preţurilor (rata inflaţiei), rata dobânzii şi, în general,<br />
atractivitatea pieţei de capital, oferta agregată ş.a. Evident, variabilele explicative<br />
menţionate nu pot fi con<strong>si</strong>derate independente: preţurile şi salariile sunt corelate; la fel<br />
rata inflaţiei şi rata dobânzii; în structura ofertei, producţia internă are o pondere<br />
în<strong>sem</strong>nată, iar veniturile totale (sau cel puţin, salariile) sunt corelate cu nivelul<br />
producţiei ş.a.m.d.<br />
Cu toate aceste multiple legături de intercondiţionare, o renunţare la ipoteza de<br />
independenţă a variabilelor explicative din modelele de regre<strong>si</strong>e creează probleme în<br />
ceea ce priveşte estimarea parametrilor şi calitatea estimatorilor.<br />
6.1. Consecinţe ale multicolinearităţii<br />
Determinarea estimatorilor prin metoda celor mai mici pătrate implică<br />
aplicarea formulei de calcul:<br />
 = (X'X) -1 X'Y<br />
adică, presupune utilizarea matricei inverse (X'X) -1 . Dar, dacă între doi vectori ai<br />
matricei X există o relaţie de dependenţă lineară, atunci (X'X) este ne<strong>si</strong>ngulară
(determin<strong>an</strong>tul matricei este zero) şi, în consecinţă, matricea (X'X) -1 nu există. Cu<br />
alte cuvinte, în cazul dependenţei lineare (a colinearităţii perfecte) între valorile<br />
variabilelor explicative, vectorul estimatorilor  este impo<strong>si</strong>bil de calculat prin<br />
metoda celor mai mici pătrate.<br />
101<br />
Aceasta nu presupune impo<strong>si</strong>bilitatea calculării unor estimatori prin alte<br />
metode. Însă, nici în această <strong>si</strong>tuaţie nu pot fi eliminate în totalitate problemele de<br />
estimare a parametrilor şi de a<strong>si</strong>gurare a <strong>an</strong>umitor proprietăţi ale acestora (a<strong>si</strong>gurarea<br />
calităţii estimatorilor).<br />
Situaţia în care există o relaţie lineară exactă între două sau mai multe<br />
variabile explicative se numeşte multicolinearitate perfectă. În practică însă, o<br />
a<strong>sem</strong>enea <strong>si</strong>tuaţie este dificil de identificat. Cel mai adesea, se înregistrează o legătură<br />
puternică, dar nu perfectă între valorile de selecţie ale variabilelor explicative. Adică,<br />
un vector colo<strong>an</strong>ă al matricei X nu este perfect corelat, ci este doar aproximativ o<br />
combinaţie lineară a altor vectori colo<strong>an</strong>ă ai matricei X. În această <strong>si</strong>tuaţie, cu cât<br />
inten<strong>si</strong>tatea legăturii dintre vectorii respectivi este mai ridicată, cu atât gradul de<br />
colinearitate (ale valorilor înregistrate pentru variabilele explicative) este mai mare.<br />
Pentru cazul general, dacă una dintre colo<strong>an</strong>ele matricei X'X este aproape o<br />
funcţie lineară în raport cu una sau mai multe alte colo<strong>an</strong>e ale matricei respective,<br />
atunci valoarea determin<strong>an</strong>tului det(X'X) este aproape zero (matricea X'X este<br />
aproape <strong>si</strong>ngulară). Însă, în calculul inversei (X'X) -1 , matricea adjunctă (X'X) * se<br />
împarte la det(X'X), ceea ce înseamnă că elementele inversei (X'X) -1 (şi, în particular,<br />
elementele de pe diagonala principală) vor fi foarte mari. Aceasta înseamnă că<br />
disper<strong>si</strong>ile şi abaterile st<strong>an</strong>dard ale estimatorilor tind să fie cu atât mai mari cu cât<br />
gradul de multicolinearitate este mai mare.<br />
În aceste condiţii, fiind selectat un <strong>an</strong>umit prag de <strong>sem</strong>nificaţie, intervalele de<br />
încredere în care sunt încadraţi parametrii modelului sunt foarte mari, ceea ce duce la<br />
scăderea preciziei estimatorilor.<br />
O altă consecinţă a obţinerii unor valori mari pentru abaterile st<strong>an</strong>dard ale<br />
estimatorilor constă în faptul că statistica t (Student) tinde să înregistreze valori<br />
reduse. Aceasta deoarece pentru testarea <strong>sem</strong>nificaţiei unui parametru oarecare ai (H0:<br />
ai = 0), coeficientul t este calculat ca raport între estimatorul parametrului respectiv şi<br />
abaterea st<strong>an</strong>dard estimată pe baza eş<strong>an</strong>tionului selectat. Dacă abaterea st<strong>an</strong>dard a<br />
parametrului ai este mare (ca urmare a prezenţei fenomenului de multicolinearitate)
atunci valoarea testului t este redusă şi este po<strong>si</strong>bil ca ipoteza ai = 0 să fie acceptată.<br />
Aceasta înseamnă că, în prezenţa multicolinearităţii, este risc<strong>an</strong>tă folo<strong>si</strong>rea testului t<br />
(Student) pentru a decide dacă o variabilă Xi influenţează sau nu evoluţia variabilei<br />
endogene Y.<br />
Afirmaţia precedentă nu trebuie absolutizată. Adică, înregistrarea unor valori<br />
mici pentru disper<strong>si</strong>a estimatorilor nu înseamnă automat lipsa multicolinearităţii, aşa<br />
cum prezenţa fenomenului de multicolinearitate nu presupune în mod absolut<br />
înregistrarea unor valori mari pentru disper<strong>si</strong>ile estimatorilor. Aceasta deoarece<br />
disper<strong>si</strong>ile depind nu numai de valorile dii aflate pe diagonala principală a matricei<br />
(X'X) -1 ci şi de dimen<strong>si</strong>unea disper<strong>si</strong>ei estimate a erorilor <br />
2<br />
u<br />
2<br />
a<br />
s s<br />
i<br />
2<br />
u<br />
d<br />
s , adică ii<br />
(unde dii este elementul aflat pe poziţia i în diagonala matricei (X'X) -1 ). Dacă disper<strong>si</strong>a<br />
estimată a erorilor este mică, factorul respectiv <br />
2<br />
u<br />
s poate contrabal<strong>an</strong>sa valoarea<br />
mare a elementului dii, valoare mare generată de prezenţa multicolinearităţii. Invers, o<br />
disper<strong>si</strong>e mare a estimatorilor calculaţi pentru parametrii modelului poate fi generată<br />
de o disper<strong>si</strong>e mare a erorilor, chiar în absenţa multicolinearităţii.<br />
O altă problemă care apare în legătură cu prezenţa multicolinearităţii este<br />
aceea că nu poate fi identificată influenţa separată a fiecărui factor explicativ. Să<br />
presupunem, de exemplu, că în modelul<br />
Y = a0 + a1X1 + a2X2 + e 5- 1<br />
există o legătură între variabilele X1 şi X2, aşa ca în relaţia<br />
X2t = a + bX1t, ()t 5- 2<br />
Potrivit modelului (5- 1), o parte din variaţia endogenei Y este explicată de<br />
variaţia lui X1 şi o altă parte de variaţia lui X2. Însă, variaţia exogenei X2 depinde de<br />
evoluţia variabilei X1. Aceasta înseamnă că X1 influenţează dinamica variabilei<br />
endogene Y atât direct, cât şi indirect, prin intermediul exogenei X2. În consecinţă,<br />
influenţa separată a variabilelor este impo<strong>si</strong>bil de determinat.<br />
Pe de altă parte, având în vedere faptul că în demonstrarea proprietăţilor P-1M<br />
(estimatorii sunt lineari), P-2M (estimatorii sunt nedeplasaţi), P-2'M (estimatorii sunt<br />
con<strong>si</strong>stenţi), P-3M (estimatorii sunt eficienţi), P-4M (estimatorii sunt normal<br />
distribuiţi) şi P-5M (estimatorii sunt de maximă vero<strong>si</strong>militate) nu se apelează la
ipoteza potrivit căreia nu există nici o relaţie lineară între două sau mai multe<br />
variabile explicative, rezultă că estimatorii rămân lineari, normal distribuiţi,<br />
nedeplasaţi, con<strong>si</strong>stenţi, eficienţi şi de maximă vero<strong>si</strong>militate chiar în prezenţa<br />
multicolinearităţii. Mai mult, chiar dacă valoarea testului t (Student) este afectată,<br />
testul în <strong>si</strong>ne rămâne valid (deoarece estimatorii rămân lineari şi normal distribuiţi).<br />
următoarele 49 :<br />
103<br />
Sintetic, consecinţele prezenţei fenomenului de multicolinearitate sunt<br />
Consecinţe ale multicolinearităţii<br />
a. Dacă două sau mai multe variabile explicative din modelul de regre<strong>si</strong>e multiplă<br />
sunt perfect corelate, estimatorii parametrilor nu pot fi calculaţi prin metoda celor<br />
mai mici pătrate.<br />
b. Dacă <strong>an</strong>umite variabile explicative sunt relativ puternic corelate, estimatorii<br />
obţinuţi prin metoda celor mai mici pătrate sunt lineari, normal distribuiţi,<br />
nedeplasaţi, con<strong>si</strong>stenţi şi de maximă vero<strong>si</strong>militate.<br />
c. Efectul multicolinearităţii se m<strong>an</strong>ifestă în creşterea abaterii st<strong>an</strong>dard a<br />
estimatorilor calculaţi pentru parametrii modelului, ceea ce reduce valoarea<br />
testului t statistic (Student). Aceasta face estimatorii mai puţin <strong>sem</strong>nificativi<br />
(po<strong>si</strong>bil chiar ne<strong>sem</strong>nificativi). Totuşi, testul t rămâne valid.<br />
d. Se reduce precizia estimatorilor calculaţi pentru parametrii modelului, în sensul că<br />
abaterea st<strong>an</strong>dard mare duce la creşterea intervalului de încredere în care sunt<br />
gar<strong>an</strong>taţi parametrii.<br />
e. Deoarece covari<strong>an</strong>ţa între variabilele explicative corelate relativ puternic poate fi<br />
mare (în valoare absolută), interpretarea parametrilor individuali este dificilă.<br />
6.2. Identificarea multicolinearităţii<br />
Multicolinearitatea este o problemă a seriilor de date utilizate în modelare şi<br />
nu a modelului în <strong>si</strong>ne, sau a populaţiei din care se extrag selecţiile utilizate în<br />
49 Ram<strong>an</strong>ath<strong>an</strong> R., 1992, Introductory Econometrics, Second Edition, The Dryden Press, Harcourt<br />
Brace College Publishers, Orl<strong>an</strong>do, USA, pag.233-245, pentru consecinţele a, b, c şi e; Thomas R.-L,<br />
1997, Modern Econometrics: An Introduction, 2nd edition, Harlow, Longm<strong>an</strong>, pag.237-244, pentru<br />
consecinţa d.
estimarea parametrilor. Este po<strong>si</strong>bil ca extrăgând din populaţia statistică un alt<br />
eş<strong>an</strong>tion, gradul de multicolinearitate a variabilelor explicative să fie altul. În această<br />
<strong>si</strong>tuaţie, este impropriu să se discute despre testarea statistică a proprietăţii respective.<br />
Testarea statistică se aplică, în mod normal, doar ipotezelor referitoare la parametrii<br />
populaţiei.<br />
atunci când:<br />
În practică, este po<strong>si</strong>bil ca fenomenul de multicolinearitate să fie prezent<br />
a. Coeficienţii de corelaţie lineară, calculaţi pentru perechile de variabile<br />
explicative din model, sunt mari în valoare absolută (sunt, în modul, apropiaţi<br />
de +1). Deoarece efectele multicolinearităţii depind şi de alţi factori (de<br />
exemplu, disper<strong>si</strong>a erorilor şi disper<strong>si</strong>a variabilelor explicative), nu există valori<br />
prag ale coeficienţilor de corelaţie, praguri a căror depăşire să <strong>sem</strong>nifice<br />
prezenţa multicolinearităţii. Existenţa unor coeficienţi de corelaţie mari (în<br />
valoare absolută) între variabila endogenă Y şi variabilele explicative Xi nu<br />
indică neapărat prezenţa fenomenului de multicolinearitate, ci, din contră, pot<br />
<strong>sem</strong>nala faptul că sunt ş<strong>an</strong>se mari ca modelul să fie bine specificat (factorii<br />
reţinuţi ca variabile explicative să fie <strong>sem</strong>nificativi, în sensul definit prin testele<br />
statistice de <strong>sem</strong>nificaţie).<br />
b. Determin<strong>an</strong>tul matricei (X'X) are valori în apropierea lui zero. La fel, nu există<br />
un prag fundamentat statistic astfel încât <strong>si</strong>tuarea valorii det(X'X) sub acest prag<br />
să <strong>sem</strong>nifice prezenţa multicolinearităţii.<br />
c. Coeficientul de determinare R 2 este mare, iar valorile testelor t (Student),<br />
calculate pentru parametrii modelului sunt mici. Nici acest criteriu nu are o<br />
valoare absolută, deoarece valorile mici ale testelor de <strong>sem</strong>nificaţie ar putea<br />
proveni de la disper<strong>si</strong>ile mari ale estimatorilor, generate de prezenţa<br />
fenomenului de multicolinearitate.<br />
d. Estimatorii parametrilor sunt sen<strong>si</strong>bili la specificarea modelului. Dacă existenţa<br />
unor valori mari ale coeficienţilor de corelaţie lineară poate indica prezenţa<br />
multicolinearităţii, reciproca acestei afirmaţii nu este întotdeauna adevărată:<br />
fenomenul de multicolinearitate poate fi prezent chiar dacă valorile<br />
coeficienţilor de corelaţie lineară între variabilele explicative nu sunt mari.<br />
Aceasta deoarece este po<strong>si</strong>bil ca o variabilă exogenă să fie corelată cu două sau<br />
mai multe alte variabile. În a<strong>sem</strong>enea <strong>si</strong>tuaţii, valorile estimatorilor pot să se
modifice <strong>sem</strong>nificativ (chiar cu schimbare de <strong>sem</strong>n) atunci când în<br />
105<br />
respecificarea modelului sunt eliminate <strong>an</strong>umite variabile explicative, sau sunt<br />
introduse variabile suplimentare.<br />
e. Identificarea multicolinearităţii prin proceduri formale. Au fost propuse diferite<br />
proceduri formale de identificare a multicolinearităţii. Încă din 1967, Farrar şi<br />
Glaubert au construit un <strong>si</strong>stem de teste bazate pe distribuţiile χ 2 , F şi t (Student)<br />
pentru a identifica prezenţa multicolinearităţii şi depistarea variabilelor care au<br />
generat acest fenomen.<br />
De a<strong>sem</strong>enea, în literatura de specialitate este citată şi opinia potrivit căreia<br />
multicolinearitatea fiind o problemă a datelor selectate şi nu a modelului, construirea<br />
unor proceduri formale este o întreprindere inutilă 50 .<br />
Sintetic, <strong>sem</strong>nale privind prezenţa multicolinearităţii sunt oferite de<br />
următoarele elemente:<br />
Identificarea multicolinearităţii<br />
a. Coeficienţii de corelaţie lineară, calculaţi pentru perechile de variabile explicative<br />
din model, sunt mari în valoare absolută (sunt, în modul, apropiaţi de 1).<br />
b. Determin<strong>an</strong>tul matricei (X'X) are valori în apropierea lui zero.<br />
c. Coeficientul de determinare R 2 este mare, iar valorile testelor t (Student),<br />
calculate pentru parametrii modelului sunt mici.<br />
d. Estimatorii parametrilor sunt sen<strong>si</strong>bili la specificarea modelului.<br />
e. Multicolinearitatea este identificată prin aplicarea unor proceduri formale.<br />
6.3. Atenuarea multicolinearităţii<br />
Dacă estimatorii calculaţi pentru parametrii modelului sunt <strong>sem</strong>nificativi din<br />
punct de vedere statistic, sensul şi inten<strong>si</strong>tatea influenţei sunt în concord<strong>an</strong>ţă cu teoria<br />
economică, atunci eventuala prezenţă a fenomenului de multicolinearitate poate fi<br />
neglijată. Dacă însă, influenţele supra calităţii estimatorilor sunt negative, atunci<br />
există mai multe soluţii pentru eliminarea multicolinearităţii.<br />
50 Maddala G.S, 1977, Introduction to Econometrics, third edition, Wiley, pag. 186.
a. Eliminarea unor variabile explicative. Deoarece multicolinearitatea este<br />
generată de legătura puternică existentă între două sau mai multe variabile<br />
explicative, o măsură imediată de atenuare a fenomenului respectiv este<br />
eliminarea uneia dintre variabilele implicate. Selectarea variabilei care va fi<br />
eliminată se face fie prin <strong>an</strong>aliză teoretică (economică), fie pornind de la testele<br />
statistice de <strong>sem</strong>nificaţie. În ultima <strong>si</strong>tuaţie, se elimină variabila pentru care<br />
valoarea testului t este mică, sau variabila pentru care corelaţia cu Y este mai<br />
slabă.<br />
b. Realizarea unor observaţii suplimentare asupra variabilelor din model (se<br />
măreşte volumul eş<strong>an</strong>tionului). Dacă este po<strong>si</strong>bilă mărirea eş<strong>an</strong>tionului, atunci<br />
creşte precizia estimatorilor şi se reduce efectul negativ al multicolinearităţii. De<br />
a<strong>sem</strong>enea, prin adăugarea unor valori suplimentare, cresc variaţiile înregistrate<br />
de exogenele Xi (cu excepţia <strong>si</strong>tuaţiei în care valorile adăugate suplimentar sunt<br />
egale cu media de selecţie a variabilelor respective). Adică, numitorul din<br />
relaţiile (4-7) şi (4-8) creşte prin mărirea eş<strong>an</strong>tionului. Dacă, prin aplicarea<br />
acestei proceduri, valoarea r 2 nu se modifică, sau scade, atunci disper<strong>si</strong>a<br />
estimatorilor se reduce. În acest mod, efectele negative ale fenomenului de<br />
multicolinearitate sunt atenuate.<br />
c. Prelucrarea primară a datelor (calculul ritmurilor de modificare, a sporurilor,<br />
indicilor, logaritmarea valorilor observate). Este po<strong>si</strong>bil, de exemplu în cazul<br />
seriilor de timp, ca <strong>an</strong>umite variabile economice să evolueze pe traiectorii<br />
a<strong>sem</strong>ănătoare, fără ca între acestea să existe o legătură directă. Astfel, în medii<br />
economice puternic inflaţioniste, variabilele au în timp valori crescătoare dacă<br />
sunt exprimate nominal, chiar dacă, în preţuri const<strong>an</strong>te, tendinţa reală este de<br />
scădere. În aceste condiţii, evitarea multicolinearităţii indusă artificial se poate<br />
realiza prin includerea în model a ritmurilor (sau a indicilor) de modificare a<br />
variabilelor respective.<br />
d. Regre<strong>si</strong>a ridge. Este o tehnică mec<strong>an</strong>ică, arbitrară, care constă în tr<strong>an</strong>sformarea<br />
matricei (X'X) astfel încât determin<strong>an</strong>tul matricei obţinute să fie diferit de zero.<br />
De exemplu, se adaugă un număr fiecărui element de pe diagonala principală a<br />
matricei (X'X), astfel încât în aplicarea procedurii de estimare a parametrilor<br />
modelului se foloseşte matricea (X'X+cIk+1,k+1), unde c este o const<strong>an</strong>tă, iar I<br />
este matricea unitate. Chiar dacă în acest mod calitatea statistică a estimării
poate fi îmbunătăţită, principalul inconvenient constă în dificultatea<br />
interpretării economice a rezultatelor obţinute.<br />
107<br />
Sintetic, cele mai utilizate proceduri folo<strong>si</strong>te pentru atenuarea fenomenului de<br />
multicolinearitate sunt următoarele:<br />
Atenuarea multicolinearităţii<br />
a. Eliminarea unor variabile explicative<br />
b. Realizarea unor observaţii suplimentare asupra variabilelor din model (se măreşte<br />
volumul eş<strong>an</strong>tionului)<br />
c. Prelucrarea primară a datelor (calculul ritmurilor de modificare, a sporurilor,<br />
indicilor, logaritmarea valorilor observate etc.)<br />
d. Regre<strong>si</strong>a ridge
7. HETEROSCEDASTICITATEA ERORILOR<br />
Estimatorii obţinuţi prin metoda celor mai mici pătrate aplicată în cazul<br />
modelului linear unifactorial sunt nedeplasaţi, con<strong>si</strong>stenţi, eficienţi, normal distribuiţi<br />
şi de maximă vero<strong>si</strong>militate doar dacă ipotezele de fundamentare a modelului sunt<br />
respectate. În aceste condiţii, aprecierea calităţii demersului econometric trebuie să<br />
pornească de la testarea modului în care ipotezele respective sunt îndeplinite 51 .<br />
În prezentul capitol sunt <strong>an</strong>alizate problemele legate de testarea modului în<br />
care se respectă ipoteza privind distribuţia erorilor cu o disper<strong>si</strong>e const<strong>an</strong>tă,<br />
consecinţele nerespectării acestei ipoteze şi procedurile de atenuare a fenomenului<br />
respectiv.<br />
Proprietatea erorile de a nu avea o disper<strong>si</strong>e const<strong>an</strong>tă se numeşte<br />
heteroscedasticitate.<br />
Pentru un model în care erorile sunt heteroscedastice, se acceptă faptul că<br />
erorile nu sunt autocorelate, sunt normal distribuite, cu media zero şi disper<strong>si</strong>a<br />
2 2<br />
e Me<br />
Var , unde<br />
t<br />
t<br />
t<br />
2<br />
t nu este const<strong>an</strong>tă în raport cu t.<br />
7.1. Consecinţe ale heteroscedasticităţii<br />
În prezenţa heteroscedasticităţii procedura de estimare a parametrilor din<br />
modelul de regre<strong>si</strong>e lineară acordă o import<strong>an</strong>ţă mai mare observaţiilor care<br />
înregistrează disper<strong>si</strong>i ridicate. Aceasta deoarece suma pătratelor abaterilor asociate<br />
cu termenii care au o disper<strong>si</strong>e mai mare este, în mod firesc, superioară sumei<br />
calculate pentru observaţiile care au disper<strong>si</strong>a mai mică. Prin metoda celor mai mici<br />
pătrate se realizează minimizarea sumei pătratelor abaterilor pentru întreaga serie şi<br />
aceasta se obţine prin selectarea acelor valori ale estimatorilor care a<strong>si</strong>gură o mai bună<br />
adecvare a modelului la porţiunea din seria observaţiilor care prezintă o disper<strong>si</strong>e<br />
superioară.<br />
51 Jula D., 2003, Introducere în econometrie, Editura Profes<strong>si</strong>onal Consulting, Bucureşti, pag. 143-169.
Disper<strong>si</strong>a estimatorilor în prezenţa heteroscedasticităţii diferă de disper<strong>si</strong>a<br />
dată prin relaţia Var(Â) =<br />
2<br />
e (X'X) -1 , deoarece V ≠<br />
folo<strong>si</strong>nd pentru estimarea disper<strong>si</strong>ei relaţia Var(Â) =<br />
109<br />
2<br />
e In. Aceasta înseamnă că<br />
2<br />
e (X'X) -1 estimatorii obţinuţi<br />
vor fi deplasaţi faţă de disper<strong>si</strong>a reală a parametrilor estimaţi şi nu vor fi eficienţi.<br />
Dacă în calcule sunt folo<strong>si</strong>ţi estimatorii deplasaţi ai disper<strong>si</strong>ilor, atunci testele<br />
statistice nu sunt valide, iar intervalele de încredere pentru parametrii modelului vor<br />
fi determinate într-un mod incorect.<br />
În prezenţa heteroscedasticităţii erorilor, calculele sugerează o precizie a<br />
estimării mai bună decât este în realitate. Abaterea st<strong>an</strong>dard a estimatorului este<br />
folo<strong>si</strong>tă pentru testarea <strong>sem</strong>nificaţiei parametrului estimat. Deoarece valoarea t –<br />
Student, calculată pentru testarea <strong>sem</strong>nificaţiei estimatorilor va fi artificial mai mare,<br />
există riscul unei erori de gradul I: se respinge ipoteza H0 (potrivit căreia parametrul<br />
nu diferă <strong>sem</strong>nificativ de zero), când în realitate H0 ar putea fi adevărată. O altă<br />
consecinţă a prezenţei fenomenului de heteroscedasticitate constă în faptul că<br />
estimatorii obţinuţi prin metoda celor mai mici pătrate nu sunt estimatori de maximă<br />
vero<strong>si</strong>militate.<br />
Dacă fenomenul de heteroscedasticitate a erorilor din modelul de regre<strong>si</strong>e<br />
lineară este ignorat, iar pentru estimarea parametrilor se foloseşte metoda celor mai<br />
mici pătrate, atunci, <strong>si</strong>ntetic, cele mai import<strong>an</strong>te consecinţe ale ignorării fenomenului<br />
de heteroscedasticitate a erorilor sunt următoarele:<br />
Consecinţe ale ignorării fenomenului de heteroscedasticitate a erorilor<br />
a. Estimatorii parametrilor din model sunt nedeplasaţi şi con<strong>si</strong>stenţi.<br />
b. Estimatorii parametrilor din model nu sunt eficienţi (există estimatori care au o<br />
disper<strong>si</strong>e mai mică).<br />
c. Estimatorii calculaţi pentru disper<strong>si</strong>a şi covari<strong>an</strong>ţa parametrilor sunt deplasaţi, nu<br />
sunt con<strong>si</strong>stenţi şi nu sunt eficienţi.<br />
d. Testul t Student aplicat pentru <strong>an</strong>aliza <strong>sem</strong>nificaţiei estimatorilor nu este valid.<br />
Dacă disper<strong>si</strong>a erorilor şi variaţia factorului explicativ sunt pozitiv corelate, atunci<br />
disper<strong>si</strong>a corectă a parametrului a1 este subestimată, astfel încât calculele<br />
sugerează o precizie a estimării mai bună decât este în realitate.<br />
e. Estimatorii parametrilor nu au proprietatea de maximă vero<strong>si</strong>militate.
110<br />
7.2. Testarea heteroscedasticităţii<br />
Deoarece fenomenul de heteroscedasticitate a erorilor invalidează testele<br />
statistice aplicate asupra <strong>sem</strong>nificaţiei parametrilor, este necesar ca prezenţa<br />
fenomenului respectiv să fie testată şi atunci când este <strong>sem</strong>nalat, să fie aplicate<br />
proceduri de eliminare.<br />
Pentru modelul unifactorial de regre<strong>si</strong>e, cea mai <strong>si</strong>mplă metodă de detectare a<br />
fenomenului de heteroscedasticitate a erorilor constă în reprezentarea grafică într-un<br />
<strong>si</strong>stem de coordonate XOY a cuplurilor de puncte (Xt,Yt).<br />
Dacă graficul sugerează o creştere a gradului de împrăştiere a valorilor Yt pe<br />
măsură ce valorile variabilei explicative Xt cresc (sau invers, împrăştierea valorilor Yt<br />
scade atunci când Xt creşte) suntem în prezenţa fenomenului de heteroscedasticitate<br />
(figura 6-1).<br />
Evident, procedura grafică este imprecisă, este într-o <strong>an</strong>umită măsură<br />
subiectivă şi, ca atare, are aplicabilitate limitată. De aceea, au fost construite teste<br />
statistice care să identifice heteroscedasticitatea erorilor. Cele mai cunoscute sunt:<br />
testul Goldfeld–Qu<strong>an</strong>dt, testul Breusch–Pag<strong>an</strong> şi testul White.<br />
Y<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
Y ˆ a ˆ a ˆ<br />
0<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
Figura 6-1: Heteroscedasticitatea erorilor<br />
X<br />
1<br />
X<br />
t
7.2.1. Testul Goldfeld–Qu<strong>an</strong>dt<br />
111<br />
Procedura Goldfeld–Qu<strong>an</strong>dt este folo<strong>si</strong>tă pentru testarea ipotezei nule H0, care<br />
presupune lipsa heteroscedasticităţii erorilor, contra ipotezei alternative H1, care<br />
admite faptul că disper<strong>si</strong>a erorilor este corelată cu valorile uneia dintre variabilele<br />
explicative (de exemplu, disper<strong>si</strong>a erorilor creşte pe măsură ce cresc valorile acelei<br />
variabile explicative care este con<strong>si</strong>derată ca fiind relev<strong>an</strong>tă). Pentru aplicarea testului<br />
se admite faptul că o astfel de variabilă explicativă relev<strong>an</strong>tă poate fi identificată.<br />
Procedura este următoarea:<br />
1. Se identifică, dintre variabile explicative prezente în model, o variabilă notată Z,<br />
de care este legată disper<strong>si</strong>a erorilor. Să presupunem că<br />
2<br />
t este corelată pozitiv<br />
cu Zt. Se ar<strong>an</strong>jează toate observaţiile din eş<strong>an</strong>tionul reţinut pentru <strong>an</strong>aliză în<br />
ordinea crescătoare a valorilor Zt.<br />
2. Eş<strong>an</strong>tionul de dimen<strong>si</strong>une n se divide în două părţi de dimen<strong>si</strong>uni n1 şi n2, după<br />
eliminarea a m observaţii <strong>si</strong>tuate la mijlocul eş<strong>an</strong>tionului. Numărul observaţiilor<br />
eliminate este arbitrar dar, în mod obişnuit, se elimină între 1/6 şi 1/5 dintre<br />
observaţii. Valorile n1 şi n2 trebuie să fie mai mari decât numărul parametrilor<br />
din model.<br />
3. Se calculează estimatorii pentru parametrii modelului separat pentru primele n1<br />
observaţii şi pentru ultimele n2 observaţii (se aplică metoda celor mai mici<br />
pătrate separat pentru primele n1 observaţii şi pentru ultimele n2 observaţii).<br />
4. Se calculează VTR1 – suma totală a reziduurilor din modelul estimat pentru<br />
primele n1 observaţii şi VTR2 – suma totală a reziduurilor din modelul estimat<br />
pentru ultimele n2 observaţii:<br />
respectiv<br />
<br />
<br />
1 n<br />
1<br />
t 1<br />
VTR u<br />
6- 1<br />
2<br />
t<br />
n<br />
2<br />
u t<br />
t<br />
n<br />
n 2 1<br />
VTR <br />
6- 2<br />
2<br />
5. Dacă numărul variabilelor explicative din model este k, iar modelul conţine şi<br />
termen liber (a0) atunci
112<br />
F<br />
VTR 2<br />
n2<br />
k 1<br />
<br />
VTR 1<br />
n k 1<br />
<br />
<br />
n<br />
2<br />
c n1<br />
1<br />
<br />
n<br />
n<br />
2<br />
u<br />
t<br />
tnn<br />
1<br />
1<br />
t1<br />
2<br />
<br />
k 1<br />
<br />
u<br />
2<br />
t<br />
<br />
k 1<br />
urmează o distribuţie F cu n1 – (k + 1) şi n2 – (k + 1) grade de libertate. Ipoteza<br />
nulă (lipsa heteroscedasticităţii) este respinsă dacă Fc calculat prin relaţia 6- 3<br />
este mai mare decât F identificat în tabelele distribuţiei teoretice. Dacă Fc este<br />
subunitar, atunci se calculează 1/Fc şi se compară cu valorile din tabelele<br />
distribuţiei teoretice, deoarece ipoteza alternativă H1 este, de obicei,<br />
unde<br />
2<br />
2<br />
6- 3<br />
σ σ ,<br />
este disper<strong>si</strong>a erorilor pentru ultima parte a seriei, iar este disper<strong>si</strong>a<br />
erorilor pentru prima parte a seriei.<br />
În practică, valorile n1 şi n2 se iau egale, după eliminarea a m înregistrări<br />
<strong>si</strong>tuate la mijlocul seriei. În aceste condiţii, Fc se calculează astfel:<br />
n<br />
2<br />
u<br />
t<br />
n<br />
m<br />
t 1<br />
2<br />
n<br />
m<br />
2<br />
2<br />
u<br />
t<br />
t1<br />
VTR 2 F c <br />
6- 4<br />
VTR<br />
unde m este ales astfel încât numărul<br />
1<br />
n<br />
m<br />
<br />
2<br />
n m<br />
2<br />
n m<br />
2<br />
distribuţie Fisher cu k 1;<br />
k 1<br />
7.2.2. Testul Breusch-Pag<strong>an</strong><br />
să fie întreg. Atunci, Fc urmează o<br />
<br />
2<br />
1<br />
grade de libertate.<br />
Testul Breusch-Pag<strong>an</strong> se bazează pe multiplicatorii Lagr<strong>an</strong>ge. Să presupunem<br />
că disper<strong>si</strong>a erorilor<br />
2<br />
t nu este const<strong>an</strong>tă ci este asociată cu un număr p de variabile<br />
Z1, Z2, …, Zp (câteva, sau toate dintre aceste variabile pot fi selectate dintre<br />
variabilele explicative X ale modelului de regre<strong>si</strong>e). Mai exact, con<strong>si</strong>derăm modelul,<br />
în forma generală<br />
2<br />
2<br />
2<br />
1
şi<br />
unde<br />
Yt = a0 + a1X1t + a2X2t + ... + akXkt + et, t = 1, 2, ..., n 6- 5<br />
Dacă<br />
2<br />
t = α0 + α1Z1t + α2Z2t + … + αpZpt<br />
2<br />
t = Var(et).<br />
α1 = α2 = ... = αp = 0,<br />
6- 6<br />
113<br />
2<br />
atunci disper<strong>si</strong>a estimatorilor este const<strong>an</strong>tă σt α0<br />
şi erorile nu sunt<br />
heteroscedastice. De aceea, prin procedura propusă de Breusch şi Pag<strong>an</strong> se testează<br />
ipoteza nulă<br />
contra ipotezei alternative<br />
Procedura este următoarea:<br />
H0: α1 = α2 = ... = αp = 0,<br />
H1: există cel puţin o valoare αi nenulă (i ≠ 0).<br />
1. Se estimează ecuaţia (6- 5) prin metoda celor mai mici pătrate şi se calculează<br />
şi<br />
ut = Yt –(â0 + â1X1t + â2X2t + ... + âkXkt), t = 1, 2, ..., n<br />
σ<br />
2<br />
u<br />
2. Se con<strong>si</strong>deră<br />
<br />
<br />
n<br />
u<br />
2<br />
t<br />
2<br />
u t un estimator al disper<strong>si</strong>ei erorilor<br />
adevărată, atunci <strong>an</strong>ticipăm că<br />
aceste condiţii, se estimează ecuaţia de regre<strong>si</strong>e:<br />
2<br />
u t<br />
2<br />
u<br />
= α0 + α1Z1t + α2Z2t + … + αpZpt + εt<br />
2<br />
t . Dacă relaţia (6- 6) este<br />
2<br />
u t este legată de variabilele Z1, Z2, …, Zp. În<br />
3. Breusch şi Pag<strong>an</strong> demonstrează că, dacă volumul eş<strong>an</strong>tionului este suficient de<br />
6- 7<br />
mare şi et din ecuaţia iniţială (6- 7) este distribuită normal, sub ipoteza nulă<br />
H0: α1 = α2 = ... = αp = 0
114<br />
(lipsa heteroscedasticităţii), jumătate din VTM – variaţia totală explicată<br />
de modelul (6- 7) are o distribuţie χ 2 cu p grade de libertate. Criteriul este<br />
următorul:<br />
7.2.3. Testul White<br />
VTM 2<br />
p<br />
se respinge H0 dacă <br />
2<br />
χ 0.<br />
05 .<br />
White a propus un test direct pentru heteroscedasticitate, apropiat de<br />
procedura aplicată în testul Breusch–Pag<strong>an</strong>. Testul White presupune, la fel, o<br />
dimen<strong>si</strong>une corespunzătoare a eş<strong>an</strong>tionului selectat şi are av<strong>an</strong>tajul că nu este foarte<br />
sen<strong>si</strong>bil la ipotezele de normalitate. Procedura White este următoarea:<br />
1. Se estimează ecuaţia (6- 5) prin metoda celor mai mici pătrate şi se calculează<br />
ut = Yt –(â0 + â1X1t + â2X2t + ... + âkXkt), t = 1, 2, ..., n<br />
2. White sugerează folo<strong>si</strong>rea, în locul relaţiei (6- 7) de la testul Breusch–Pag<strong>an</strong> a<br />
unei relaţii de forma:<br />
2<br />
u t = α0 + α1Z1t + α2Z2t + … + αpZpt + εt<br />
pentru care se calculează coeficientul de determinare multiplă R 2 . Dacă oricare<br />
dintre parametrii din ecuaţia (6- 8) sunt <strong>sem</strong>nificativi, valoarea coeficientului de<br />
determinare R 2 va fi <strong>sem</strong>nificativă.<br />
3. Prin procedura dezvoltată de White se testează <strong>sem</strong>nificaţia coeficientului R 2<br />
calculat pentru ecuaţia de regre<strong>si</strong>e (6- 8). White demonstrează că, sub ipoteza<br />
nulă H0: α1 = α2 = ... = αp = 0 (lipsa heteroscedasticităţii), testul statistic nR 2<br />
urmează o distribuţie χ 2 cu p grade de libertate (numărul gradelor de este egal cu<br />
numărul regresorilor din ecuaţia 6- 8, mai puţin termenul liber). În expre<strong>si</strong>a nR 2 ,<br />
n reprezintă volumul eş<strong>an</strong>tionului.<br />
4. Dacă<br />
nR<br />
2 <br />
χ<br />
2<br />
p<br />
0. 05<br />
atunci, fenomenul de heteroscedasticitate a erorilor este prezent, cu o<br />
probabilitate de 95%.<br />
6- 8
White sugerează şi modul de selectare a variabilelor relev<strong>an</strong>te Z. Astfel,<br />
dacă heteroscedasticitatea este determinată de o variabilă explicativă X, atunci în<br />
ecuaţia (6- 8) sunt incluse variabilele X şi X 2 :<br />
u α α X α X ε<br />
2<br />
t<br />
0<br />
pentru a testa şi existenţa unei legături nelineare.<br />
1<br />
1t<br />
Dacă modelul de regre<strong>si</strong>e este<br />
atunci ecuaţia (6- 8) se scrie:<br />
unde<br />
2<br />
Yt = a0 + a1X1t + a2X2t + et, t = 1, 2, ..., n<br />
2<br />
t<br />
0<br />
1<br />
1t<br />
2<br />
2<br />
1t<br />
2t<br />
t<br />
u α α X α X α X α X α X X ε<br />
ut = Yt –(â0 + â1X1t + â2X2t), t = 1, 2, ..., n<br />
Ipoteza nulă H0: α1 = α2 = ... = α5 = 0 este respinsă dacă<br />
0. 05<br />
2 2<br />
nR χ .<br />
5<br />
3<br />
Având în vedere faptul că, din tabelul distribuţiei χ 2 pentru pragul α = 0.05 şi 5 grade<br />
de libertate se identifică 0705<br />
χ 2<br />
2<br />
1t<br />
4<br />
2<br />
2t<br />
5<br />
1t<br />
2t<br />
t<br />
115<br />
5 0.<br />
05 11.<br />
, relaţia precedentă este echivalentă cu:<br />
nR 2 > 11.0705. Adică, dacă nR 2 este mai mare decât pragul de 11.0705, atunci erorile<br />
et din ecuaţia iniţială sunt heteroscedastice.<br />
7.3. Atenuarea heteroscedasticităţii – metoda EGLS White<br />
Atenuarea fenomenului de heteroscedasticitate a erorilor presupune<br />
construirea unor proceduri prin care să fie calculaţi estimatori nedeplasaţi, con<strong>si</strong>stenţi<br />
şi eficienţi ai parametrilor modelului.<br />
În primul rând, dacă modelul nu este bine specificat, în sensul că în<br />
specificarea modelului a fost exclusă o variabilă explicativă <strong>sem</strong>nificativă, atunci este<br />
po<strong>si</strong>bil ca erorile să fie heteroscedastice. Aceasta deoarece eroarea din modelul redus<br />
substituie variabila omisă din model, astfel încât disper<strong>si</strong>a erorilor depinde de valorile<br />
variabilei neincluse în specificarea modelului. Atenuarea heteroscedasticităţii se poate<br />
realiza, în această <strong>si</strong>tuaţie, printr-o specificare corectă a modelului.<br />
Să con<strong>si</strong>derăm, pentru început, <strong>si</strong>tuaţia în care abaterile st<strong>an</strong>dard ale erorilor<br />
sunt proporţionale cu valorile Zt ale unei variabile cunoscute:
116<br />
2 2 2<br />
σt = kZt, echivalent cu σ k Z<br />
6- 9<br />
t<br />
unde k este o const<strong>an</strong>tă necunoscută, iar Zt este o variabilă precizată. Zt poate fi una<br />
dintre variabilele explicative ale modelului, sau poate fi o altă variabilă ale cărei<br />
valori pot fi înregistrate în eş<strong>an</strong>tionul selectat, la fel ca variabilele modelului.<br />
Să presupunem că modelul descris prin ecuaţia (6- 5) respectă toate ipotezele<br />
de aplicare a metodei celor mai mici pătrate, cu excepţia ipotezei de lipsă a<br />
heteroscedasticităţii (disper<strong>si</strong>a erorilor nu este const<strong>an</strong>tă). Procedura de estimare a<br />
parametrilor modelului de regre<strong>si</strong>e lineară în prezenţa heteroscedasticităţii structurată<br />
multiplicativ, aşa ca în relaţia (6- 9), presupune împărţirea fiecărui termen al ecuaţiei<br />
(6- 5) la Zt. Se obţine ecuaţia<br />
sau<br />
Yt<br />
a<br />
Z<br />
t<br />
0<br />
1<br />
Z<br />
t<br />
t<br />
a<br />
1<br />
X<br />
Z<br />
1t<br />
t<br />
a<br />
2<br />
X<br />
Z<br />
2t<br />
t<br />
t<br />
... a<br />
k<br />
X<br />
Z<br />
kt<br />
t<br />
et<br />
<br />
Z<br />
* 1 * *<br />
* *<br />
Yt a0<br />
a1X1t<br />
a2X<br />
2t<br />
... akX<br />
kt et<br />
6- 10<br />
Z<br />
unde <strong>si</strong>mbolul * <strong>sem</strong>nifică împărţirea variabilei corespunzătoare prin Zt. Cu această<br />
tr<strong>an</strong>sformare, se poate calcula:<br />
2<br />
* e t Var<br />
et σt<br />
2<br />
e Var k<br />
Var t <br />
2 2<br />
Z <br />
<br />
t Zt<br />
Zt<br />
Deoarece k este const<strong>an</strong>tă, rezultă că e * nu este heteroscedastică, deci ecuaţia<br />
(6- 10) respectă toate ipotezele de aplicare a metodei celor mai mici pătrate, astfel<br />
încât estimatorii sunt nedeplasaţi, con<strong>si</strong>stenţi, eficienţi şi de maximă vero<strong>si</strong>militate.<br />
Procedura este <strong>si</strong>milară celei cunoscute sub denumirea de metoda celor mai mici<br />
pătrate ponderate, cu ponderile calculate astfel<br />
1<br />
wt .<br />
Z<br />
Pentru prezentarea metodei EGLS White (Estimated Generalized Least<br />
Squares), să presupunem, la fel ca în cazul testelor Breusch–Pag<strong>an</strong> sau White, că<br />
disper<strong>si</strong>a erorilor este o funcţie lineară de un număr cunoscut de variabile<br />
independente, în particular este o funcţie de variabilele explicative din model, de<br />
pătratul, sau de alte combinaţii ale variabilelor respective (de exemplu, produsul de<br />
tipul XiXj).<br />
t<br />
t
Procedura următoarea este generalizarea realizată în Jula D. (2003) 52 a<br />
unei metode prezentate de Ram<strong>an</strong>ath<strong>an</strong> R. (1992) 53 :<br />
1. Se determină prin metoda celor mai mici pătrate estimatorii âi ai ecuaţiei (6- 5):<br />
2. Se calculează<br />
Yt = a0 + a1X1t + a2X2t + ... + akXkt + et, t = 1, 2, ..., n<br />
ut = Yt – (â0 + â1X1t + â2X2t + ... + âkXkt) şi<br />
3. Se calculează estimatorii i<br />
4. Utilizând estimatorii i<br />
astfel:<br />
ˆ dintr-o regre<strong>si</strong>e auxiliară<br />
2<br />
u t = α0 + α1Z1t + α2Z2t + ... + αpZpt + εt<br />
2<br />
t<br />
0<br />
1<br />
2<br />
u t .<br />
6- 11<br />
ˆ se determină prima estimare a disper<strong>si</strong>ilor erorilor<br />
σˆ αˆ αˆ Z αˆ Z ... αˆ<br />
1t<br />
2<br />
2t<br />
5. Ecuaţia (Error! Reference source not found.) de la pasul 3 se tr<strong>an</strong>sformă în<br />
modul următor:<br />
u<br />
σˆ<br />
2<br />
t<br />
2<br />
t<br />
α<br />
0<br />
1 Z Z<br />
α1<br />
α2<br />
σˆ σˆ σˆ<br />
2<br />
t<br />
1t<br />
2<br />
t<br />
2t<br />
2<br />
t<br />
p<br />
Z<br />
pt<br />
... α<br />
p<br />
Z<br />
σˆ<br />
pt<br />
2<br />
t<br />
ε<br />
<br />
σˆ<br />
t<br />
2<br />
t<br />
117<br />
Folo<strong>si</strong>nd estimatorii ˆ i din ecuaţia precedentă se determină a doua aproximare a<br />
disper<strong>si</strong>ilor<br />
6. Se stabilesc ponderile<br />
ponderate.<br />
2<br />
σ t<br />
~ , la fel ca în pasul 4.<br />
t<br />
σ ~<br />
1<br />
w şi se aplică metoda celor mai mici pătrate<br />
t<br />
Estimatorii obţinuţi prin această metodă sunt nedeplasaţi şi con<strong>si</strong>stenţi, la fel<br />
ca şi disper<strong>si</strong>ile şi covari<strong>an</strong>ţele estimate. De a<strong>sem</strong>enea, estimatorii sunt a<strong>si</strong>mptotic<br />
eficienţi.<br />
52 Jula D., 2003, Introducere în econometrie, Editura Profes<strong>si</strong>onal Consulting, Bucureşti<br />
53 Ram<strong>an</strong>ath<strong>an</strong> R., 1992, Introductory Econometrics, Second Edition, The Dryden Press, Harcourt<br />
Brace College Publishers, Orl<strong>an</strong>do, USA, pag. 348-349.<br />
σˆ<br />
2<br />
t
118<br />
Principala problemă a acestei metode constă în faptul că procedura poate<br />
să se oprească din mai multe cauze. În primul rând, este po<strong>si</strong>bil să existe o relaţie de<br />
multicolinearitate între variabilele incluse în ecuaţia (Error! Reference source not<br />
found.), mai ales atunci când în ecuaţie sunt incluse atât variabilele explicative, cât şi<br />
combinaţii ale acestora de tipul<br />
2<br />
X i , XiXj ş.a. Riscul colinearităţii perfecte este şi mai<br />
mare atunci când în model sunt incluse variabile de tip dummy. Acest inconvenient<br />
poate fi depăşit prin renunţarea la variabilele care induc fenomenul de<br />
multicolinearitate.<br />
O altă problemă, mult mai dificilă, care poate să apară este aceea că procedura<br />
descrisă nu gar<strong>an</strong>tează obţinerea, prin ecuaţiile descrise în paşii 4 şi 5, a unor valori<br />
strict pozitive pentru toate disper<strong>si</strong>ile estimate ale erorilor din model. Dacă, de<br />
exemplu, o astfel de estimare este zero, atunci ponderea corespunzătoare, calculată ca<br />
inversa abaterii st<strong>an</strong>dard, nu este definită. Dacă, în schimb, estimarea obţinută pentru<br />
disper<strong>si</strong>a unei erori este negativă, nu poate fi definită abaterea st<strong>an</strong>dard a erorii<br />
respective (ca radical din disper<strong>si</strong>a corespunzătoare).<br />
O procedură alternativă care evită riscul ca estimările calculate pentru<br />
disper<strong>si</strong>a erorilor să fie negative propune folo<strong>si</strong>rea logaritmului calculat din pătratul<br />
reziduurilor în ecuaţia auxiliară (Error! Reference source not found.). În aceste<br />
condiţii, după pasul 2, algoritmul precedent continuă astfel:<br />
3'. Se calculează estimatorii i<br />
αˆ dintr-o regre<strong>si</strong>e auxiliară<br />
t<br />
ln u α α Z α Z ... α Z ε<br />
2<br />
t<br />
0<br />
1<br />
1t<br />
2<br />
2t<br />
4'. Utilizând estimatorii αˆ i se determină prima estimare a disper<strong>si</strong>ilor erorilor<br />
astfel:<br />
2 σˆ t αˆ 0 αˆ 1Z1t<br />
αˆ 2Z2t<br />
... αˆ pZpt<br />
ln <br />
5' Prin <strong>an</strong>tilogaritmare, se determină<br />
2<br />
t<br />
unde <br />
<br />
σˆ exp ln σˆ ,<br />
2<br />
t<br />
2<br />
t<br />
2<br />
σˆ t :<br />
ln σˆ este valoarea estimată la pasul 4'. Ecuaţia de la pasul 3' se<br />
tr<strong>an</strong>sformă astfel:<br />
2 <br />
u t 1 Z1t<br />
Z Z<br />
2t<br />
pt ε<br />
ln <br />
α 2 0 α 2 1 α 2 2 ... α<br />
2<br />
p 2<br />
σˆ <br />
t σˆ t σˆ t σˆ t σˆ t σˆ<br />
p<br />
pt<br />
t<br />
2<br />
t<br />
σˆ<br />
2<br />
t
Folo<strong>si</strong>nd estimatorii i<br />
aproximare a disper<strong>si</strong>ilor<br />
αˆ din ecuaţia precedentă se determină a doua<br />
2<br />
σ t<br />
~ la fel ca în pasul 4'. Valorile<br />
deoarece tr<strong>an</strong>sformarea prin funcţia e x duce la valori pozitive.<br />
6'. Se stabilesc ponderile<br />
ponderate.<br />
t<br />
119<br />
2<br />
σ t<br />
~ sunt pozitive,<br />
t<br />
σ ~<br />
1<br />
w şi se aplică metoda celor mai mici pătrate<br />
Metoda tr<strong>an</strong>sformată în acest mod evită doar unele dintre riscurile prezentate.<br />
Astfel, dacă unele dintre valorile reziduale ut sunt exact zero, atunci <br />
2 u t ln <br />
nu este<br />
2<br />
σˆ t <br />
definit. În practică, acest lucru este mai rar întâlnit, deoarece, dacă ut este aproape de<br />
zero, atunci wt sunt foarte mari şi valorile respective vor fi evitate de algoritmul<br />
dezvoltat pe baza metodei celor mai mici pătrate.<br />
7.4. Aplicaţii – testarea şi eliminarea fenomenului de<br />
heteroscedasticitate a erorilor<br />
7.4.1. Testul White pentru modelul unifactorial<br />
Pentru exemplificarea modului de testare a heteroscedasticităţii erorilor<br />
<strong>an</strong>alizăm legătura dintre economiile populaţiei 54 (<strong>si</strong>mbolizate EP) şi câştigul salarial<br />
mediu nominal net lunar (ROL/perso<strong>an</strong>ă) – <strong>si</strong>mbolul utilizat SNN, în perioada i<strong>an</strong>.<br />
1997 – august 2003 (tab. 6-9).<br />
Tabelul 6-9: Evoluţia economiilor populaţiei şi a câştigului salarial în perioada 1997-<br />
2003<br />
54 Datele sunt extrase din Bil<strong>an</strong>ţul monetar agregat al băncilor – pa<strong>si</strong>ve interne – depozite ale clienţilor<br />
neb<strong>an</strong>cari – Economii ale populaţiei (milio<strong>an</strong>e lei, la sfârşitul perioadei) – B<strong>an</strong>ca Naţională a<br />
României, Buletin lunar, 1/1997-9/2003.
120<br />
Luna<br />
Economiile populaţiei –<br />
mil.lei (EP)<br />
Câştigul salarial (mediu<br />
nominal net) –<br />
mil.lei/pers (SNN)<br />
EPt D(EPt) SNNt D(SNNt)<br />
I<strong>an</strong>uarie - 97 9.368 – 0.397 –<br />
Februarie - 97 10.017 0.649 0.456 0.059<br />
Martie - 97 10.981 0.965 0.507 0.051<br />
Aprilie - 97 12.052 1.071 0.592 0.085<br />
Mai - 97 13.491 1.439 0.568 -0.024<br />
Iunie - 97 14.566 1.075 0.581 0.013<br />
Iulie - 97 15.405 0.839 0.622 0.041<br />
August - 97 15.766 0.361 0.651 0.029<br />
Septembrie - 97 16.287 0.521 0.710 0.060<br />
Octombrie - 97 16.934 0.647 0.797 0.087<br />
Noiembrie - 97 17.701 0.767 0.821 0.024<br />
Decembrie - 97 20.166 2.464 0.940 0.120<br />
I<strong>an</strong>uarie - 98 20.793 0.628 0.884 -0.056<br />
Februarie - 98 21.891 1.098 0.879 -0.006<br />
Martie - 98 22.426 0.536 0.954 0.076<br />
Aprilie - 98 23.380 0.954 1.045 0.091<br />
Mai - 98 24.429 1.049 0.999 -0.046<br />
Iunie - 98 25.153 0.724 1.041 0.041<br />
Iulie - 98 25.797 0.644 1.099 0.058<br />
August - 98 26.368 0.570 1.123 0.024<br />
Septembrie - 98 26.627 0.259 1.140 0.017
Luna<br />
Economiile populaţiei –<br />
mil.lei (EP)<br />
Câştigul salarial (mediu<br />
nominal net) –<br />
mil.lei/pers (SNN)<br />
EPt D(EPt) SNNt D(SNNt)<br />
Octombrie - 98 27.306 0.679 1.171 0.031<br />
Noiembrie - 98 28.227 0.921 1.192 0.021<br />
Decembrie - 98 30.967 2.739 1.360 0.169<br />
I<strong>an</strong>uarie - 99 32.484 1.517 1.241 -0.119<br />
Februarie - 99 32.959 0.475 1.294 0.053<br />
Martie - 99 32.110 -0.849 1.411 0.117<br />
Aprilie - 99 30.943 -1.167 1.480 0.068<br />
Mai - 99 29.674 -1.269 1.460 -0.019<br />
Iunie - 99 30.215 0.541 1.514 0.053<br />
Iulie - 99 32.209 1.994 1.604 0.090<br />
August - 99 33.221 1.012 1.624 0.020<br />
Septembrie - 99 34.178 0.957 1.630 0.006<br />
Octombrie - 99 34.710 0.532 1.657 0.027<br />
Noiembrie - 99 35.086 0.376 1.752 0.095<br />
Decembrie - 99 39.238 4.152 1.990 0.238<br />
I<strong>an</strong>uarie - 00 40.735 1.497 1.726 -0.264<br />
Februarie - 00 41.922 1.187 1.748 0.022<br />
Martie - 00 42.988 1.066 1.907 0.159<br />
Aprilie - 00 43.039 0.051 2.136 0.229<br />
Mai - 00 42.599 -0.440 2.030 -0.106<br />
Iunie - 00 43.253 0.654 2.104 0.074<br />
121
122<br />
Luna<br />
Economiile populaţiei –<br />
mil.lei (EP)<br />
Câştigul salarial (mediu<br />
nominal net) –<br />
mil.lei/pers (SNN)<br />
EPt D(EPt) SNNt D(SNNt)<br />
Iulie - 00 43.624 0.371 2.172 0.068<br />
August - 00 43.090 -0.534 2.220 0.048<br />
Septembrie - 00 42.328 -0.762 2.273 0.053<br />
Octombrie - 00 41.095 -1.233 2.357 0.084<br />
Noiembrie - 00 40.827 -0.268 2.497 0.140<br />
Decembrie - 00 44.549 3.722 2.912 0.414<br />
I<strong>an</strong>uarie - 01 45.829 1.280 2.738 -0.174<br />
Februarie - 01 46.923 1.094 2.596 -0.142<br />
Martie - 01 48.382 1.459 2.819 0.223<br />
Aprilie - 01 49.755 1.374 3.025 0.206<br />
Mai - 01 50.697 0.942 2.915 -0.110<br />
Iunie - 01 52.348 1.651 2.981 0.066<br />
Iulie - 01 53.138 0.790 3.124 0.142<br />
August - 01 54.030 0.892 3.135 0.011<br />
Septembrie - 01 55.327 1.297 3.125 -0.010<br />
Octombrie - 01 56.761 1.434 3.210 0.086<br />
Noiembrie - 01 58.670 1.909 3.314 0.104<br />
Decembrie - 01 63.706 5.037 3.660 0.345<br />
I<strong>an</strong>uarie - 02 65.542 1.836 3.672 0.012<br />
Februarie - 02 67.766 2.224 3.464 -0.207<br />
Martie - 02 70.378 2.612 3.666 0.202
Luna<br />
Economiile populaţiei –<br />
mil.lei (EP)<br />
Câştigul salarial (mediu<br />
nominal net) –<br />
mil.lei/pers (SNN)<br />
EPt D(EPt) SNNt D(SNNt)<br />
Aprilie - 02 72.443 2.065 3.966 0.299<br />
Mai - 02 73.852 1.409 3.795 -0.170<br />
Iunie - 02 75.447 1.594 3.806 0.011<br />
Iulie - 02 77.508 2.061 3.919 0.113<br />
August - 02 79.337 1.829 3.898 -0.021<br />
Septembrie - 02 79.946 0.609 3.855 -0.043<br />
Octombrie - 02 82.290 2.344 3.967 0.112<br />
Noiembrie - 02 83.837 1.547 4.038 0.071<br />
Decembrie - 02 88.894 5.057 4.526 0.488<br />
I<strong>an</strong>uarie - 03 90.509 1.615 4.731 0.205<br />
Februarie - 03 92.753 2.244 4.452 -0.279<br />
Martie - 03 93.098 0.345 4.638 0.186<br />
Aprilie - 03 94.126 1.029 4.955 0.318<br />
Mai - 03 93.633 -0.494 4.729 -0.226<br />
Iunie - 03 93.926 0.293 4.706 -0.023<br />
Iulie - 03 93.961 0.035 4.864 0.158<br />
August - 03 94.990 1.029 4.808 -0.056<br />
Sursa datelor: B<strong>an</strong>ca Naţională a României, Buletin lunar, 1/1997-9/2003,<br />
Bucureşti<br />
123
124<br />
6<br />
5<br />
4<br />
3<br />
2<br />
1<br />
0<br />
i<strong>an</strong>uarie-97<br />
Figura 6-2: Evoluţia economiilor populaţiei şi a câştigului salarial, în perioada<br />
iunie-97<br />
noiembrie-97<br />
aprilie-98<br />
septembrie-98<br />
februarie-99<br />
iulie-99<br />
decembrie-99<br />
1997-2003<br />
Economiile populaţiei (mil.lei) –<br />
sca ra din dre a pta<br />
mai-00<br />
Câştigul salarial<br />
(mil.le i/pe rs.) –<br />
sca ra din stâ nga<br />
octombrie-00<br />
Econometric, datele nu pot fi incluse într-o ecuaţie de regrese, în forma în care<br />
apar în tabel. Demonstrarea acestei afirmaţii se bazează pe <strong>an</strong>aliza staţionarităţii<br />
seriilor de date. Justificarea economică ar fi următoarea: ambele serii sunt influenţate<br />
de dinamica preţurilor din economie (inflaţie), astfel încât înscrierea lor în aceeaşi<br />
b<strong>an</strong>dă crescătoare nu înseamnă automat prezenţă unei relaţii de cauzalitate între serii.<br />
Pur şi <strong>si</strong>mplu, este po<strong>si</strong>bil ca seriile să urmeze o tendinţă a<strong>sem</strong>ănătoare datorită<br />
inflaţiei.<br />
Din această cauză, s-a eliminat tendinţa prin diferenţierea seriilor:<br />
D(EPt) = EPt – EPt-1<br />
D(SNNt) = SNNt – SNNt-1.<br />
Seriile astfel obţinute sunt staţionare (vezi Anexa). În aceste condiţii,<br />
econometric, se testează legătura dintre seriile staţionare D(EPt) şi D(SNNt). Admitem<br />
pentru început ipoteza că între cele două variabile există o legătură lineară.<br />
D(EP) = a0 + a1D(SNN) + et 6- 12<br />
martie-01<br />
august-01<br />
i<strong>an</strong>uarie-02<br />
iunie-02<br />
noiembrie-02<br />
aprilie-03<br />
100<br />
90<br />
80<br />
70<br />
60<br />
50<br />
40<br />
30<br />
20<br />
10<br />
0
Estimarea acestei ecuaţii prin metoda celor mai mici pătrate duce la<br />
obţinerea următoarelor rezultate:<br />
D<br />
EP 0. 132961<br />
0. 904<br />
SNN 0.<br />
903487 3.<br />
23<br />
D<br />
6- 13<br />
(în par<strong>an</strong>teză, sub estimatori sunt abaterile medii st<strong>an</strong>dard).<br />
Testele statistice pentru <strong>sem</strong>nificaţia estimatorilor sunt:<br />
tâ 0<br />
tâ1 0.<br />
903487<br />
<br />
132961<br />
3.<br />
23<br />
<br />
0.<br />
904<br />
3.<br />
573<br />
6.<br />
795<br />
Pentru testarea heteroscedasticităţii erorilor se utilizează testul White.<br />
125<br />
Calculul modelului pentru seriile din tabelul 6-9 duce la rezultatele prezentate<br />
în tabelul 6-10. Estimatorii ecuaţiei 6- 12 luaţi în con<strong>si</strong>derare sunt cei prezentaţi în<br />
ecuaţia 6- 13:<br />
D(EP) = 0.903487 + 3.23∙D(SNN)<br />
Tabelul 6-10: Calculele de bază pentru aplicarea testului White, modelul unifactorial *)<br />
t D(SNNt) D(EPt) D(EPt)c ut ut 2<br />
D(SNNt) 2<br />
1 – – – – – –<br />
2 0.0594 0.6490 1.0954 -0.4464 0.1992 0.0035<br />
3 0.0507 0.9646 1.0673 -0.1027 0.0105 0.0026<br />
4 0.0848 1.0707 1.1775 -0.1068 0.0114 0.0072<br />
5 -0.0242 1.4386 0.8253 0.6134 0.3762 0.0006<br />
6 0.0133 1.0750 0.9465 0.1285 0.0165 0.0002<br />
7 0.0408 0.8392 1.0351 -0.1959 0.0384 0.0017<br />
8 0.0289 0.3610 0.9969 -0.6359 0.4044 0.0008<br />
9 0.0596 0.5210 1.0960 -0.5750 0.3306 0.0036<br />
10 0.0870 0.6473 1.1843 -0.5370 0.2883 0.0076<br />
11 0.0236 0.7672 0.9799 -0.2126 0.0452 0.0006<br />
12 0.1197 2.4642 1.2899 1.1742 1.3788 0.0143
126<br />
t D(SNNt) D(EPt) D(EPt)c ut ut 2<br />
D(SNNt) 2<br />
13 -0.0561 0.6278 0.7224 -0.0946 0.0089 0.0031<br />
14 -0.0058 1.0976 0.8847 0.2129 0.0453 0.0000<br />
15 0.0757 0.5355 1.1479 -0.6124 0.3750 0.0057<br />
16 0.0912 0.9539 1.1980 -0.2441 0.0596 0.0083<br />
17 -0.0463 1.0487 0.7541 0.2946 0.0868 0.0021<br />
18 0.0414 0.7242 1.0372 -0.3130 0.0980 0.0017<br />
19 0.0579 0.6438 1.0906 -0.4467 0.1996 0.0034<br />
20 0.0243 0.5704 0.9821 -0.4117 0.1695 0.0006<br />
21 0.0171 0.2592 0.9586 -0.6994 0.4892 0.0003<br />
22 0.0310 0.6794 1.0035 -0.3242 0.1051 0.0010<br />
23 0.0206 0.9213 0.9700 -0.0487 0.0024 0.0004<br />
24 0.1688 2.7393 1.4485 1.2908 1.6662 0.0285<br />
25 -0.1193 1.5174 0.5181 0.9993 0.9985 0.0142<br />
26 0.0533 0.4748 1.0757 -0.6009 0.3611 0.0028<br />
27 0.1171 -0.8487 1.2817 -2.1304 4.5388 0.0137<br />
28 0.0683 -1.1671 1.1241 -2.2912 5.2497 0.0047<br />
29 -0.0192 -1.2694 0.8414 -2.1108 4.4556 0.0004<br />
30 0.0531 0.5411 1.0749 -0.5338 0.2849 0.0028<br />
31 0.0904 1.9939 1.1953 0.7986 0.6377 0.0082<br />
32 0.0203 1.0123 0.9691 0.0432 0.0019 0.0004<br />
33 0.0058 0.9573 0.9221 0.0352 0.0012 0.0000<br />
34 0.0270 0.5317 0.9908 -0.4592 0.2108 0.0007<br />
35 0.0946 0.3765 1.2090 -0.8325 0.6931 0.0089<br />
36 0.2385 4.1517 1.6738 2.4780 6.1403 0.0569
t D(SNNt) D(EPt) D(EPt)c ut ut 2<br />
127<br />
D(SNNt) 2<br />
37 -0.2641 1.4967 0.0505 1.4461 2.0912 0.0697<br />
38 0.0221 1.1873 0.9747 0.2126 0.0452 0.0005<br />
39 0.1589 1.0662 1.4168 -0.3506 0.1229 0.0253<br />
40 0.2289 0.0505 1.6427 -1.5922 2.5351 0.0524<br />
41 -0.1062 -0.4396 0.5605 -1.0000 1.0001 0.0113<br />
42 0.0740 0.6537 1.1424 -0.4887 0.2389 0.0055<br />
43 0.0683 0.3711 1.1242 -0.7531 0.5672 0.0047<br />
44 0.0484 -0.5339 1.0598 -1.5937 2.5398 0.0023<br />
45 0.0526 -0.7616 1.0734 -1.8350 3.3673 0.0028<br />
46 0.0842 -1.2335 1.1755 -2.4090 5.8034 0.0071<br />
47 0.1403 -0.2678 1.3566 -1.6244 2.6387 0.0197<br />
48 0.4141 3.7215 2.2409 1.4807 2.1924 0.1715<br />
49 -0.1735 1.2801 0.3430 0.9371 0.8782 0.0301<br />
50 -0.1418 1.0943 0.4455 0.6488 0.4210 0.0201<br />
51 0.2230 1.4585 1.6238 -0.1653 0.0273 0.0497<br />
52 0.2059 1.3737 1.5685 -0.1948 0.0380 0.0424<br />
53 -0.1098 0.9420 0.5487 0.3933 0.1547 0.0121<br />
54 0.0662 1.6509 1.1173 0.5336 0.2847 0.0044<br />
55 0.1422 0.7900 1.3629 -0.5729 0.3282 0.0202<br />
56 0.0115 0.8921 0.9406 -0.0485 0.0023 0.0001<br />
57 -0.0103 1.2970 0.8702 0.4268 0.1822 0.0001<br />
58 0.0855 1.4335 1.1797 0.2538 0.0644 0.0073<br />
59 0.1038 1.9088 1.2389 0.6700 0.4488 0.0108<br />
60 0.3454 5.0368 2.0191 3.0176 9.1062 0.1193
128<br />
t D(SNNt) D(EPt) D(EPt)c ut ut 2<br />
D(SNNt) 2<br />
61 0.0119 1.8356 0.9419 0.8937 0.7987 0.0001<br />
62 -0.2072 2.2239 0.2342 1.9897 3.9590 0.0429<br />
63 0.2021 2.6118 1.5561 1.0557 1.1144 0.0408<br />
64 0.2994 2.0651 1.8706 0.1945 0.0378 0.0897<br />
65 -0.1704 1.4094 0.3531 1.0563 1.1158 0.0290<br />
66 0.0110 1.5945 0.9389 0.6555 0.4297 0.0001<br />
67 0.1130 2.0613 1.2684 0.7929 0.6287 0.0128<br />
68 -0.0210 1.8286 0.8358 0.9929 0.9858 0.0004<br />
69 -0.0434 0.6091 0.7632 -0.1541 0.0237 0.0019<br />
70 0.1125 2.3444 1.2668 1.0776 1.1612 0.0127<br />
71 0.0707 1.5472 1.1318 0.4153 0.1725 0.0050<br />
72 0.4875 5.0570 2.4781 2.5789 6.6505 0.2377<br />
73 0.2051 1.6146 1.5658 0.0488 0.0024 0.0421<br />
74 -0.2789 2.2442 0.0026 2.2416 5.0246 0.0778<br />
75 0.1859 0.3446 1.5038 -1.1592 1.3437 0.0345<br />
76 0.3176 1.0288 1.9292 -0.9004 0.8108 0.1009<br />
77 -0.2260 -0.4938 0.1737 -0.6674 0.4455 0.0511<br />
78 -0.0234 0.2934 0.8278 -0.5345 0.2857 0.0005<br />
79 0.1579 0.0352 1.4135 -1.3783 1.8997 0.0249<br />
80 -0.0558 1.0289 0.7232 0.3057 0.0935 0.0031<br />
*) Prin D(EP)c am <strong>si</strong>mbolizat valorile calculate pe baza ecuaţiei (6- 13) pentru<br />
variabila endogenă D(EP)<br />
Potrivit metodei White, se realizează o regre<strong>si</strong>e de tipul:<br />
2<br />
t<br />
Rezultatele sunt următoarele:<br />
0<br />
1<br />
t<br />
2<br />
2 D( SNN t)<br />
εt<br />
u α α D(<br />
SNN)<br />
α
û 0.<br />
6407 0.<br />
457366<br />
D(<br />
SNN ) 25.<br />
42088<br />
2<br />
t<br />
t<br />
2 D(<br />
SNN )<br />
Coeficientul de determinare R 2 , calculat pentru modelul precedent este:<br />
R 2 = 0.272899<br />
blocul nR 2 din testul White se calculează astfel:<br />
nR 2 = 79 ∙0.272899 = 21.56<br />
Se testează ipoteza nulă H0: α1 = α2 = 0 (lipsa heteroscedasticităţii). Valoarea testului<br />
2<br />
2 <br />
χ 2 pentru 2 grade de libertate este 99<br />
(un grad de încredere de 95%). Cum<br />
nR 2 = 21.56 ><br />
t<br />
129<br />
5.<br />
, pentru un prag de <strong>sem</strong>nificaţie α = 0.05<br />
5. 99 <br />
2<br />
2<br />
rezultă că ipoteza H0 este respinsă, adică se poate afirma, cu un grad de încredere de<br />
95% faptul că erorile et din modelul iniţial (6- 12) sunt heteroscedastice.<br />
Aceleaşi rezultate pot fi obţinute prin utilizarea programului EViews:<br />
White Heteroskedasticity Test:<br />
F-statistic 14.26234 Probabilitatea 0.000006<br />
nR 2<br />
Test Equation:<br />
Variabila dependentă: u 2<br />
21.55902 Probabilitatea 0.000021<br />
Metoda de rezolvare: Metoda celor mai mici pătrate<br />
Eş<strong>an</strong>tionul: 1997:02 2003:08<br />
Observaţii incluse: n = 79<br />
R 2<br />
Parametrii Estimatorii Ab.std. t-Statistic alfa<br />
C 0.640700 0.206192 3.107297 0.0027<br />
D(SNN) -0.457366 1.536016 -0.297762 0.7667<br />
(D(SNN)) 2 25.42088 5.393215 4.713492 0.0000<br />
0.272899 Media var.endog. 1.165073<br />
R 2 – ajustat 0.253765 Ab.std.var.endog. 1.838512<br />
Ab.std.regr. 1.588197 Akaike info criterion 3.800311<br />
Suma pătratelor rezid. 191.7001 Schwarz criterion 3.890290
130<br />
Log likelihood -147.1123 F-statistic 14.26234<br />
Durbin-Watson stat 1.322522 Prob(F-statistic) 0.000006<br />
Pentru eliminarea fenomenului de heteroscedasticitate se procedează la<br />
tr<strong>an</strong>sformarea modelul iniţial (6- 12),<br />
în modelul:<br />
D(EP)t = a0 + a1D(SNN)t + et,<br />
D(<br />
EP)<br />
D<br />
t<br />
t<br />
6- 14<br />
0<br />
1<br />
SNN DSNN<br />
DSNN<br />
<br />
Rezultatele sunt următoarele:<br />
Variabila dependentă:<br />
t<br />
a<br />
<br />
D(<br />
EP)<br />
D(<br />
SNN)<br />
1<br />
t<br />
a<br />
Metoda de estimare: Metoda celor mai mici pătrate<br />
Eş<strong>an</strong>tionul (ajustat): 1997:02 2003:08<br />
Observaţii incluse: 79 după ajustare<br />
Coeficienţii Estimatorii Ab.std. t-Statistic Prob.<br />
1<br />
D(<br />
SNN)<br />
<br />
1.018483 0.060994 16.69807 0.0000<br />
const<strong>an</strong>ta -0.722544 2.499231 -0.289106 0.7733<br />
R 2 0.783602 Media var.endogene 9.456939<br />
R 2 ajustat 0.780791 Ab.std.var.endogene 46.01198<br />
Ab.std.regre<strong>si</strong>e 21.54268 Akaike info criterion 9.002939<br />
Suma pătratelor erorilor 35734.69 Schwarz criterion 9.062925<br />
Log likelihood -353.6161 F-statistic 278.8255<br />
Durbin-Watson stat 1.966436 Prob(F-statistic) 0.000000<br />
e<br />
t
Reziduurile din această ecuaţie nu sunt heteroscedastice. Prin estimarea<br />
unei ecuaţii de regre<strong>si</strong>e de tipul<br />
se obţine:<br />
2<br />
1<br />
1<br />
ut α0<br />
α1<br />
α2<br />
ε 2<br />
D(<br />
SNN)<br />
D(<br />
SNN )<br />
2<br />
1<br />
1<br />
ut 424.<br />
6895<br />
3.<br />
3344<br />
0.<br />
036317<br />
D(<br />
SNN)<br />
D(<br />
SNN<br />
Pentru ecuaţia precedentă R 2 = 0.016056, deci<br />
nR 2 = 0.268424 < 5.99 = )<br />
t<br />
t<br />
χ 2<br />
2<br />
( 0.<br />
05<br />
t<br />
t<br />
t<br />
)<br />
2<br />
131<br />
Aceasta înseamnă că erorile din ecuaţia (6- 14) nu sunt heteroscedastice, cu un<br />
grad de încredere mai mare de 95%.<br />
Rezultatele în detaliu sunt prezentate în tabelul următor:<br />
Variabila dependentă: (RES2) 2<br />
Metoda de estimare: Metoda celor mai mici pătrate<br />
Eş<strong>an</strong>tionul (ajustat): 1997:02 2003:08<br />
Observaţii incluse: 79 după ajustare<br />
Coeficienţii Estimatorii Ab.std. t-Statistic Prob.<br />
const<strong>an</strong>ta 424.6895 211.1689 2.011137 0.0479<br />
1<br />
D(<br />
SNN)<br />
1<br />
D(<br />
SNN<br />
2<br />
)<br />
-3.334400 4.918515 -0.677928 0.4999<br />
0.036317 0.039584 0.917466 0.3618<br />
R 2 0.01606 Media var.endogene 452.34<br />
R 2 ajustat -0.00984 Ab.std.var.endogene 1726.4<br />
Ab.std.regre<strong>si</strong>e 1734.85 Akaike info criterion 17.793<br />
Suma pătratelor erorilor 2.29E+08 Schwarz criterion 17.882<br />
Log likelihood -699.802 F-statistic 0.6200<br />
Durbin-Watson stat 1.940234 Prob(F-statistic) 0.5406
132<br />
7.4.2. Testul White pentru modelul multifactorial<br />
Pentru testarea prezenţei fenomenului de heteroscedasticitate a erorilor în<br />
cazul unui model multifactorial de regre<strong>si</strong>e lineară este utilizat exemplul numeric<br />
prezentat în capitolul 2, tabelul 2-2. Adică, să presupunem că printr-o cercetare<br />
selectivă s-au înregistrat următoarele date privind dinamica veniturilor populaţiei<br />
(X1t), evoluţia ratei reale a dobânzii pa<strong>si</strong>ve (X2t) şi dinamica depozitelor b<strong>an</strong>care<br />
(Yt):<br />
Nr.crt.<br />
Veniturile<br />
populaţiei<br />
(X1t)<br />
Rata reală a<br />
dobânzii<br />
pa<strong>si</strong>ve (X2t)<br />
Depozitele<br />
b<strong>an</strong>care<br />
(Yt)<br />
1 0.5 4.1 0.3<br />
2 1.0 4.2 0.8<br />
3 1.2 4.0 0.3<br />
4 -0.3 4.1 -0.5<br />
5 2.1 3.8 0.8<br />
6 2.3 4.2 1.4<br />
7 1.2 3.8 0.2<br />
8 1.0 3.9 0.7<br />
9 0.8 3.9 0.0<br />
10 0.0 3.8 -0.7<br />
11 -0.6 3.8 -1.0<br />
12 2.2 3.8 1.3<br />
13 1.4 4.2 1.0<br />
14 2.0 3.9 1.2<br />
15 2.3 4.2 1.7<br />
16 1.1 3.8 0.4
Nr.crt.<br />
Veniturile<br />
populaţiei<br />
(X1t)<br />
Rata reală a<br />
dobânzii<br />
pa<strong>si</strong>ve (X2t)<br />
Depozitele<br />
b<strong>an</strong>care<br />
(Yt)<br />
17 0.8 3.9 0.6<br />
18 -0.5 4.1 -0.9<br />
19 -1.4 3.9 -1.4<br />
20 0.2 4.1 -0.2<br />
21 1.8 4.2 1.5<br />
22 2.2 3.8 0.9<br />
23 2.1 4.1 1.0<br />
24 1.5 4.2 0.7<br />
25 1.8 3.8 1.2<br />
Modelul linear bi-factorial se scrie:<br />
Yt = a0 + a1X1t + a2X2t + et.<br />
Vectorul estimatorilor  se calculează prin relaţia:<br />
 = (X'X) -1 X'Y.<br />
Au fost determinate următoarele valori<br />
deci,<br />
3.<br />
78693<br />
<br />
 0.<br />
75722 <br />
<br />
0.<br />
860999 <br />
pentru t = 1, 2, …, 25<br />
şi ut = Yt – Ŷt.<br />
Ŷt = -3.78693 + 0.75722∙X1t + 0.860999∙X2t,<br />
133<br />
Rezultatele estimării sunt prezentate în tabelul 2-2. În tabelul 6-11 sunt<br />
incluse, în plus faţă de colo<strong>an</strong>ele tabelului 2-2, blocurile necesare pentru aplicarea<br />
testului White privind heteroscedasticitatea erorilor.
134<br />
Tabelul 6-11: Calculele de bază pentru aplicarea testului White, modelul<br />
multifactorial<br />
t X1t X2t Yt Ŷt ut<br />
2<br />
u t<br />
2<br />
X 1t<br />
2<br />
X 2t<br />
X1X2<br />
1 0.5 4.1 0.3 0.1218 0.1782 0.0318 0.25 16.81 2.05<br />
2 1.0 4.2 0.8 0.5865 0.2135 0.0456 1.00 17.64 4.20<br />
3 1.2 4.0 0.3 0.5657 -0.2657 0.0706 1.44 16.00 4.80<br />
4 -0.3 4.1 -0.5 -0.4840 -0.0160 0.0003 0.09 16.81 -1.23<br />
5 2.1 3.8 0.8 1.0750 -0.2750 0.0756 4.41 14.44 7.98<br />
6 2.3 4.2 1.4 1.5709 -0.1709 0.0292 5.29 17.64 9.66<br />
7 1.2 3.8 0.2 0.3935 -0.1935 0.0375 1.44 14.44 4.56<br />
8 1.0 3.9 0.7 0.3282 0.3718 0.1382 1.00 15.21 3.90<br />
9 0.8 3.9 0.0 0.1767 -0.1767 0.0312 0.64 15.21 3.12<br />
10 0.0 3.8 -0.7 -0.5151 -0.1849 0.0342 0.00 14.44 0.00<br />
11 -0.6 3.8 -1.0 -0.9695 -0.0305 0.0009 0.36 14.44 -2.28<br />
12 2.2 3.8 1.3 1.1507 0.1493 0.0223 4.84 14.44 8.36<br />
13 1.4 4.2 1.0 0.8894 0.1106 0.0122 1.96 17.64 5.88<br />
14 2.0 3.9 1.2 1.0854 0.1146 0.0131 4.00 15.21 7.80<br />
15 2.3 4.2 1.7 1.5709 0.1291 0.0167 5.29 17.64 9.66<br />
16 1.1 3.8 0.4 0.3178 0.0822 0.0068 1.21 14.44 4.18<br />
17 0.8 3.9 0.6 0.1767 0.4233 0.1791 0.64 15.21 3.12<br />
18 -0.5 4.1 -0.9 -0.6354 -0.2646 0.0700 0.25 16.81 -2.05<br />
19 -1.4 3.9 -1.4 -1.4891 0.0891 0.0079 1.96 15.21 -5.46<br />
20 0.2 4.1 -0.2 -0.1054 -0.0946 0.0090 0.04 16.81 0.82<br />
21 1.8 4.2 1.5 1.1923 0.3077 0.0947 3.24 17.64 7.56
t X1t X2t Yt Ŷt ut<br />
2<br />
u t<br />
2<br />
X 1t<br />
135<br />
2<br />
X 2t<br />
X1X2<br />
22 2.2 3.8 0.9 1.1507 -0.2507 0.0629 4.84 14.44 8.36<br />
23 2.1 4.1 1.0 1.3333 -0.3333 0.1111 4.41 16.81 8.61<br />
24 1.5 4.2 0.7 0.9651 -0.2651 0.0703 2.25 17.64 6.30<br />
25 1.8 3.8 1.2 0.8479 0.3521 0.1240 3.24 14.44 6.84<br />
∑ 26.7 99.6 11.3 11.3000 0.0000 1.2952 54.09 397.46 106.74<br />
Pentru modelul multifactorial de regre<strong>si</strong>e lineară multifactorială se scrie:<br />
u α α X α X α X α X α X X ε<br />
2<br />
t<br />
0<br />
unde ut = Yt – (â0 + â1X1t + â2X2t), 25<br />
1<br />
1t<br />
2<br />
2t<br />
3<br />
2<br />
1t<br />
t 1,<br />
Ipoteza nulă H0: α1 = α2 = α2 = α2 = α5 = 0 (lipsa fenomenului de<br />
heteroscedasticitate a erorilor et) este respinsă dacă<br />
0. 05<br />
2 2<br />
nR χ .<br />
5<br />
Rezolvarea prin metoda celor mai mici pătrate a modelului descris de ecuaţia<br />
de regre<strong>si</strong>e precedentă, pe baza datelor din tabelul 6-11 duce la obţinerea următoarelor<br />
rezultate:<br />
û<br />
2<br />
t<br />
<br />
16.<br />
0952<br />
<br />
2<br />
1t<br />
0.<br />
0674 X<br />
1t<br />
0.<br />
0096 X 1.<br />
0291<br />
X <br />
2<br />
2t<br />
4<br />
2<br />
2t<br />
8.<br />
1557 X<br />
2t<br />
5<br />
<br />
0.<br />
0253<br />
X<br />
Coeficientul de determinare R 2 , calculat pentru modelul precedent este:<br />
R 2 = 0.219621<br />
În aceste condiţii, blocul nR 2 din testul White se calculează astfel:<br />
Deoarece<br />
ipoteza nulă<br />
nR 2 = 25∙0.219621 = 5.49<br />
În tabelul distribuţiei χ 2 , pentru α = 0.05 şi 5 grade de libertate se identifică<br />
χ 2<br />
0. 05<br />
11.<br />
0705<br />
5 .<br />
nR 2 2<br />
= 5.49 < 11.<br />
0705 χ 0. 05<br />
H0: α1 = α2 = α2 = α2 = α5 = 0<br />
5<br />
1t<br />
1t<br />
X<br />
2t<br />
2t<br />
t
136<br />
(lipsa fenomenului de heteroscedasticitate a erorilor et din modelul linear bi-<br />
factorial) nu se respinge. Cu alte cuvinte, erorile et nu sunt heteroscedastice.<br />
Rezultate identice pot fi obţinute direct, prin aplicarea programului EViews. În<br />
detaliu, aceste rezultate sunt prezentate în tabelul următor:<br />
White Heteroskedasticity Test:<br />
F-statistic 1.069431 Probabilitatea 0.407971<br />
nR 2 5.490533 Probabilitatea 0.358985<br />
Test Equation: Variabila dependentă: u 2<br />
Metoda de rezolvare: Metoda celor mai mici pătrate<br />
Eş<strong>an</strong>tionul: 1 25<br />
Variabile Estimatori Ab.std. t-statistic alfa<br />
C -16.09519 11.24317 -1.431553 0.1685<br />
X1 -0.067375 0.274951 -0.245043 0.8090<br />
X1 2 -0.009548 0.008989 -1.062213 0.3015<br />
X1X2 0.025277 0.070422 0.358935 0.7236<br />
X2 8.155651 5.661626 1.440514 0.1660<br />
X2 2 -1.029061 0.712198 -1.444910 0.1648<br />
R 2 0.219621 Media var. exogene 0.051807<br />
R 2 ajustat 0.014259 Ab.std.var.exog. 0.047464<br />
Ab.std.regre<strong>si</strong>e 0.047124 Akaike info criterion -3.066503<br />
Suma pătrate re<strong>si</strong>d. 0.042193 Schwarz criterion -2.773973<br />
Log likelihood 44.33129 F-statistic 1.069431<br />
Durbin-Watson stat 1.702749 Prob(F-statistic) 0.407971
8. AUTOCORELAREA ERORILOR<br />
137<br />
În prezenţa autocorelării erorilor este afectată calitatea estimatorilor calculaţi<br />
prin metoda celor mai mici pătrate pentru parametrii modelului de regre<strong>si</strong>e.<br />
Autocorelarea erorilor presupune existenţa unei covari<strong>an</strong>ţe nenule între erorile din<br />
ecuaţia de regre<strong>si</strong>e. Adică presupune ca în relaţia:<br />
e , e Me<br />
, e σ , t s<br />
Cov t s<br />
t s ts<br />
nu toate valorile σts sunt zero.<br />
7- 1<br />
În modelele economice de regre<strong>si</strong>e lineară se întâlnesc des <strong>si</strong>tuaţii în care<br />
erorile sunt autocorelate. În special, autocorelarea erorilor apare în modelele<br />
construite pentru seriile de timp. Principalele cauze care determină fenomenul<br />
respectiv sunt:<br />
(1) omiterea din model a unor variabile explicative cu influenţă <strong>sem</strong>nificativă<br />
asupra variabilei endogene;<br />
(2) ignorarea prezenţei unor relaţii nelineare între variabile şi<br />
(3) impo<strong>si</strong>bilitatea evitării unor erori de măsurare.<br />
Matricea de vari<strong>an</strong>ţă – covari<strong>an</strong>ţă a estimatorilor se scrie:<br />
Var(Â) = (X'X) -1 X'M(ee')X(X'X) -1<br />
unde M(ee') este matricea de vari<strong>an</strong>ţă – covari<strong>an</strong>ţă a erorilor. Dacă erorile nu sunt<br />
heteroscedastice, adică<br />
Var<br />
şi nu sunt autocorelate<br />
2 2<br />
e Me<br />
σ , t t<br />
t<br />
Cov(et, es) = M(et, es) = 0, () t ≠ s<br />
atunci disper<strong>si</strong>a estimatorilor se calculează după relaţia<br />
σ<br />
Var(Â) = 1<br />
2<br />
e<br />
e<br />
<br />
X'X<br />
7- 2<br />
Dacă erorile sunt heteroscedastice sau sunt autocorelate, atunci orice calcul în<br />
care intervine disper<strong>si</strong>a estimatorilor (calculată după relaţia cunoscută 7- 2) nu este<br />
valid, deoarece<br />
Var<br />
1<br />
2<br />
X ' X σ Â<br />
<br />
.<br />
e
138<br />
Deoarece erorile sunt normal distribuite şi de medie zero, estimatorii calculaţi prin<br />
metoda celor mai mici pătrate rămân nedeplasaţi şi con<strong>si</strong>stenţi, chiar în prezenţa<br />
autocorelării erorilor. Însă, estimatorii calculaţi pentru disper<strong>si</strong>ile parametrilor şi<br />
pentru disper<strong>si</strong>a erorii sunt deplasaţi, ceea ce face ca procedurile de testare obişnuite<br />
să nu fie valide.<br />
Cel mai <strong>si</strong>mplu caz al autocorelării erorilor este acela în care erorile din<br />
modelul de regre<strong>si</strong>e<br />
sunt de forma:<br />
Yt a0<br />
a1X1t<br />
a 2X2t<br />
... a kX<br />
kt et<br />
,<br />
t 1,<br />
n<br />
et = ρet-1 + εt 7- 3<br />
unde ρ este un parametru real <strong>si</strong>tuat între –1 şi +1, iar εt este o variabilă de abatere<br />
(eroare) care respectă ipotezele obişnuite (este de medie nulă, are disper<strong>si</strong>a finită şi<br />
const<strong>an</strong>tă – deci, nu este heteroscedastică, nu prezintă fenomenul de autocorelare şi<br />
este independentă de eq, pentru q ≠ t). Cu alte cuvinte,<br />
Var<br />
<br />
M ε<br />
t<br />
<br />
ε<br />
0<br />
0<br />
Cov ε , ε<br />
t<br />
t<br />
M ε<br />
ts<br />
2<br />
t<br />
σ<br />
,<br />
M ε , ε<br />
t<br />
2<br />
ε<br />
<br />
ts<br />
t<br />
0,<br />
t,<br />
s <br />
Situaţia descrisă prin ecuaţia (7- 3), în condiţiile (7- 4), poartă numele de<br />
proces autoregre<strong>si</strong>v de ordinul I. Simbolic, procesul autoregre<strong>si</strong>v de ordinul I este<br />
notat AR(1).<br />
Pornind de la ecuaţia (7- 3) pot fi întâlnite trei cazuri diferite.<br />
1. Dacă ρ = 0, atunci erorile nu sunt autocorelate, deoarece et = εt, iar εt respectă<br />
7- 4<br />
ipotezele obişnuite necesare pentru aplicarea metodei celor mai mici pătrate.<br />
2. Dacă ρ > 0, atunci erorile sunt autocorelate pozitiv, în sensul că valorile pozitive<br />
ale erorii et-1 tind să fie urmate tot de valori pozitive ale lui et, iar valorile negative<br />
ale erorii et-1 tind să fie urmate tot de valori negative ale lui et. Valorile aleatoare<br />
ale abaterii εt pot avea ca efect trecerea de la un set de valori pozitive ale erorilor<br />
et la un set de valori negative şi invers.<br />
3. Dacă ρ < 0, atunci erorile sunt autocorelate negativ, în sensul că valorile pozitive<br />
ale erorii et-1 tind să fie urmate de valori negative ale lui et şi invers.
Se poate demonstra că în cazul procesului autoregre<strong>si</strong>v de ordinul I (7- 3),<br />
în condiţiile (7- 4), erorile et respectă toate celelalte ipoteze obişnuite, cu excepţia<br />
celei privind autocorelarea (adică media erorilor et este zero şi erorile nu sunt<br />
heteroscedastice). Mai exact, se demonstrează că<br />
parametrul ρ din relaţia 7- 3 este, de fapt, coeficientul de corelaţie lineară dintre et şi<br />
et-1, numit coeficientul de corelaţie lineară de ordinul I.<br />
8.1. Consecinţe ale autocorelării erorilor<br />
139<br />
În prezenţa autocorelării erorilor, estimatorii calculaţi prin metoda celor mai<br />
mici pătrate pentru parametrii modelului de regre<strong>si</strong>e lineară rămân nedeplasaţi şi<br />
con<strong>si</strong>stenţi, deoarece în demonstrarea proprietăţilor respective nu s-a folo<strong>si</strong>t ipoteza<br />
de lipsă a autocorelării erorilor (ca, de altfel, nici ipoteza de lipsă a<br />
heteroscedasticităţii). În schimb, estimatorii nu sunt eficienţi, în sensul că există<br />
estimatori ai parametrilor modelului care au o disper<strong>si</strong>e mai mică decât disper<strong>si</strong>a<br />
estimatorilor calculaţi prin metoda celor mai mici pătrate.<br />
Testele statistice aplicate pentru evaluarea <strong>sem</strong>nificaţiei estimatorilor se<br />
bazează pe proprietatea de eficienţă a acestora. Evident, dacă estimatorii nu sunt<br />
eficienţi, nici testele statistice nu sunt valide. Mai mult, se demonstrează că dacă<br />
erorile sunt autocorelate, atunci disper<strong>si</strong>a erorilor şi disper<strong>si</strong>ile estimatorilor sunt<br />
subestimate 55 . În aceste condiţii, valorile testelor de <strong>sem</strong>nificaţie t-Student sunt<br />
supradimen<strong>si</strong>onate, iar parametrii pot apărea ca <strong>sem</strong>nificativi chiar dacă în realitate<br />
acest lucru este fals.<br />
Adică, în prezenţa fenomenului de autocorelare creşte riscul erorii de gradul II<br />
(creşte riscul de respingere a ipotezei adevărate H0, care afirmă că parametrii nu diferă<br />
<strong>sem</strong>nificativ de zero).<br />
Dacă fenomenul de autocorelare a erorilor din modelul de regre<strong>si</strong>e lineară este<br />
ignorat, iar pentru estimarea parametrilor se foloseşte metoda celor mai mici pătrate,<br />
55 Thomas R.-L, 1997, Modern Econometrics: An Introduction, 2nd edition, Harlow, Longm<strong>an</strong>, pag.<br />
301.
140<br />
atunci, <strong>si</strong>ntetic, consecinţele ignorării fenomenului de autocorelare a erorilor sunt<br />
următoarele:<br />
Consecinţe ale ignorării fenomenului de autocorelare a erorilor<br />
a. Estimatorii parametrilor din model sunt nedeplasaţi şi con<strong>si</strong>stenţi.<br />
b. Estimatorii parametrilor din model nu sunt eficienţi şi nu au proprietatea de<br />
maximă vero<strong>si</strong>militate.<br />
c. Estimatorii calculaţi pentru disper<strong>si</strong>a şi covari<strong>an</strong>ţa parametrilor sunt deplasaţi, nu<br />
sunt con<strong>si</strong>stenţi şi nu sunt eficienţi.<br />
d. Testul t statistic (Student) aplicat pentru <strong>an</strong>aliza <strong>sem</strong>nificaţiei estimatorilor nu este<br />
valid.<br />
e. Valorile t-Student calculate pentru estimarea <strong>sem</strong>nificaţiei parametrilor sunt<br />
supradimen<strong>si</strong>onate, ceea ce sugerează o <strong>sem</strong>nificaţie a parametrilor mai mare<br />
decât este în realitate.<br />
f. Abaterea st<strong>an</strong>dard a erorilor este subdimen<strong>si</strong>onată faţă de valoarea reală şi, în<br />
consecinţă, coeficientul de determinare R 2 este supradimen<strong>si</strong>onat, ceea ce indică o<br />
ajustare mai bună decât este în realitate.<br />
8.2. Testarea autocorelării erorilor<br />
Deoarece autocorelarea erorilor afectează calitatea estimatorilor, testarea – şi,<br />
dacă este cazul, atenuarea – fenomenului respectiv reprezintă un pas import<strong>an</strong>t în<br />
validarea modelului.<br />
8.2.1. Testul Durbin – Watson<br />
Testul Durbin – Watson (Durbin J., Watson G.S., 1950, 1951) este cea mai<br />
cunoscută procedură utilizată pentru identificarea autocorelării de ordinul întâi a<br />
erorilor din modelele de regre<strong>si</strong>e lineară.<br />
Statistica Durbin – Watson se calculează astfel:
n<br />
<br />
<br />
ut<br />
ut<br />
1<br />
t 2<br />
dw 7- 5<br />
n<br />
2<br />
u<br />
<br />
t 1<br />
t<br />
2<br />
unde ut sunt valorile variabilei reziduale din ecuaţia de regre<strong>si</strong>e lineară, ecuaţie<br />
estimată pornind de la datele din eş<strong>an</strong>tionul selectat.<br />
1 ˆ<br />
<br />
141<br />
Se poate demonstra că valoarea statisticii dw este aproximativ egală cu<br />
2 , unde ˆ este estimatorul coeficientului de corelaţie lineară de ordinul I,<br />
calculat astfel:<br />
că<br />
n<br />
<br />
u u<br />
ρˆ 7- 6<br />
t t 1<br />
t 2<br />
n<br />
2<br />
u<br />
t<br />
t 1<br />
Cu această notaţie, se poate scrie:<br />
1 ρˆ <br />
dw 2 <br />
7- 7<br />
Deoarece coeficientul de corelaţie ˆ poate lua valori între –1 şi +1, înseamnă<br />
<br />
dw 0,<br />
4<br />
7- 8<br />
Dacă ρˆ este zero, erorile nu sunt autocorelate şi din relaţia (7- 7) rezultă<br />
dw ≈ 2. Adică, dacă erorile et din modelul de regre<strong>si</strong>e lineară nu sunt autocorelate,<br />
atunci statistica dw se găseşte în apropierea valorii 2. De a<strong>sem</strong>enea, dacă ˆ este <strong>si</strong>tuat<br />
în apropierea valorii +1, atunci erorile sunt autocorelate pozitiv, iar din relaţia (7- 8)<br />
rezultă dw ≈ 0. Adică, dacă erorile sunt autocorelate pozitiv, atunci valoarea statisticii<br />
dw este aproape zero. Dacă ρˆ este <strong>si</strong>tuat în apropierea valorii –1, atunci erorile sunt<br />
autocorelate negativ, iar din relaţia (7- 8) se calculează dw ≈ 4. Adică, atunci când<br />
erorile sunt autocorelate negativ, valoarea statisticii dw este aproape de 4.<br />
Distribuţia statisticii dw depinde de coeficientul de corelaţie lineară de ordinul<br />
întâi ρ şi de valorile observate pentru variabilele explicative. Deşi ρ nu este cunoscut,<br />
Durbin şi Watson au demonstrat că distribuţia statisticii dw este mărginită de alte<br />
două distribuţii limitative.
142<br />
Procedura descrisă de Durbin şi Watson pentru testarea autocorelării<br />
erorilor în modelul AR(1) de tipul<br />
Y a a X<br />
e<br />
este următoarea:<br />
t<br />
t<br />
0<br />
ρe<br />
t1<br />
1<br />
ε<br />
1t<br />
t<br />
a<br />
2<br />
X<br />
2t<br />
... a<br />
k<br />
X<br />
kt<br />
e , t 1,<br />
n<br />
1. Se estimează modelul (7- 9) prin metoda celor mai mici pătrate şi se<br />
calculează estimatorii ut pentru erorile et.<br />
2. Se calculează statistica (7- 5)<br />
dw<br />
n<br />
<br />
t<br />
t 2<br />
n<br />
<br />
u<br />
<br />
t 1<br />
u<br />
u<br />
2<br />
t 1<br />
2<br />
t<br />
3a. Pentru a testa ipoteza H0: ρ = 0 (lipsa autocorelării erorilor), contra ipotezei<br />
alternative H1: ρ ≠ 0 (prezenţa fenomenului de autocorelare a erorilor) se<br />
aplică testul Durbin – Watson bilateral. Din tabelele testului bilateral Durbin –<br />
Watson se selectează (pornind de la nivelul de <strong>sem</strong>nificaţie ales – de obicei,<br />
0.05 sau 0.01), valorile critice dL şi dU, pentru k – numărul de variabile<br />
explicative din model şi n – dimen<strong>si</strong>unea eş<strong>an</strong>tionului.<br />
– Se acceptă ipoteza H0 – lipsa autocorelării de ordinul I, dacă<br />
dU ≤ dw ≤ 4 – dU<br />
– Se respinge H0 dacă dw ≤ dL sau dw ≥ 4 – dU.<br />
t<br />
7- 9<br />
– Dacă dL ≤ dw ≤ dU sau 4 – dU ≤ dw ≤ 4 – dL, testul este neconcludent.<br />
Grafic, <strong>si</strong>tuaţiile care pot să apară atunci când valoarea calculată a<br />
statisticii dw se găseşte în diferite puncte de pe dreapta [0, 4] sunt descrise în<br />
diagrama din figura 7-1.<br />
0 dL dU 2 4-dU 4-dL 4<br />
Se respinge<br />
H0: erorile<br />
sunt<br />
autocorelate<br />
Testul nu<br />
este<br />
concludent<br />
Se acceptă H0:<br />
erorile nu sunt<br />
autocorelate<br />
Testul nu<br />
este<br />
concludent<br />
Se respinge<br />
H0: erorile<br />
sunt<br />
autocorelate<br />
Figura 7-1: Testul bilateral Durbin – Watson pentru autocorelarea erorilor
3b. Pentru a testa ipoteza H0: ρ = 0, contra ipotezei alternative H1: ρ > 0 (H1<br />
143<br />
înseamnă, în acest caz, autocorelare pozitivă a erorilor) se aplică testul<br />
Durbin – Watson unilateral. Din tabelele testului unilateral Durbin – Watson<br />
se selectează (pornind de la nivelul de <strong>sem</strong>nificaţie ales), valorile critice dL şi<br />
dU, pentru k – numărul de variabile explicative din model şi n – dimen<strong>si</strong>unea<br />
eş<strong>an</strong>tionului.<br />
– Se acceptă H1 (autocorelare pozitivă) dacă dw ≤ dL.<br />
– Dacă dw ≥ dU, se respinge ipoteza autocorelării pozitive a erorilor (ipoteza<br />
H0 este acceptată).<br />
– Dacă dL < dw < dU testul este neconcludent.<br />
Grafic, <strong>si</strong>tuaţiile care pot să apară atunci când valoarea calculată a<br />
statisticii dw se găseşte în diferite puncte de pe dreapta [0, 4] sunt descrise în<br />
diagrama din figura 7-2.<br />
0 dL dU 2 4<br />
Se respinge H0: erorile<br />
sunt autocorelate<br />
pozitiv<br />
Testul nu este<br />
concludent<br />
Se acceptă H0: erorile<br />
nu sunt autocorelate<br />
pozitiv<br />
Figura 7-2: Testul unilateral Durbin – Watson pentru autocorelarea pozitivă a erorilor<br />
3c. Pentru a testa ipoteza H0: ρ = 0, contra ipotezei alternative H1: ρ < 0 (H1<br />
înseamnă, în acest caz, autocorelare negativă a erorilor) se aplică, la fel, testul<br />
Durbin – Watson unilateral. Din tabelele testului unilateral Durbin – Watson<br />
se selectează (pornind de la nivelul de <strong>sem</strong>nificaţie ales), valorile critice dL şi<br />
dU, pentru k – numărul de variabile explicative din model şi n – dimen<strong>si</strong>unea<br />
eş<strong>an</strong>tionului.<br />
– Se acceptă H1 (autocorelare negativă a erorilor) dacă<br />
– Dacă<br />
dw ≥ 4 – dL.<br />
dw ≤ 4 – dU,<br />
se respinge ipoteza autocorelării negative a erorilor (se acceptă H0)<br />
– Dacă<br />
4 – dU < dw < 4 – dL,<br />
testul este neconcludent.
144<br />
Grafic, <strong>si</strong>tuaţiile care pot să apară atunci când valoarea calculată a<br />
statisticii dw se găseşte în diferite puncte de pe dreapta [0, 4] sunt descrise în<br />
diagrama din figura 7-3.<br />
0 2 4-dU 4-dL 4<br />
Se acceptă H0:<br />
erorile nu sunt<br />
autocorelate negativ<br />
Testul nu este<br />
concludent<br />
Se respinge H0:<br />
erorile sunt<br />
autocorelate<br />
negativ<br />
Figura 7-3: Testul unilateral Durbin – Watson pentru autocorelarea negativă a erorilor<br />
Existenţa zonelor în care testul Durbin – Watson nu este concludent este<br />
explicată prin faptul că nu se poate construi o distribuţie exactă pentru statistica dw în<br />
cazul selecţiilor de volum redus. De altfel, prin <strong>an</strong>aliza valorilor critice din tabelele<br />
Durbin – Watson se observă că diferenţa dintre valorile dL şi dU se reduce pe măsură<br />
ce volumul eş<strong>an</strong>tionului creşte.<br />
Există două principale dezav<strong>an</strong>taje ale testului Durbin – Watson. În primul<br />
rând, testul se aplică doar pentru identificarea autocorelării de ordinul I. Adică, testul<br />
DW nu depistează, de exemplu, fenomenul de sezonalitate, de tipul et = ρet-4 + εt,<br />
fenomen des întâlnit în economie.<br />
Un alt dezav<strong>an</strong>taj al testului Durbin – Watson constă în faptul că rezultatele ar<br />
putea fi eronate dacă se aplică pentru modelele care conţin variabile decalate în timp.<br />
Se poate demonstra, de exemplu, că statistica dw este un estimator deplasat atunci<br />
când printre variabilele explicative din model este inclusă variabila dependentă cu<br />
întârziere de un pas. Pentru a evita acest dezav<strong>an</strong>taj, Durbin a construit un alt test<br />
(Durbin J., 1970). Testul statistic h – Durbin se calculează astfel:<br />
dw <br />
h 1 <br />
2 <br />
n<br />
1<br />
ns<br />
unde dw este valoarea statisticii Durbin – Watson,<br />
2<br />
a<br />
2<br />
s a este estimatorul disper<strong>si</strong>ei<br />
calculat pentru parametrul corespunzător variabilei decalate cu un pas, iar n este<br />
dimen<strong>si</strong>unea eş<strong>an</strong>tionului. Durbin demonstrează că, pentru eş<strong>an</strong>tio<strong>an</strong>e de dimen<strong>si</strong>uni<br />
mari, statistica h urmează o distribuţie normală st<strong>an</strong>dard.
Testul h – Durbin are un dezav<strong>an</strong>taj major: nu poate fi aplicat atunci când<br />
145<br />
n· 2<br />
s a este mai mare decât 1 (expre<strong>si</strong>a de sub radical din ecuaţia devine negativă).<br />
Pentru această <strong>si</strong>tuaţie, Durbin a propus o procedură alternativă. Astfel, se calculează<br />
prin metoda celor mai mici pătrate modelul<br />
Y e<br />
t a0<br />
a1X1t<br />
a2Yt<br />
1<br />
şi se determină reziduurile ut. Se estimează apoi ecuaţia<br />
u α ρu<br />
βY<br />
γX<br />
v ,<br />
t<br />
t<br />
1<br />
t<br />
t<br />
t<br />
unde α, β, γ şi ρ sunt parametrii modelului, iar eroarea vt este o variabilă aleatoare<br />
care respectă ipotezele obişnuite (normal distribuită, de medie zero şi disper<strong>si</strong>e<br />
const<strong>an</strong>tă, valorile nu sunt autocorelate).<br />
t<br />
În continuare se testează <strong>sem</strong>nificaţia parametrului ρ (se aplică testul<br />
t-Student). Dacă se admite ipoteza nulă H0: ρ nu diferă <strong>sem</strong>nificativ de zero, atunci se<br />
admite ipoteza absenţei fenomenului de autocorelare a erorilor. Dacă H0 este respinsă<br />
atunci există o autocorelare de ordinul I a erorilor.<br />
Procedurile dezvoltate de Durbin şi Durbin – Watson se aplică doar pentru<br />
testarea autocorelării de ordinul I.<br />
, cu media zero), lipsa heteroscedasticităţii şi a autocorelării.<br />
3. Se rezolvă ecuaţia de regre<strong>si</strong>e (Error! Reference source not found.) şi se<br />
calculează<br />
(n - p)R 2<br />
unde R 2 este coeficientul de determinare multiplă. Dacă<br />
2 2<br />
n pR<br />
χ α 7- 10<br />
atunci se respinge ipoteza nulă<br />
p<br />
H0 : 1 2<br />
3<br />
p<br />
0<br />
şi se admite ipoteza alternativă:<br />
H1: cel puţin un parametru ρi este <strong>sem</strong>nificativ diferit de zero,<br />
ceea ce înseamnă că erorile sunt autocorelate.<br />
Pentru estimarea modelului (Error! Reference source not found.) sunt<br />
disponibile doar n-p din cele n valori ale fiecărei variabile din eş<strong>an</strong>tion. Numărul total
146<br />
de parametri estimaţi este k + p. De aceea, în stabilirea dimen<strong>si</strong>unii eş<strong>an</strong>tionului<br />
este necesar ca n - p să fie mai mare decât k + p. Adică, este necesar ca n > k + 2p.<br />
În alegerea ordinului p al procesului autoregre<strong>si</strong>v AR(p) se porneşte de la<br />
<strong>an</strong>aliza economică şi statistică a datelor disponibile. În detaliu, această problemă este<br />
studiată în modelele de tip Box-Jenkins privind seriile de timp.<br />
8.3. Metoda celor mai mici pătrate generalizată<br />
Metoda celor mai mici pătrate generalizată urmăreşte obţinerea unor<br />
estimatori eficienţi pentru parametrii modelului, ţinând seama de informaţiile care pot<br />
fi oferite de matricea V (vari<strong>an</strong>ţă – covari<strong>an</strong>ţă) a erorilor. Se poate demonstra că dacă<br />
matricea V este pozitiv definită, atunci vectorul estimatorilor este dat de relaţia:<br />
Y<br />
1<br />
A X'V<br />
X X'V<br />
~ 1<br />
1<br />
7- 11<br />
Estimatorul à este nedeplasat, con<strong>si</strong>stent şi eficient.<br />
astfel:<br />
Matricea vari<strong>an</strong>ţă – covari<strong>an</strong>ţă a estimatorilor se calculează, în această <strong>si</strong>tuaţie<br />
Var<br />
1<br />
A ~<br />
A ~ <br />
2 1<br />
<br />
M A A σe<br />
X'V<br />
X<br />
7- 12<br />
A ~<br />
<br />
Dacă erorile nu sunt heteroscedastice şi nu sunt autocorelate, atunci V = I şi<br />
din relaţia (7- 11) se deduce à = Â, unde  reprezintă vectorul estimatorilor calculat<br />
prin metoda obişnuită a celor mai mici pătrate. De a<strong>sem</strong>enea, din relaţia (7- 12) se<br />
obţine, pentru V = I, Var(Ã) = Var(Â).<br />
Un estimator nedeplasat al disper<strong>si</strong>ei erorilor se calculează astfel:<br />
s<br />
2<br />
u<br />
<br />
1<br />
1<br />
u'V<br />
u<br />
7- 13<br />
n k 1<br />
unde u este vectorul variabilei reziduale, n – dimen<strong>si</strong>unea eş<strong>an</strong>tionului, iar k –<br />
numărul variabilelor explicative din model. Un estimator nedeplasat al matricei de<br />
vari<strong>an</strong>ţă – covari<strong>an</strong>ţă a estimatorilor se determină pornind de la ecuaţiile (7- 12) şi (7-<br />
13):<br />
1<br />
1<br />
1<br />
1<br />
A u'V<br />
u X'V<br />
X<br />
~<br />
<br />
<br />
~ <br />
V ar 7- 14<br />
n k 1
Pentru aplicarea metodei generalizate a celor mai mici pătrate este<br />
necesară estimarea matricei V. Deoarece V este o matrice <strong>si</strong>metrică de dimen<strong>si</strong>une<br />
nn rezultă că pentru estimarea matricei Vn,n, este necesar să se determine<br />
147<br />
n 1<br />
n <br />
2<br />
elemente. Or, dimen<strong>si</strong>unea eş<strong>an</strong>tionului este n, ceea ce înseamnă că este impo<strong>si</strong>bil ca<br />
toate elementele matricei V să fie estimate pe baza datelor de selecţie. De aceea, sunt<br />
cunoscute mai multe metode care oferă estimatori a<strong>si</strong>mptotic con<strong>si</strong>stenţi, sau aproape<br />
con<strong>si</strong>stenţi ai matricei V. În consecinţă, atunci când nu se cunoaşte un estimator<br />
nedeplasat şi con<strong>si</strong>stent al matricei V, estimatorii construiţi pe baza metodei<br />
generalizate a celor mai mici pătrate pierd proprietăţile de a nu fi deplasaţi. Cu toate<br />
acestea, pentru selecţii de volum mare, estimatorii vor păstra proprietăţi <strong>si</strong>milare celor<br />
gar<strong>an</strong>tate pentru estimatorii matricei V: vor fi a<strong>si</strong>mptotic con<strong>si</strong>stenţi sau aproape<br />
con<strong>si</strong>stenţi.<br />
8.4. Aplicaţii – testarea fenomenului de autocorelare a<br />
erorilor<br />
8.4.1. Aplicarea testului Durbin – Watson<br />
Modelul linear unifactorial<br />
Pentru exemplificarea procedurii de identificare a fenomenului de autocorelare<br />
a erorilor prin testul Durbin – Watson <strong>an</strong>alizăm legătura dintre veniturile populaţiei şi<br />
volumul economiilor. Datele înregistrate pentru 20 momente diferite de timp sunt<br />
prezentate în tabelul 2-1 şi sunt reluate în tabelul 7-1.<br />
Tabelul 7-1: Autocorelarea erorilor: evoluţia veniturilor populaţiei (X) şi a volumului<br />
economiilor (Y)<br />
t Xt Yt t Xt Yt<br />
1 100 20 11 180 45<br />
2 110 25 12 185 50<br />
3 120 28 13 190 47<br />
4 125 30 14 200 48
148<br />
t Xt Yt t Xt Yt<br />
5 130 33 15 205 52<br />
6 140 35 16 210 58<br />
7 150 36 17 215 54<br />
8 155 42 18 220 55<br />
9 170 44 19 220 58<br />
10 170 42 20 225 60<br />
Modelul unifactorial de regre<strong>si</strong>e lineară este descris prin ecuaţia următoare:<br />
Yt = a0 + a1Xt + et, t = 1, 2, …, 20 7- 15<br />
unde Xt reprezintă veniturile populaţiei, iar Yt – volumul economiilor.<br />
Estimatorii ecuaţiei (7- 15), calculaţi prin metoda celor mai mici pătrate, sunt<br />
prezentaţi în ecuaţia următoare:<br />
Ŷt = -6.40793 + 0.28952∙Xt.<br />
Calculele pentru testarea autocorelării erorilor (testul Durbin-Watson) sunt<br />
prezentate în tabelul 7-2.<br />
Tabelul 7-2: Calculele de bază pentru aplicarea testului Durbin – Watson, modelul<br />
unifactorial<br />
t Xt Yt Ŷt ut<br />
2<br />
u (ut – ut-1)<br />
t<br />
2<br />
1 100 20 22.5441 -2.5441 6.4723 –<br />
2 110 25 25.4393 -0.4393 0.1930 4.4302<br />
3 120 28 28.3345 -0.3345 0.1119 0.0110<br />
4 125 30 29.7821 0.2179 0.0475 0.3051<br />
5 130 33 31.2297 1.7703 3.1340 2.4099<br />
6 140 35 34.1249 0.8751 0.7658 0.8014<br />
7 150 36 37.0201 -1.0201 1.0406 3.5918<br />
8 155 42 38.4677 3.5323 12.4773 20.7243<br />
9 170 44 42.8105 1.1895 1.4150 5.4887<br />
10 170 42 42.8105 -0.8105 0.6569 4.0000<br />
11 180 45 45.7057 -0.7057 0.4980 0.0110
t Xt Yt Ŷt ut<br />
2<br />
u (ut – ut-1)<br />
t<br />
2<br />
12 185 50 47.1533 2.8467 8.1038 12.6195<br />
13 190 47 48.6009 -1.6009 2.5628 19.7811<br />
14 200 48 51.4961 -3.4961 12.2226 3.5918<br />
15 205 52 52.9437 -0.9437 0.8905 6.5147<br />
16 210 58 54.3913 3.6087 13.0228 20.7243<br />
17 215 54 55.8389 -1.8389 3.3815 29.6764<br />
18 220 55 57.2865 -2.2865 5.2280 0.2003<br />
19 220 58 57.2865 0.7135 0.5091 9.0000<br />
20 225 60 58.7341 1.2659 1.6025 0.3051<br />
∑ 3420 862 862.0000 0.0000 74.3359 144.1869<br />
Potrivit testului Durbin – Watson, se calculează statistica dw:<br />
n<br />
<br />
t<br />
t2<br />
dw n<br />
u u <br />
<br />
t1<br />
u<br />
2<br />
t<br />
t1<br />
2<br />
144.<br />
1869<br />
<br />
74.<br />
3359<br />
1.<br />
94<br />
149<br />
Deoarece dw < 2, înseamnă că nu există riscul unei autocorelări negative,<br />
astfel încât, în a<strong>sem</strong>enea <strong>si</strong>tuaţii se justifică testul unilateral Durbin – Watson pentru<br />
autocorelarea pozitivă a erorilor: se acceptă ipoteza lipsei de autocorelare a erorilor<br />
dacă dw > dU. Pentru testul unilateral valorile din tabelul Durbin-Watson, în cazul<br />
k = 1 şi n = 20 sunt: dL = 1.20 şi dU = 1.41. Deoarece dw = 1.94 > 1.41 = dU se<br />
acceptă ipoteza nulă, H0: lipsa autocorelării de ordinul I al erorilor.<br />
Modelul linear multifactorial<br />
Pentru testarea prezenţei fenomenului de autocorelare de gradul I a erorilor în<br />
cazul unui model multifactorial de regre<strong>si</strong>e lineară este <strong>an</strong>alizat următorul exemplu<br />
numeric.<br />
Să presupunem că printr-o cercetare selectivă s-au obţinut datele prezentate în<br />
tabelul 7-3 privind dinamica veniturilor populaţiei (X1t), evoluţia ratei reale a<br />
dobânzii pa<strong>si</strong>ve (X2t) şi dinamica depozitelor b<strong>an</strong>care (Yt) în 25 intervale succe<strong>si</strong>ve<br />
de timp (datele reprezintă modificările procentuale ale variabilelor <strong>an</strong>alizate şi sunt
150<br />
preluate din tabelul 2-2). Admitem ipoteza că dinamica depozitelor b<strong>an</strong>care<br />
depinde linear de dinamica veniturilor şi de evoluţia ratei reale a dobânzii pa<strong>si</strong>ve,<br />
astfel încât modelul econometric, construit pe baza acestor ipoteze este:<br />
Yt = a0 + a1X1t + a2X2t + et,<br />
Modelul a fost calculat prin metoda celor mai mici pătrate şi au fost<br />
determinate următoarele valori ale estimatorilor Â:<br />
În aceste condiţii:<br />
 = (X'X)-1X'Y =<br />
3.<br />
78693<br />
<br />
0.<br />
75722 <br />
<br />
0.<br />
860999 <br />
Ŷt = -3.78693 + 0.75722∙X1t + 0.860999∙X2t.<br />
pentru t = 1, 2, …, 25 şi ut = Yt – Ŷt.<br />
Tabelul 7-3: Calculele de bază pentru aplicarea testului Durbin – Watson, modelul<br />
multifactorial<br />
t X1t X2t Yt Ŷt ut ut 2 (ut-ut-1) 2<br />
1 0.5 4.1 0.3 0.1218 0.1782 0.0318 –<br />
2 1.0 4.2 0.8 0.5865 0.2135 0.0456 0.0012<br />
3 1.2 4.0 0.3 0.5657 -0.2657 0.0706 0.2297<br />
4 -0.3 4.1 -0.5 -0.4840 -0.0160 0.0003 0.0624<br />
5 2.1 3.8 0.8 1.0750 -0.2750 0.0756 0.0671<br />
6 2.3 4.2 1.4 1.5709 -0.1709 0.0292 0.0108<br />
7 1.2 3.8 0.2 0.3935 -0.1935 0.0375 0.0005<br />
8 1.0 3.9 0.7 0.3282 0.3718 0.1382 0.3196<br />
9 0.8 3.9 0.0 0.1767 -0.1767 0.0312 0.3009<br />
10 0.0 3.8 -0.7 -0.5151 -0.1849 0.0342 0.0001<br />
11 -0.6 3.8 -1.0 -0.9695 -0.0305 0.0009 0.0238<br />
12 2.2 3.8 1.3 1.1507 0.1493 0.0223 0.0323<br />
13 1.4 4.2 1.0 0.8894 0.1106 0.0122 0.0015<br />
14 2.0 3.9 1.2 1.0854 0.1146 0.0131 0.0000<br />
15 2.3 4.2 1.7 1.5709 0.1291 0.0167 0.0002
t X1t X2t Yt Ŷt ut ut 2 (ut-ut-1) 2<br />
16 1.1 3.8 0.4 0.3178 0.0822 0.0068 0.0022<br />
17 0.8 3.9 0.6 0.1767 0.4233 0.1791 0.1163<br />
18 -0.5 4.1 -0.9 -0.6354 -0.2646 0.0700 0.4731<br />
19 -1.4 3.9 -1.4 -1.4891 0.0891 0.0079 0.1251<br />
20 0.2 4.1 -0.2 -0.1054 -0.0946 0.0090 0.0338<br />
21 1.8 4.2 1.5 1.1923 0.3077 0.0947 0.1619<br />
22 2.2 3.8 0.9 1.1507 -0.2507 0.0629 0.3119<br />
23 2.1 4.1 1.0 1.3333 -0.3333 0.1111 0.0068<br />
24 1.5 4.2 0.7 0.9651 -0.2651 0.0703 0.0047<br />
25 1.8 3.8 1.2 0.8479 0.3521 0.1240 0.3810<br />
∑ 26.7 99.6 11.3 11.3 0.0000 1.2952 2.6669<br />
Potrivit testului Durbin – Watson, se calculează pe baza relaţiei statistica dw:<br />
n<br />
<br />
<br />
u<br />
t<br />
t2<br />
dw n<br />
<br />
t1<br />
u<br />
u<br />
2<br />
t<br />
t1<br />
2<br />
2.<br />
6669<br />
<br />
1.<br />
2952<br />
2.<br />
059<br />
151<br />
La fel ca în cazul modelului unifactorial de regre<strong>si</strong>e lineară, pentru a testa<br />
ipoteza H0: ρ = 0 (lipsa autocorelării erorilor), contra ipotezei alternative H1: ρ ≠ 0<br />
(prezenţa fenomenului de autocorelare a erorilor) se aplică testul Durbin – Watson<br />
unilateral. Din tabelele testului bilateral Durbin – Watson, pentru un nivel de<br />
<strong>sem</strong>nificaţie ales la 5%, volumul eş<strong>an</strong>tionului n = 25 şi numărul de variabile<br />
explicative din model k = 2, se identifică valorile critice dL = 1.21 şi dU = 1.55.<br />
Deoarece dw = 2.059 se găseşte între dU = 1.55 şi 4 – dU = 2.45, se acceptă ipoteza<br />
nulă, H0: lipsa autocorelării de ordinul I al erorilor.
9. TESTAREA NORMALITĂŢII ERORILOR<br />
Normalitatea distribuţiei erorilor reprezintă o condiţie esenţială pentru<br />
evaluarea calităţii estimatorilor calculaţi prin metoda celor mai mici pătrate, în cazul<br />
modelelor lineare de regre<strong>si</strong>e. Aceasta deoarece majoritatea rezultatelor referitoare la<br />
regre<strong>si</strong>a lineară au fost dezvoltate pornind de la ipoteza normalităţii distribuţiei<br />
erorilor.<br />
9.1. Consecinţe ale nerespectării ipotezei de normalitate a<br />
erorilor<br />
Dacă erorile din modelul linear de regre<strong>si</strong>e nu sunt repartizate normal,<br />
estimatorii calculaţi prin metoda celor mai mici pătrate nu sunt estimatori de maximă<br />
vero<strong>si</strong>militate. De a<strong>sem</strong>enea, estimatorii nu vor urma o lege de distribuţie normală,<br />
deci testele de <strong>sem</strong>nificaţie prezentate, bazate pe statistica t-Student nu sunt valide.<br />
Aceasta deoarece, prin definiţie, statistica t-Student se construieşte prin raportarea<br />
estimatorului – ca variabilă aleatoare repartizată normal la radical dintr-o variabilă<br />
aleatoare repartizată χ 2 , divizată prin numărul gradelor de independenţă.<br />
Mai mult, testele uzuale privind heteroscedasticitatea erorilor nu sunt valide,<br />
deoarece pornesc de la aceeaşi ipoteză. În schimb, estimatorii rămân nedeplasaţi,<br />
deoarece în demonstrarea proprietăţii respective nu a fost utilizată ipoteza de<br />
normalitate a erorilor. În <strong>si</strong>nteză, consecinţele nerespectării ipotezei de normalitate<br />
sunt următoarele:
Consecinţe ale nerespectării ipotezei de normalitate a erorilor<br />
a. Estimatorii parametrilor din model sunt nedeplasaţi şi con<strong>si</strong>stenţi.<br />
b. Estimatorii parametrilor din model nu sunt eficienţi.<br />
c. Estimatorii parametrilor din model nu au proprietatea de maximă vero<strong>si</strong>militate.<br />
d. Testul t statistic (Student) aplicat pentru <strong>an</strong>aliza <strong>sem</strong>nificaţiei estimatorilor nu este<br />
valid.<br />
9.2. Testul Jarque-Bera<br />
153<br />
Unul dintre cele mai cunoscute teste privind normalitatea erorilor este testul<br />
Jarque-Bera, test care foloseşte momentele centrate ale reziduurilor pentru a estima<br />
distribuţia erorilor. Theil (1971) a demonstrat că dacă elementele vectorului  sunt<br />
estimatori con<strong>si</strong>stenţi ai parametrilor ecuaţiei de regre<strong>si</strong>e lineară, atunci un estimator<br />
nedeplasat pentru momentul centrat de ordinul r al erorilor, construit pornind de la<br />
reziduurile din ecuaţia de regre<strong>si</strong>e este μr, calculat astfel:<br />
μ<br />
r<br />
<br />
n<br />
<br />
t1<br />
n<br />
u<br />
r<br />
t<br />
Pentru <strong>an</strong>aliza normalităţii în cazul distribuţiei erorilor este utilizat testul<br />
Jarque-Bera aplicat asupra reziduurilor din ecuaţia de regre<strong>si</strong>e. Se porneşte de la<br />
observaţia că pentru distribuţia normală, a<strong>si</strong>metria S (skewness) este zero, iar<br />
coeficientul de aplatizare este 3.<br />
În forma consacrată a testului Jarque-Bera (Bera A, Jarque C., 1981 şi 1982) 56<br />
se utilizează coeficientul de a<strong>si</strong>metrie (S) calculat astfel:<br />
2<br />
S <br />
μ<br />
μ<br />
2<br />
3<br />
3<br />
2<br />
56 Bera A., Jarque C., 1981, Efficient Tests for Normality, Heteroscedasticity, <strong>an</strong>d Serial Independence<br />
of Regres<strong>si</strong>on Re<strong>si</strong>duals: monte Carlo Evidence, în Economics Letters, 7, pp. 313-318 şi Bera A.,<br />
Jarque C., 1982, Model Specification Tests: A Simult<strong>an</strong>eous Approach, în Journal of Econometrics, 20,<br />
pp. 59-82
şi coeficientul de aplatizare K (kurto<strong>si</strong>s) determinat pe baza relaţiei:<br />
μ<br />
K <br />
μ<br />
4<br />
2<br />
2<br />
Testul Jarque-Bera porneşte de la statistica:<br />
2 K 3<br />
<br />
<br />
2 S <br />
JB n<br />
<br />
6 24<br />
Ipoteza nulă se formulează astfel:<br />
H0: S = 0 şi K = 3,<br />
(parametrul S este comparat cu zero, iar coeficientul de aplatizare este comparat cu 3).<br />
Sub ipoteza nulă, statistica JB urmează o distribuţie χ 2 cu două grade de libertate.<br />
Dacă<br />
JB < χ 2 (2),<br />
atunci, sub presupunerea că toate celelalte ipoteze specifice modelului de regre<strong>si</strong>e<br />
lineară sunt respectate, ipoteza nulă<br />
H0: S = 0 şi K = 3<br />
nu este respinsă, pentru un prag de <strong>sem</strong>nificaţie α.<br />
Pentru reziduurile din ecuaţia de regre<strong>si</strong>e, statistica JB se construieşte pornind<br />
de la următoarele calcule 57 :<br />
respectiv<br />
8- 1<br />
n <br />
1 3 <br />
<br />
u<br />
t <br />
n t1<br />
<br />
S <br />
8- 2<br />
3<br />
n<br />
1 2 2<br />
<br />
u<br />
t <br />
<br />
n t1<br />
<br />
n<br />
1 <br />
4 <br />
u<br />
t <br />
n t 1<br />
K <br />
<br />
8- 3<br />
n<br />
2<br />
1 <br />
2<br />
<br />
u<br />
t <br />
<br />
n t 1<br />
<br />
57 Sp<strong>an</strong>os A., 1986, Statistical foundations of econometric modelling, Cambridge Univer<strong>si</strong>ty Press,<br />
pag.454-455.
155<br />
În aplicarea statisticii JB trebuie să se ţină seama de faptul că testele de acest<br />
tip sunt a<strong>si</strong>mptotice, astfel încât interpretarea rezultatelor are sens doar pentru<br />
dimen<strong>si</strong>uni mari ale eş<strong>an</strong>tionului.<br />
9.3. Atenuarea consecinţelor non-normalităţii distribuţiei<br />
erorilor<br />
Se demonstrează 58 că testele bazate pe parametrii S şi K sunt foarte sen<strong>si</strong>bile<br />
la prezenţă punctelor aber<strong>an</strong>te (outliers). De aceea, prima reacţie la respingerea<br />
statistică a ipotezei nule (normalitatea distribuţiei) ar trebui să fie căutarea în seriile de<br />
date a unor a<strong>sem</strong>enea valori. Dacă non-normalitatea aparentă este datorată existenţei<br />
punctelor de acest tip, atunci problema se rezolvă prin explicarea prezenţei punctelor<br />
respective.<br />
Atunci când ipoteza de normalitate a distribuţiei erorilor este invalidată, de<br />
obicei se aplică <strong>an</strong>umite tehnici de tr<strong>an</strong>sformare a seriilor de date Yt şi/sau Xt.<br />
Cea mai utilizată tr<strong>an</strong>sformare în modelarea econometrică este cea<br />
logaritmică. Pe lângă obţinerea normalităţii erorilor, tr<strong>an</strong>sformarea prin logaritmare în<br />
baza e poate duce la stabilizarea disper<strong>si</strong>ei în cazul prezenţei fenomenului de<br />
heteroscedasticitate a erorilor. De a<strong>sem</strong>enea, printr-o tr<strong>an</strong>sformare de acest tip pot fi<br />
definite <strong>an</strong>umite concepte economice, aşa cum sunt ritmul de creştere, sau<br />
elasticitatea.<br />
Cea mai cunoscută aplicaţie de acest tip este aproximarea ritmului de creştere<br />
prin diferenţă de logaritmi naturali 59 :<br />
ln X<br />
t<br />
1<br />
ln X<br />
t<br />
Xt<br />
ln<br />
X<br />
1<br />
t<br />
ln( 1<br />
r)<br />
r ,<br />
adică, r – ritmul de creştere a unei variabile poate fi aproximat prin diferenţa de<br />
logaritmi naturali calculaţi pentru variabila respectivă.<br />
58 Jula D., 2003, Introducere în econometrie, Editura Profes<strong>si</strong>onal Consulting, Bucureşti, pag. 211-213<br />
59 Ecuaţia prezentată se bazează pe relaţia: dacă r este relativ mic, atunci (1 + r) t ≈ e rt .
9.4. Exemple de calcul<br />
9.4.1. Modelul linear unifactorial<br />
Pentru modelul linear unifactorial descris în capitolul II, calculele elementelor<br />
necesare pentru testarea normalităţii distribuţiei erorilor se bazează pe elementele<br />
prezentate în tabelul 8-1.<br />
Tabelul 8-1: Elemente de bază pentru calculul normalităţii erorilor în modelul linear<br />
unifactorial<br />
t ut 2<br />
u<br />
t<br />
1 -2.5441 6.4723 -16.4661 41.8909<br />
2 -0.4393 0.1930 -0.0848 0.0372<br />
3 -0.3345 0.1119 -0.0374 0.0125<br />
4 0.2179 0.0475 0.0103 0.0023<br />
5 1.7703 3.1340 5.5483 9.8222<br />
6 0.8751 0.7658 0.6702 0.5865<br />
7 -1.0201 1.0406 -1.0615 1.0828<br />
8 3.5323 12.4773 44.0738 155.6829<br />
9 1.1895 1.4150 1.6831 2.0021<br />
10 -0.8105 0.6569 -0.5324 0.4315<br />
11 -0.7057 0.4980 -0.3514 0.2480<br />
12 2.8467 8.1038 23.0693 65.6717<br />
13 -1.6009 2.5628 -4.1028 6.5681<br />
14 -3.4961 12.2226 -42.7312 149.3917<br />
15 -0.9437 0.8905 -0.8404 0.7931<br />
16 3.6087 13.0228 46.9957 169.5943<br />
17 -1.8389 3.3815 -6.2182 11.4345<br />
18 -2.2865 5.2280 -11.9538 27.3321<br />
19 0.7135 0.5091 0.3633 0.2592<br />
20 1.2659 1.6025 2.0287 2.5681<br />
3<br />
u t<br />
4<br />
u t
t ut 2<br />
u<br />
t<br />
Suma 0.0000 74.3359 40.0629 645.4116<br />
Pe baza datelor din tabel se calculează coeficientul de a<strong>si</strong>metrie S:<br />
n <br />
1<br />
<br />
3 <br />
u <br />
t<br />
<br />
n t 1<br />
S<br />
<br />
<br />
<br />
<br />
3 <br />
<br />
n<br />
1 2 2 <br />
<br />
u<br />
t <br />
n<br />
<br />
<br />
t1<br />
<br />
2.<br />
003145<br />
<br />
3.<br />
716795<br />
3<br />
2<br />
1<br />
20<br />
0.<br />
2795<br />
1<br />
20<br />
De a<strong>sem</strong>enea, se calculează parametrul K:<br />
<br />
<br />
40.<br />
0629<br />
74.<br />
3359<br />
n<br />
1 4 <br />
1 u<br />
t 645.<br />
4116<br />
n<br />
K t1<br />
<br />
20<br />
n<br />
2 <br />
1 2 <br />
1 <br />
<br />
u<br />
74.<br />
3359<br />
t <br />
<br />
<br />
n t1<br />
<br />
<br />
20 <br />
32.<br />
2706 32.<br />
2706<br />
2.<br />
3360<br />
2<br />
3.<br />
7168 13.<br />
8146<br />
<br />
<br />
<br />
3<br />
2<br />
2<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
Pornind de la aceste elemente, statistica Jarque-Bera se calculează astfel:<br />
<br />
2 S K 3<br />
JB n<br />
<br />
6 24<br />
<br />
2 0. 2795 2.<br />
3360 3<br />
20<br />
<br />
6 24<br />
20<br />
0.<br />
0130 0.<br />
0184 0.<br />
2<br />
<br />
<br />
<br />
628<br />
2<br />
<br />
<br />
<br />
3<br />
u t<br />
4<br />
u t<br />
157<br />
Din tabelul distribuţiei χ 2 cu două grade de libertate, se identifică, pentru<br />
χ 2<br />
; 0.<br />
05<br />
2 5.<br />
. Deoarece<br />
α = 0.05, 99<br />
JB χ , nu se respinge ipoteza nulă H0: S = 0 şi<br />
2<br />
2;<br />
0.<br />
05<br />
K = 3. Adică, acceptăm ipoteza distribuţiei normale a erorilor.<br />
9.4.2. Modelul linear multifactorial<br />
Pentru modelul multifactorial descris în capitolul II, calculele privind<br />
normalitatea distribuţiei erorilor se desfăşoară în mod <strong>si</strong>milar.
Tabelul 8-2: Elemente de bază pentru calculul normalităţii erorilor în modelul linear<br />
multifactorial<br />
t ut 2<br />
u<br />
t<br />
3<br />
u t<br />
4<br />
u t<br />
1 0.1782 0.0318 0.0057 0.0010<br />
2 0.2135 0.0456 0.0097 0.0021<br />
3 -0.2657 0.0706 -0.0188 0.0050<br />
4 -0.0160 0.0003 0.0000 0.0000<br />
5 -0.2750 0.0756 -0.0208 0.0057<br />
6 -0.1709 0.0292 -0.0050 0.0009<br />
7 -0.1935 0.0375 -0.0072 0.0014<br />
8 0.3718 0.1382 0.0514 0.0191<br />
9 -0.1767 0.0312 -0.0055 0.0010<br />
10 -0.1849 0.0342 -0.0063 0.0012<br />
11 -0.0305 0.0009 0.0000 0.0000<br />
12 0.1493 0.0223 0.0033 0.0005<br />
13 0.1106 0.0122 0.0014 0.0001<br />
14 0.1146 0.0131 0.0015 0.0002<br />
15 0.1291 0.0167 0.0022 0.0003<br />
16 0.0822 0.0068 0.0006 0.0000<br />
17 0.4233 0.1791 0.0758 0.0321<br />
18 -0.2646 0.0700 -0.0185 0.0049<br />
19 0.0891 0.0079 0.0007 0.0001<br />
20 -0.0946 0.0090 -0.0008 0.0001<br />
21 0.3077 0.0947 0.0291 0.0090<br />
22 -0.2507 0.0629 -0.0158 0.0040<br />
23 -0.3333 0.1111 -0.0370 0.0123<br />
24 -0.2651 0.0703 -0.0186 0.0049<br />
25 0.3521 0.1240 0.0437 0.0154<br />
∑ 0.0000 1.2952 0.0706 0.1212<br />
Pe baza acestor elemente se calculează parametrii S şi K, astfel:
n <br />
1<br />
<br />
<br />
3 <br />
u 1<br />
0.<br />
0706 <br />
t<br />
<br />
n<br />
S<br />
t1<br />
25 <br />
<br />
<br />
<br />
3 <br />
<br />
3 <br />
<br />
n<br />
1 2 1<br />
2<br />
2 <br />
<br />
<br />
u<br />
1.<br />
2952<br />
t <br />
n<br />
<br />
<br />
t 1 25 <br />
<br />
<br />
<br />
0.<br />
002824 0.<br />
002824<br />
0.<br />
2395<br />
3<br />
0.<br />
01179<br />
2 0.<br />
0518<br />
De a<strong>sem</strong>enea, se calculează parametrul K:<br />
n<br />
1 4 1 <br />
u<br />
t 0.<br />
1212 <br />
n<br />
K t1<br />
<br />
25 <br />
n<br />
2<br />
2<br />
<br />
1 2 <br />
1 <br />
<br />
u<br />
1.<br />
2952<br />
t <br />
<br />
<br />
n t1<br />
<br />
<br />
25 <br />
0.<br />
004848 0.<br />
004848<br />
1.<br />
8090<br />
2<br />
0.<br />
0518 0.<br />
00268<br />
Pornind de la aceste elemente, statistica Jarque-Bera se calculează astfel:<br />
K 3<br />
2 S <br />
JB n<br />
<br />
6 24<br />
1. 8090 3<br />
2 0. 2395 <br />
25<br />
<br />
6 24<br />
25<br />
<br />
<br />
0. 0096 0.<br />
0591<br />
1.<br />
7175<br />
2<br />
<br />
<br />
<br />
2<br />
<br />
<br />
<br />
<br />
159<br />
Din tabelul distribuţiei χ 2 cu două grade de libertate, se identifică, pentru<br />
χ 2<br />
; 0.<br />
05<br />
2 5.<br />
. Deoarece<br />
α = 0.05, 99<br />
JB χ , nu se respinge ipoteza nulă H0: S = 0 şi<br />
2<br />
2;<br />
0.<br />
05<br />
K = 3. Adică, acceptăm ipoteza distribuţiei normale a erorilor.<br />
REZUMAT<br />
Testarea <strong>sem</strong>nificaţiei estimatorilor înseamnă evaluarea riscului ca parametrii să fie<br />
zero (ipoteza nulă, notată H0) şi, alternativ, a gradului de încredere în valorile<br />
estimate, grad determinat ca fiind complementar riscului evaluat prin ipoteza nulă.<br />
Un model este cu atât mai bun cu cât explică mai mult din variaţia lui Y, pentru<br />
întreg eş<strong>an</strong>tionul <strong>an</strong>alizat. Prin urmare acurateţea ajustării testează capacitatea
modelului de a explica variaţia edogenei reprezentate de Y.<br />
Specificarea modelului multifactorial presupune <strong>an</strong>aliza admiterii în model a unor<br />
variabile suplimentare şi presupune testarea dacă prin includerea unei (unor) variabile<br />
suplimentare suma pătratelor reziduurilor scade mai repede decât numărul gradelor de<br />
libertate şi dacă din punct de vedere econometric se justifică reţinerea în model a<br />
variabilei (variabilelor) respective.<br />
Analiza erorilor specifice modelelor de regre<strong>si</strong>e presupune testarea<br />
heteroscedasticităţii, autocorelării, şi distribuţiei normale a erorilor.<br />
TERMENI-CHEIE<br />
Teste de <strong>sem</strong>nificaţie a estimatorilor<br />
Acurateţea ajustării<br />
Coeficientul de determinare<br />
Criterii de specificare a modelului multifactorial<br />
Criteriul informaţional Akaike (AIC)<br />
Criteriul informaţional Schwartz (BIC)<br />
Multicoliniaritatea<br />
Heteroscedasticitatea erorilor<br />
Atenuarea heteroscedasticităţii<br />
Testul White<br />
Autocorelarea erorilor<br />
Testul Durbin-Watson<br />
Distribuţia normală a erorilor<br />
Testul Jarque-Bera<br />
ÎNVĂȚARE NR. 2<br />
TEMA DE CONTROL A UNITĂȚII DE<br />
1. Ce se înţelege prin teste de <strong>sem</strong>nificaţie?<br />
2. Ce se înţelege prin acurateţea ajustării?<br />
3. Când se justifică introducerea în model a unei variabile suplimentare?<br />
4. Ce se înţelege prin heteroscedasticitatea erorilor?
5. Care sunt av<strong>an</strong>tajele care derivă din distribuţia normală a erorilor?<br />
6. De ce este de dorit evitarea autocorelării erorilor?<br />
Testul de autoevaluare nr. 2<br />
1. Disper<strong>si</strong>a estimatorilor este:<br />
a) o măsură a tendinţei centrale<br />
b) o măsură a variaţiei<br />
Barem<br />
Acordat/Realizat<br />
c) o măsură a încrederii în coeficienţii ecuaţiei de regre<strong>si</strong>e<br />
Argumentaţi răspunsul<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
.....................<br />
2 pct/........<br />
2. Pentru specificarea modelului multifactorial se utilizeaza :<br />
a) criterul informational Akaike<br />
b) testul White<br />
c) testul Durbin-W<strong>an</strong>tson<br />
d) testul Jaques-Bera<br />
Argumentaţi răspunsul<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
161
..........................................................................................................................................<br />
..........................................................................................................................................<br />
.....................<br />
1pct/........<br />
4. Ce se inţelege prin multicoliniaritate?<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
.....................<br />
5. Ce se inţelege prin autocorelarea erorilor?<br />
2 pct/........<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
.....................<br />
6. Ce se inţelege prin coeficientul de determinare corectat ?<br />
2 pct/........<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
.....................<br />
2 pct/........
Se acorda 1 pct. din oficiu. Total.....<br />
163<br />
BIBLIOGRAFIA SPECIFICĂ UNITĂȚII DE<br />
ÎNVĂȚARE NR. 2<br />
Ailenei D., 1999, Piaţa ca spaţiu economic, Editura Didactică şi Pedagogică,<br />
Bucureşti<br />
Ailenei D., 2002, Economia sectorului public, Editura Brent, Bucureşti<br />
Bera A., Jarque C., 1981, Efficient Tests for Normality, Heteroscedasticity, <strong>an</strong>d Serial<br />
Independence of Regres<strong>si</strong>on Re<strong>si</strong>duals: Monte Carlo Evidence, în Economics<br />
Letters, 7, pp. 313-318.<br />
Bera A., Jarque C., 1982, Model Specification Tests: A Simult<strong>an</strong>eous Approach, în<br />
Journal of Econometrics, 20, pp. 59-82.<br />
Bollerslev T., Engle R.F., Nelson D.B., 1994, ARCH Models, Capitolul 49 din<br />
H<strong>an</strong>dbook of Econometrics, Volume 4, North-Holl<strong>an</strong>d.<br />
Bourbonnais R., 1997, Econométrie. Cours et exercises corrigés, Edition Dunod,<br />
Paris<br />
Box G.E.P., Jenkins G.M., 1976, Time Series Analy<strong>si</strong>s: Forecasting <strong>an</strong>d Control,<br />
Revised Edition, Holden-Day.<br />
Breusch T., 1978, Testing foe autocorelation in dinamic linear models, în Australi<strong>an</strong><br />
Economic Papers, 17, pag. 334-355<br />
Brillet J.-L, 1989, Techiques de modelisation, Collection ENSAE (École Nationale de<br />
la Statistique et de l'Administration Économique), Paris<br />
Cochr<strong>an</strong>e D., Orcutt G.H., 1949, Application of Least Squares Regres<strong>si</strong>ons to<br />
Rel<strong>an</strong>tionships Containing Autocorrelated Error Terms, în Journal of<br />
Americ<strong>an</strong> Statistic Association, vol. 44, pag. 32-61<br />
Const<strong>an</strong>tin D.-L., 1998, Economie regională, Editura Oscar Print, Bucureşti
Dickey D.A., Fuller W.A., 1979, Distribution of the Estimators for Autoregres<strong>si</strong>ve<br />
Time Series with a Unit Root, în Journal of the Americ<strong>an</strong> Statistical<br />
Association, 74, 427–431.<br />
Dobrescu E., 1999, Macromodels of the Rom<strong>an</strong>i<strong>an</strong> Tr<strong>an</strong><strong>si</strong>tion Economy (fourth<br />
ver<strong>si</strong>on), în AMFET - Modeling Economies in Tr<strong>an</strong><strong>si</strong>tion, vol.I, Univer<strong>si</strong>ty of<br />
Lodz (edited by W.Welfe), Lodz, Pol<strong>an</strong>d<br />
Dobrescu E., 2002, Tr<strong>an</strong>ziţia în România: abordări econometrice, Editura<br />
Economică, Bucureşti<br />
Engle R.F., 1982, Autoregres<strong>si</strong>ve Conditional Heteroscedasticity with Estimates of<br />
Vari<strong>an</strong>ce of United Kingdom Inflation, în Econometrica, Vol. 50 (July), pag.<br />
987-1007<br />
Engle R.F., Gr<strong>an</strong>ger C.W.J., 1987, Co-integration <strong>an</strong>d Error Correction:<br />
Representation, Estimation, <strong>an</strong>d Testing, în Econometrica, 55, pag. 251-276.<br />
Fedorenko N.P., K<strong>an</strong>torovici L.V. (ş.a.), 1979, Dicţionar de matematică şi cibernetică<br />
în economie, Editura Ştiinţifică şi Enciclopedică, Bucureşti<br />
Godfrey L.G., 1988, Specification Tests in Econometrics, Cambridge Univer<strong>si</strong>ty<br />
Press.<br />
Gr<strong>an</strong>ger C.W.J., 1969, Investigating Causal Relations by Econometric Models <strong>an</strong>d<br />
Cross-Spectral Methods, în Econometrica, 37, pag. 424-438.<br />
Greene W.H., 2000, Econometric Analy<strong>si</strong>s, 3rd edition, Prentice-Hall.<br />
H<strong>an</strong>sen B.E., 2002, Econometrics, Univer<strong>si</strong>ty of Wiscon<strong>si</strong>n, www.ssc.wisc.edu/~<br />
bh<strong>an</strong>sen<br />
Harvey A.C., 1993, Time Series Models, 2nd edition, MIT Press.<br />
Hausm<strong>an</strong> J.A., 1978, Specification Tests in Econometrics, în Econometrica, 46, 1251–<br />
1272.<br />
Hildreth G., Lu J.Y, 1960, Dem<strong>an</strong>d Relations with Autocorrelated Disturb<strong>an</strong>ces, în<br />
Michig<strong>an</strong> State Univer<strong>si</strong>ty Agricultural Experiment Station, Tehnical Bulletin<br />
276, November<br />
I<strong>an</strong>cu A., 1998, Bazele teoriei politicii economice, Editura All & Beck şi IRLI,<br />
Bucureşti<br />
Johnston J., DiNardo J.E., 1997, Econometric Methods, 4th edition, McGraw-Hill.<br />
Jula D., 2002, Modelare şi prognoză macroeconomică, Editura Estfalia Bucureşti
Jula D., 2003, Introducere în econometrie, Editura Profes<strong>si</strong>onal Consulting, Bucureşti<br />
Jula D., Ailenei D., Jula N., Gârbove<strong>an</strong> A., Economia dezvoltării, Editura Viitorul<br />
Românesc, Bucureşti<br />
Jula D., Jula N., 1999, Economia sectorială, Editura Didactică şi Pedagogică,<br />
Bucureşti<br />
Jula N., 1999, Teorii şi modele privind piaţa muncii. Piaţa muncii în România,<br />
Editura Brent¸ Bucureşti<br />
Jula N., 2003, Statistică economică, Editura Bren, Bucureşti<br />
Jula N., 2004, Modelarea deciziilor fin<strong>an</strong>ciar – monetare. Elemente de econometrie<br />
aplicată, Editura Bren, Bucureşti<br />
Jula N., 2006, Modelare economică. Econometrie aplicată, Editura Must<strong>an</strong>g,<br />
Bucureşti<br />
K<strong>an</strong>e E.J., 1971, Statistique économique et économetrie, Arm<strong>an</strong>d Colin, Paris<br />
Kmenta J., 1986, Elements of Econometrics, New York: Macmill<strong>an</strong><br />
Maddala G.S, 2001, Econometrics, New York: McGraw-Hill<br />
Malinvaud E., 1981, Méthodes statistiques de l'économetrie, Edition Dunod, Paris<br />
Nicolae V., Const<strong>an</strong>tin D.-L., Grădinaru I., 1998, Previziune şi orientare economică,<br />
Editura Economică, Bucureşti<br />
Pârţachi I., Brăilă A., Şişc<strong>an</strong>u N., 1999, Econometrie aplicată, A.S.E.M., Chişinău<br />
Pecic<strong>an</strong> E.-S., 1994, Econometrie, Editura All, Bucureşti<br />
Pecic<strong>an</strong> E.-S., 1996, Macroeconometrie - Politici economice guvernamentale şi<br />
econometrie, Editura Economică, Bucureşti<br />
Phillips P.C.B., Perron P., 1988, Testing for a Unit Root in Time Series Regres<strong>si</strong>on, în<br />
Biometrika, 75, pag. 335-346.<br />
Pindyck R.S., Rubinfeld D.L, 1991, Econometric Models <strong>an</strong>d Economic Forecasts,<br />
McGraw-Hill, Inc.<br />
Ram<strong>an</strong>ath<strong>an</strong> R., 1992, Introductory Econometrics, Second Edition, The Dryden Press,<br />
Harcourt Brace College Publishers, Orl<strong>an</strong>do, USA<br />
Sp<strong>an</strong>os A., 1986, Statistical foundations of econometric modelling, Cambridge<br />
Univer<strong>si</strong>ty Press<br />
Tănăsoiu O., Iacob A.-I., 1999, Econometrie aplicată, Editura Arteticart, Bucureşti<br />
Taşnadi Al., 2001, Econometrie aplicată, Editura ASE, Bucureşti<br />
165
Theil H., 1971, Principles of Econometrics, John Wiley <strong>an</strong>d Sons, New York<br />
Thomas R.-L, 1993, Introductory Econometrics: Theory <strong>an</strong>d Applications, 2nd<br />
edition, Harlow, Longm<strong>an</strong><br />
Thomas R.-L, 1997, Modern Econometrics: An Introduction, 2nd edition, Harlow,<br />
Longm<strong>an</strong><br />
V<strong>an</strong>grevelinghe G., 1973, Econométrie, Herm<strong>an</strong>n, Paris<br />
White H., 1980, A Heteroskedasticity-Con<strong>si</strong>stent Covari<strong>an</strong>ce Matrix <strong>an</strong>d a Direct<br />
Test for Heteroskedasticity, în Econometrica, 48, pag. 817-838.<br />
Zam<strong>an</strong> C., 1998, Econometrie, Pro Democraţia, Bucureşti<br />
Zamfir C., Vlăsce<strong>an</strong>u L., 1993, Dicţionar de sociologie, Editura Babel, Bucureşti<br />
Răspunsurile la Testul de autoevaluare nr. 2: 1 b; 2 a; pentru 3, 4, 5, 6 – vezi<br />
definiţiile din cadrul acestei unităţi;
Unitatea de învăţare 3: “ELEMENTE SPECIFICE<br />
DE MODELARE A DATELOR ÎN ECONOMIE “<br />
Unitatea de învăţământ 3 grupează temele necesare a<strong>si</strong>milării unor cunoştinţelor şi<br />
competenţelor specifice av<strong>an</strong>sate legate de serii de timp, probleme de staţionaritate şi<br />
cointegrare, precum şi elemente specifice de utilizare a modelelor econometrice în<br />
<strong>prognoze</strong>le economice<br />
Timpul de studiu individual estimat: 9 h<br />
Obiective specifice:<br />
Înţelegerea conceptelor privind seriile de timp<br />
Înţelegerea rolului staţionarităţii în modelele econometrice<br />
Testarea staţionarităţii seriilor de date economice<br />
Înţelegerea conceptului de cointegrarea şi a rolului acestuia în cazul seriilor de<br />
timp nestaţionare<br />
Testarea cointegrării seriilor de timp<br />
Construirea modelelor liniare unifactoriale şi multifactoriale<br />
Prognoza pe baza modelelor unifactorialã şi multifactoriale<br />
Cuprins:<br />
Serii de timp<br />
Staţionaritatea<br />
Cointegrarea<br />
Utilizarea modelelor econometrice în prognoză<br />
Rezumat; Termeni–cheie; Verificarea cunostintelor; Teste de autoevaluare;<br />
Bibliografie
10. SERII DE TIMP<br />
10.1. Introducere în prognoza seriilor de timp<br />
Pentru prezentarea modului efectiv în care se poate realiza o previziune, pe<br />
termen scurt, precizăm, mai întâi, câteva elemente metodologice:<br />
Numim serie cronologică un şir de valori pe care le înregistrează o variabilă la<br />
momente sau la intervale de timp succe<strong>si</strong>ve. Seriile cronologice (sau de timp) se pot<br />
prezenta prin valori înregistrate pentru variabila <strong>an</strong>alizată la <strong>an</strong>umite momente date de<br />
timp sau prin informaţii privind fluxurile (modificările) înregistrate într-un interval de<br />
timp.<br />
Componentele unei serii cronologice sunt:<br />
a) tendinţa generală de evoluţie a variabilei <strong>an</strong>alizate sau trendul - notată ft;<br />
b) componenta sezonieră - notată st;<br />
c) variaţia accidentală, cu caracter imprevizibil - notată et.<br />
Notând yt valoarea înregistrată pentru variabila observată la momentul t, există<br />
două scheme fundamentale de descompunere a acestei variabile pe componente:<br />
- descompunere aditivă:<br />
yt = f t + st<br />
+ et<br />
,<br />
- descompunere multiplicativă:<br />
t = 1,2,..., T<br />
y = f (1+<br />
st<br />
) (1+<br />
et<br />
),<br />
t<br />
t<br />
t = 1,2,..., T<br />
10.2 Determinarea tendinţei generale (trendului)<br />
Dintre tehnicile de identificare a tendinţei generale de evoluţie a variabilei<br />
<strong>an</strong>alizate vor fi prezentate:<br />
a.1.) metoda mediilor mobile;<br />
a.2.) metoda celor mai mici pătrate.<br />
a.1.) Metoda mediilor mobile<br />
Această metodă constă în înlocuirea valorilor observate efectiv yt cu valori mt<br />
calculate ca medie aritmetică a unui număr dat de înregistrări <strong>si</strong>tuate <strong>si</strong>metric faţă de yt.<br />
De exemplu, valorile lunare înregistrate pentru o variabilă y în decursul unui <strong>an</strong> (y1, y2,<br />
..., y12) sunt înlocuite cu:
y1+<br />
y2<br />
+ y3<br />
m2<br />
=<br />
3<br />
y2<br />
+ y3<br />
+ y4<br />
m3<br />
=<br />
3<br />
<br />
m<br />
11<br />
=<br />
y<br />
10<br />
+ y<br />
3<br />
11<br />
+ y<br />
12<br />
169<br />
Dacă seria iniţială cuprinde T observaţii, seria calculată în acest mod (ca medie<br />
aritmetică <strong>si</strong>mplă a 3 înregistrări consecutive) va conţine T - 2 valori.<br />
Prin reprezentarea grafică a acestor puncte se obţine o primă imagine a tendinţei<br />
de evoluţie a fenomenului <strong>an</strong>alizat.<br />
Dacă netezirea valorilor variabilei <strong>an</strong>alizate realizată prin aplicarea procedeului<br />
prezentat nu este satisfăcătoare (nu permite relevarea unei tendinţe de evoluţie, în ipoteza<br />
că o astfel de tendinţă există), metoda mediilor mobile se poate aplica în iteraţii<br />
succe<strong>si</strong>ve.<br />
Pentru exemplificarea modului de calcul să con<strong>si</strong>derăm că vânzările trimestriale<br />
ale unei societăi comerciale care are ca principală activitate realizarea unor produse<br />
specifice ramurii industriei bunurilor de consum înregistrează următoarele valori:<br />
Tabelul nr. 1<br />
Volumul vânzărilor (mii u.m.)<br />
Anul Trim. I Trim. II Trim. <strong>III</strong> Trim. IV<br />
1 900 1100 1400 1200<br />
2 950 1150 1500 1300<br />
3 1025 1200 1550 1350<br />
4 1150 1300 1600 1450<br />
5 1250 1450 1800 1500<br />
Reprezentarea grafică a seriei este prezentată în figura următoare:<br />
Volumul trimestrial al vânzărilor
.<br />
1900<br />
1700<br />
1500<br />
1300<br />
1100<br />
900<br />
900<br />
1100<br />
1400<br />
1200<br />
950<br />
1150<br />
1500<br />
1300<br />
1025<br />
1200<br />
1550<br />
1350<br />
1150<br />
1300<br />
1600<br />
1450<br />
1250<br />
1450<br />
1800<br />
700<br />
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21<br />
Aşa cum sugerează graficul precedent, vânzările de mărfuri înregistrează o<br />
tendinţă uşoară de creştere, cu puternice variaţii sezoniere.<br />
Determinarea tendinţei de evoluţie prin aplicarea de două ori a metodei mediilor<br />
mobile este prezentată în tabelul nr. 2 şi grafic în figura următoare.<br />
Tabelul nr. 2<br />
Nr.<br />
crt.<br />
1500<br />
Anul Trim. Simbol Valori Medii<br />
mobile (1)<br />
1 1 I y1 900 - -<br />
2 II y2 1100 1133.3 -<br />
Medii<br />
mobile (2)<br />
3 <strong>III</strong> y3 1400 1233.3 1183.3<br />
4 IV y4 1200 1183.3 1172.2<br />
5 2 I y5 950 1100.0 1161.1<br />
6 II y6 1150 1200.0 1205.6<br />
7 <strong>III</strong> y7 1500 1316.7 1263.9<br />
8 IV y8 1300 1275.0 1255.6<br />
9 3 I y9 1025 1175.0 1236.1<br />
10 II y10 1200 1258.3 1266.7<br />
11 <strong>III</strong> y11 1550 1366.7 1325.0<br />
12 IV y12 1350 1350.0 1327.8<br />
13 4 I y13 1150 1266.7 1322.2
1900<br />
1700<br />
1500<br />
1300<br />
1100<br />
900<br />
700<br />
Nr.<br />
crt.<br />
Anul Trim. Simbol Valori Medii<br />
mobile (1)<br />
Medii<br />
mobile (2)<br />
14 II y14 1300 1350.0 1355.6<br />
15 <strong>III</strong> y15 1600 1450.0 1411.1<br />
16 IV y16 1450 1433.3 1422.2<br />
17 5 I y17 1250 1383.3 1438.9<br />
18 II y18 1450 1500.0 1488.9<br />
19 <strong>III</strong> y19 1800 1583.3 -<br />
20 IV y20 1500 - -<br />
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20<br />
Volum v<strong>an</strong>zari Medii mobile 1 Medii mobile 2<br />
171<br />
O vari<strong>an</strong>tă <strong>si</strong>mplificată a acestei tehnici de <strong>an</strong>aliză a tendinţei de evoluţie a unei<br />
serii cronologice o constituie metoda mediilor eşalonate. Aceasta constă tot în calculul<br />
unor medii aritmetice pornind de la datele iniţiale, dar elementele avute în vedere pentru<br />
calculul fiecărei medii sunt distincte între ele. Pentru seria prezentată se pot reţine, de<br />
exemplu:<br />
y1+<br />
y2<br />
+ y3<br />
m2<br />
=<br />
3<br />
y4<br />
+ y5<br />
+ y6<br />
m5<br />
=<br />
3<br />
y7<br />
+ y8<br />
+ y9<br />
m8<br />
=<br />
3<br />
y10+<br />
y11+<br />
y<br />
m = 11<br />
3<br />
sau, în alte <strong>si</strong>tuaţii, se pot calcula, medii <strong>an</strong>uale.<br />
12
Metoda mediilor eşalonate este indicată în cazul seriilor dinamice cu un număr<br />
mare de observaţii statistice.<br />
a.2.) Metoda celor mai mici pătrate.<br />
Prin aplicarea uneia dintre metodele prezentate se poate observa tendinţa de<br />
evoluţie în timp a valorilor variabilei <strong>an</strong>alizate şi, totodată, se poate emite o ipoteză<br />
asupra formei acestei evoluţii (liniară, exponenţială, logistică etc).<br />
În cazul <strong>an</strong>alizat, graficul realizat sugerează existenţa unui trend având forma<br />
unei funcţii liniare, fără a permite însă determinarea coeficienţilor funcţiei respective.<br />
Metoda celor mai mici pătrate realizează estimarea parametrilor unei funcţii<br />
<strong>an</strong>alitice care să modeleze evoluţia fenomenului <strong>an</strong>alizat, astfel încât suma pătratelor<br />
abaterilor dintre valorile înregistrate şi cele calculate <strong>an</strong>alitic, pornind de la funcţia<br />
respectivă, să fie minime.<br />
Să presupunem că tendinţa de creştere a vânzărilor, abstracţie făcând de evoluţia<br />
sezonieră, poate fi modelată printr-o funcţie liniară:<br />
Yt = a<br />
t + b,<br />
deci în acest caz, ft = Yt.<br />
t = 1,2,...T<br />
În vederea estimării parametrilor a şi b se procedează astfel: pentru fiecare<br />
moment t se determină diferenţa dintre valorile observate (yt) şi cele calculate (Yt)<br />
potrivit relaţiei de mai sus. Suma pătratelor acestor abateri este o funcţie care depinde de<br />
doi parametrii (a şi b).<br />
T<br />
T<br />
f t<br />
t=<br />
1<br />
t=<br />
1<br />
2 2<br />
a, b = yt<br />
-Y<br />
t = y - a t<br />
- b<br />
O condiţie necesară pentru ca această funcţie să atingă valoarea minimă este ca<br />
derivatele parţiale să fie nule:<br />
f<br />
a<br />
f<br />
b<br />
= -2<br />
= -2<br />
T<br />
<br />
t=<br />
1<br />
T<br />
<br />
t=<br />
1<br />
y - a<br />
t - b<br />
t<br />
t=<br />
0<br />
y - a<br />
t - b<br />
0<br />
t<br />
Se demonstrează că această condiţie, în cazul <strong>an</strong>alizat, este şi suficientă. Sistemul<br />
de mai sus este echivalent cu:
T<br />
T<br />
<br />
a t<br />
b T<br />
= Y<br />
t<br />
t=<br />
1 <br />
t=<br />
1<br />
T T T<br />
a 2<br />
t +<br />
b <br />
t = t Yt<br />
<br />
<br />
<br />
<br />
<br />
t<br />
= 1 t<br />
= 1 t = 1<br />
Pentru exemplul prezentat T = 20 deci:<br />
T<br />
<br />
t=<br />
1<br />
T<br />
T (T + 1)<br />
t = = 210<br />
2<br />
2 T (T + 1) (2<br />
T + 1)<br />
t =<br />
t=<br />
1<br />
6<br />
20<br />
Y t = 26125<br />
t = 1<br />
20<br />
t Y t = 291025<br />
t = 1<br />
În aceste condiţii <strong>si</strong>stemul devine:<br />
210a<br />
20b<br />
26125<br />
<br />
2870a<br />
210b<br />
291025<br />
cu soluţiile a = 25.13 şi b = 1042.37<br />
= 2870<br />
173<br />
Aşadar, funcţia liniară care are proprietatea că trece prin norul de puncte<br />
determinat de valorile observate (Yt), astfel încât suma pătratelor abaterilor dintre aceste<br />
puncte şi punctele corespunzătoare de pe dreaptă (având aceeaşi abscisă) să fie minimă<br />
este:<br />
Y t = 25.13 t + 1042.37<br />
Procedeul se aplică în mod <strong>si</strong>milar şi în cazul în care <strong>an</strong>aliza valorilor yt<br />
sugerează o tendinţă de evoluţie pe termen lung neliniară. Evident, dacă aceste puncte<br />
conduc, de exemplu, la con<strong>si</strong>derarea unui model neliniar de tipul: Yt = at 2 + bt + c,<br />
nece<strong>si</strong>tatea minimizării unei funcţii f(a, b ,c) = (yt-Yt) 2 , t variind de la 1 la T, va implica<br />
rezolvarea unui <strong>si</strong>stem de 3 ecuaţii cu 3 necunoscute (a, b, c).<br />
Pentru datele <strong>an</strong>alizate în tabelul numărul 1 tendinţa de evoluţie liniară modelată<br />
conform metodologiei prezentate este expusă în tabelul nr.3.
Tabelul nr. 3<br />
Calculul tendinţei generale<br />
Anul Tendinţa generală de evoluţie a vânzărilor<br />
Trim.I Trim.II Trim.<strong>III</strong> Trim.IV<br />
1 1067.5 1092.6 1117.8 1142.9<br />
2 1168.0 1193.2 1218.3 1243.4<br />
3 1268.6 1293.7 1318.8 1343.9<br />
4 1369.1 1394.2 1419.3 1444.5<br />
5 1469.6 1494.7 1519.9 1545.0<br />
Calculul tendinţei generale prin metoda celor mai mici pătrate<br />
1800<br />
1600<br />
1400<br />
1200<br />
1000<br />
800<br />
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20<br />
Datele initiale Tendinta de evolutie<br />
10.3. Determinarea componentei sezoniere<br />
Analiza componentei sezoniere a variabilei dinamice va fi realizată în două<br />
vari<strong>an</strong>te de descompunere:<br />
b.1.) descompunerea aditivă<br />
b.2.) descompunerea multiplicativă.<br />
Pentru realizarea <strong>an</strong>alizei menţionate, seria de date va fi indexată dublu. Astfel, i<br />
va fi con<strong>si</strong>derat indicele <strong>an</strong>ului, iar j, în cazul prezentat, indicele trimestrului.
= f<br />
+ s<br />
b.1.) Cazul descompunerii aditive e<br />
+<br />
yij ij ij ij<br />
175<br />
Prin una dintre metodele prezentate la punctul <strong>an</strong>terior se determină trendul.<br />
Con<strong>si</strong>derăm tendinţa generală ca fiind estimată prin metoda celor mai mici pătrate: fij<br />
=Yij. Se calculează abaterile dintre valorile astfel estimate şi valorile înregistrate statistic.<br />
Notăm aceste abateri cu A ij = yij-<br />
Yij<br />
calculează:<br />
Fie N numărul de <strong>an</strong>i pentru care se dispune de date înregistrate trimestrial. Se<br />
- media valorilor observate pentru fiecare trimestru:<br />
- media generală:<br />
=<br />
A j<br />
A<br />
A =<br />
N<br />
<br />
i1<br />
1<br />
N<br />
A<br />
ij<br />
+ A<br />
,<br />
2<br />
j = 1, 2 ,3, 4<br />
+ A<br />
4<br />
3<br />
+ A<br />
Coeficientul aditiv de sezonalitate pentru trimestru j este :<br />
Tabelul nr. 4:<br />
Sj = A j - A<br />
Determinarea componentei sezoniere,<br />
cazul descompunerii aditive Aij = yij - Yij<br />
Anul Componenta sezonieră (aditivă)<br />
4<br />
Trim.I Trim.II Trim.<strong>III</strong> Trim.IV<br />
1 -167.5 7.4 282.2 57.1<br />
2 -218.0 -43.2 281.7 56.6<br />
3 -243.6 -93.7 231.2 6.1<br />
4 -219.1 -94.2 180.7 5.5<br />
5 -219.6 -44.7 280.1 -45.0<br />
Media (Aj) -213.6 -53.7 251.2 16.1<br />
Sj -213.6 -53.7 251.2 16.1<br />
Deoarece media generală A este aproximativ zero, vom con<strong>si</strong>dera Sj = Aj.
.2.) Cazul descompunerii multiplicative<br />
Se calculează raportul dintre valorile observate yij şi valorile<br />
corespunzătoare calculate pronind de la funcţia de trend<br />
=<br />
adică, se calculează valorile<br />
f<br />
(1+<br />
<strong>si</strong>j<br />
) (1+<br />
e )<br />
Y ij ij<br />
ij<br />
yij<br />
M ij =<br />
Yij<br />
Se determină:<br />
- media coeficienţilor Mij pentru fiecare trimestru:<br />
- media generală:<br />
N<br />
M ij<br />
j1<br />
M j , j 1,<br />
,<br />
4<br />
N<br />
M 1+<br />
M 2 + M 3+<br />
M =<br />
M<br />
4<br />
4<br />
Pornind de la aceste elemente, se determină coeficientul multiplicativ de<br />
sezonalitate este:<br />
M j<br />
Cj<br />
=<br />
M<br />
Pentru exemplul numeric prezentat, calculele efectuate potrivit metodologiei de<br />
mai sus sunt redate în tabelul următo<br />
Tabelul nr. 5: Determinarea componentei sezoniere, cazul descompunerii multiplicative<br />
Anul Componenta sezonieră (multiplicativă)<br />
Trim.I Trim.II Trim.<strong>III</strong> Trim.IV<br />
1 0.8431 1.0067 1.2522 1.0500<br />
2 0.8133 0.9638 1.2312 1.0455<br />
3 0.8080 0.9276 1.1753 1.0045<br />
4 0.8400 0.9324 1.1273 1.0038<br />
5 0.8506 0.9701 1.1843 0.9709<br />
Media (Mj) 0.8310 0.9601 1.1941 1.0149<br />
Cj 0.8310 0.9601 1.1941 1.0149
c) Determinarea variaţiei accidentale<br />
177<br />
Variaţia accidentală, datorată factorilor aleatorii, imprevizibili se calculează, în<br />
cazul descompunerii aditive:<br />
= y<br />
- Y<br />
-S<br />
eij ij ij j<br />
Tabelul nr. 6: Determinarea componentei aleatorii (cazul descompunerii aditive)<br />
Anul Componenta aleatorie aditivă<br />
Trim.I Trim.II Trim.<strong>III</strong> Trim.IV<br />
1 46.1 61.1 31.1 41.1<br />
2 -4.5 10.5 30.5 40.5<br />
3 -30.0 -40.0 -20.0 -10.0<br />
4 -5.5 -40.5 -70.5 -10.5<br />
5 -6.1 8.9 28.9 -61.1<br />
În cazul descompunerii multiplicative, relaţia de calcul a variaţiei aleatorii<br />
(accidentale) este:<br />
yij<br />
1+<br />
eij<br />
=<br />
Y ij C<br />
j<br />
Tabelul nr.7: Determinarea componentei aleatorii (cazul descompunerii<br />
multiplicative)<br />
minimă.<br />
Anul Componenta aleatorie multiplicativă<br />
Trim.I Trim.II Trim.<strong>III</strong> Trim.IV<br />
1 1.0146 1.0486 1.0489 1.0346<br />
2 0.9788 1.0039 1.0311 1.0302<br />
3 0.9724 0.9661 0.9843 0.9898<br />
4 1.0109 0.9712 0.9441 0.9891<br />
5 1.0236 1.0104 0.9918 0.9566<br />
Se alege tipul de descompunere pentru care variaţia accidentală totală este
Evoluţia viitoare a fenomenelor economice poate fi estimată pornind de la<br />
tendinţa generală şi componenta sezonieră, determinate după una dintre metodele<br />
prezentate. Există metode statistice de calcul a limitelor minime şi maxime între care se<br />
vor încadra, cu o <strong>an</strong>umită probabilitate, aceste evoluţii în funcţie de variaţia înregistrată a<br />
variabilei aleatoare.<br />
Pentru exemplul con<strong>si</strong>derat, o primă estimare a vânzărilor pentru <strong>an</strong>ul următor (t<br />
= 6) se determină astfel:<br />
- tendinţa de lungă durată (Y6j):<br />
trimestrul I :Y61 = 25.1321+1042.97 = 1570.7<br />
trimestrul II :Y62 = 25.1322+1042.97 = 1595.8<br />
trimestrul <strong>III</strong>:Y63 = 25.1323+1042.97 = 1621.0<br />
trimestrul IV :Y64 = 25.1324+1042.97 = 1646.1<br />
- componenta sezonieră (s6j):<br />
trimestrul I :s61 = -213.5<br />
trimestrul II :s62 = -53.7<br />
trimestrul <strong>III</strong>:s63 = 251.2<br />
trimestrul IV :s64 = 16.1<br />
- estimarea vânzărilor trimestriale de mărfuri în unitatea industrială <strong>an</strong>alizată,<br />
pentru <strong>an</strong>ul de prognoză (Y6j + s6j):<br />
trimestrul I : 1570.7 -213.5 = 1357.2<br />
trimestrul II : 1595.8 - 53.7 = 1542.1<br />
trimestrul <strong>III</strong>: 1621.0 +251.2 = 1872.2<br />
trimestrul IV : 1646.1 + 16.1 = 1662.2<br />
Calculele complete sunt prezentate în tabelul următor:<br />
Tabelul nr.8. Estimarea vânzărilor de mărfuri pentru perioada următoare<br />
(a) Cazul descompunerii aditive<br />
Trim.I Trim.II Trim.<strong>III</strong> Trim.IV<br />
Tendinţa generală 1570.1 1595.3 1620.4 1645.5<br />
Componenta sezonieră -213.6 -53.7 251.2 16.1<br />
Total 356.6 1541.6 1871.6 1661.6
(b) Cazul descompunerii multiplicative<br />
Trim.I Trim.II Trim.<strong>III</strong> Trim.IV<br />
Tendinţa generală 1570.1 1595.3 1620.4 1645.5<br />
Componenta sezonieră 0.8310 0.9601 1.1941 1.0149<br />
Total 1304.7 1531.6 1934.9 1670.0<br />
179<br />
Aceste <strong>an</strong>ticipări ale vânzărilor de mărfuri sunt necesare agentului economic în<br />
vederea încheierii contractelor cu furnizorii de materii prime şi stabilirea clauzelor<br />
contractuale (data livrării şi c<strong>an</strong>titatea produselor), calculul timpului mediu de<br />
depozitare, al nivelului stocului şi determinarea spaţiului necesar depozitării, <strong>an</strong>aliza<br />
oportunităţii <strong>an</strong>gajării perm<strong>an</strong>ente sau atragerea temporară de forţă de muncă doar pentru<br />
sezonul de vârf al producţiei, eşalonarea încasărilor şi cheltuielilor etc.
11. STAŢIONARITATEA<br />
Printre cele mai import<strong>an</strong>te caracteristici stocastice ale unei serii de timp sunt<br />
media şi disper<strong>si</strong>a. Dacă aceste caracteristici se modifică în timp, seria dinamică este<br />
con<strong>si</strong>derată ca fiind ne-staţionară. Dacă procesul aleator este invari<strong>an</strong>t, seria de timp<br />
este staţionară. Formal, procesul aleator yt este staţionar dacă:<br />
M(yt) = M(yt+m) = μ, t şi m,<br />
cu alte cuvinte, media este const<strong>an</strong>tă şi independentă de timp;<br />
disper<strong>si</strong>a este finită;<br />
var(yt) < ∞, t<br />
cov(yt, yt+k) = M[(yt – μ)(yt+k – μ)] = γk<br />
covarinaţa este independentă de timp şi nu depinde decât de numărul de decalaje.<br />
În particular,<br />
este disper<strong>si</strong>a seriei yt.<br />
1. Funcţia de autocorelare<br />
cov(yt, yt) = M[(yt – μ)(yt – μ)] = γ0<br />
Funcţia de autocorelare, notată ρk măsoară corelaţia seriei cu ea însăşi decalată<br />
cu un număr k de perioade. Prin definiţie:<br />
ρ<br />
k<br />
cov<br />
<br />
σ<br />
y , y <br />
yt<br />
t<br />
σ<br />
yt<br />
k<br />
tk<br />
Notăm y media seriei calculată pentru n-k perioade, unde n este numărul de<br />
observaţii. Atunci:<br />
ρ<br />
k<br />
Se deduce<br />
unde rezultă:<br />
<br />
n<br />
<br />
tk<br />
1<br />
n<br />
<br />
tk<br />
1<br />
ρ0 = 1 şi ρk = ρ-k<br />
y yy<br />
y<br />
2 y y<br />
y y<br />
t<br />
t<br />
n<br />
<br />
tk<br />
tk<br />
1<br />
tk<br />
2<br />
Dacă procesul este staţionar, atunci σ y σ t y , rezultă σ<br />
t<br />
k<br />
y σ y σ y γ<br />
t t<br />
k<br />
t 0 , de<br />
2
echivalent cu<br />
ρ<br />
k<br />
cov<br />
<br />
n<br />
<br />
y , y <br />
t<br />
γ<br />
0<br />
tk<br />
<br />
y t y y tk<br />
y<br />
tk<br />
1<br />
ρ k ,<br />
n<br />
2<br />
y y<br />
<br />
t1<br />
<br />
unde y este media seriei calculată pentru n perioade.<br />
t<br />
181<br />
Se numeşte zgomot alb un proces staţionar, de medie nulă, pentru care<br />
funcţiile de autocorelare sunt nule, cu excepţia γ0. Dacă, în plus, procesul aleator<br />
urmează o distribuţie normală, se numeşte zgomot alb gaus<strong>si</strong><strong>an</strong>.<br />
2. Teste de zgomot alb<br />
Identificarea caracteristicilor aleatoare ale unei serii de timp poate fi realizată<br />
doar dacă seria este staţionară. Studiul de staţionaritate se realizează, în esenţă, pe<br />
baza funcţiilor de autocorelaţie (sau a reprezentării grafice a acestora, denumite<br />
corelograme). O serie de timp este staţionară dacă nu prezintă nici tendinţă, nici<br />
sezonalitate.<br />
2.1. Analiza funcţiilor de autocorelare<br />
Problema care se ridică este aceea de a evalua care sunt termenii ρk<br />
<strong>sem</strong>nificativ diferiţi de zero. Testul pentru un termen ρk este următorul:<br />
H0: ρk = 0<br />
H1: ρk ≠ 0<br />
Se poate utiliza un test fundamentat pe baza statisticii t – Student. De<br />
a<strong>sem</strong>enea, se demonstrează că, dacă dimen<strong>si</strong>unea eş<strong>an</strong>tionului este suficient de mare<br />
(n > 30), coeficientul ρk tinde a<strong>si</strong>mptotic spre o lege de distribuţie normală, de medie<br />
zero şi abaterea st<strong>an</strong>dard<br />
este dat de relaţia:<br />
ρ k <br />
0 t α <br />
1 . Atunci intervalul de încredere pentru coeficientul ρk<br />
n<br />
1<br />
n
unde n este numărul de observaţii, iar t este valoarea statisticii t bilaterale. Dacă ρk<br />
este în afara intervalului de încredere, atunci coeficientul de autocorelare este<br />
<strong>sem</strong>nificativ diferit de zero, cu un prag .<br />
2.2. Testul Box-Pierce<br />
Testul Box-Pierce permite identificarea procesului aleator de tip zgomot alb:<br />
ρk = 0, k. Un proces de tip zgomot alb implică<br />
ρ1 = ρ2 = ρ3 = ... = ρk = 0.<br />
Testul Box-Pierce presupune construirea ipotezelor:<br />
H0: ρ1 = ρ2 = ... = ρk = 0<br />
H1: există cel puţin un ρk <strong>sem</strong>nificativ diferit de zero.<br />
Statistica Box-Pierce este următoarea:<br />
Q n<br />
h<br />
<br />
k1<br />
unde h este numărul de întârzieri, k<br />
numărul de observaţii.<br />
ρˆ<br />
2<br />
k<br />
ρˆ – autocorelarea empirică de ordinul k, n –<br />
Statistica Q tinde a<strong>si</strong>mptotic spre o distribuţie 2 cu h grade de libertate. Se<br />
respinge H0 (cu gradul de încredere ), dacă valoarea Q este mai mare decât valoarea<br />
teoretică 2 (cu h grade de libertate).<br />
serii scurte.<br />
Testul este valabil oricare ar fi media seriei, însă este puţin perform<strong>an</strong>t pentru<br />
2.3. Testul Ljung-Box<br />
Statistica Ljung-Box (Q * ) are se calculează astfel:<br />
Q<br />
*<br />
<br />
n n 2<br />
h<br />
k 1<br />
ρˆ<br />
n<br />
2<br />
k<br />
k<br />
Statistica Ljung-Box este distribuită 2 cu h grade de libertate, iar regula de<br />
decizie este <strong>si</strong>milară testului Q. Proprietăţile a<strong>si</strong>mptotice ale statisticii Q * sunt<br />
superioare statisticii Q.<br />
2.4. Exerciţiu: Simularea şi <strong>an</strong>aliza funcţiilor de autocorelare<br />
Simulăm un proces aleator de tip zgomot alb, între 1990:01 şi 2001:12.<br />
Utilizăm Eviews: GENR Y = NRND
4<br />
2<br />
0<br />
-2<br />
-4<br />
90 91 92 93 94 95 96 97 98 99 00 01<br />
Y<br />
183<br />
Funcţiile de autocorelare <strong>si</strong>mplă (AC) şi parţială (PAC) pentru h = 15<br />
întârzieri sunt obţinute automat în Eviews:<br />
Limitele intervalului de încredere sunt date prin liniile punctate din grafic:<br />
fiecare termen care iese din acest interval este <strong>sem</strong>nificativ diferit de zero la un prag<br />
2<br />
de 5%. Statistica Q este testul Ljung-Box: pentru h = 15, Q = 20.97 < χ = 25,<br />
0.<br />
05;<br />
15
deci acceptăm ipoteza nulă: toţi coeficienţii de autocorelare sunt zero (probabilitatea<br />
critică a testului este c = 0.138 > 0.05, deci se acceptă H0.<br />
Adăugăm o componentă trend la procesul de tip zgomot alb:<br />
GENR YT = Y + @trend(1989:12),<br />
respectiv o componentă sezonieră, aditivă, astfel încât luna august înregistrează valori<br />
mai mici cu 5 decât media seriei:<br />
GENR YS = Y + @SEAS(8)*-5<br />
3. Teste de staţionaritate: Testul Dickey-Fuller 60<br />
Testul Dickey-Fuller permite nu numai detectarea existenţei unei tendinţe<br />
(testul de rădăcină unitate – Unit Root test) ci şi determinarea unei tehnici de<br />
staţionarizare a seriei dinamice. Pentru aceasta, sunt identificate două tipuri de proces<br />
aleatoriu:<br />
– proces TS (trend staţionar – Trend Stationary) care reprezintă un proces nestaţionar<br />
de tip determinist;<br />
– procese DS (staţionar in diferenţe – Differency Stationary) pentru procesele<br />
nestaţionare aleatoare.<br />
60 Bourbonnais R., 2000, Économétrie, 3 e édition, Edition Dunod, pag.229-232.
a) Procesul TS<br />
Un proces TS se scrie:<br />
xt = ft + εt<br />
unde ft este o funcţie polinomială de timp, lineară sau nelineară, iar εt este un proces<br />
staţionar. Procesul TS cel mai <strong>si</strong>mplu este reprezentat de o funcţie polinomială de<br />
gradul I. Procesul TS este denumit linear şi se scrie:<br />
xt = a0 + a1t + εt<br />
185<br />
Procesul TS descris prin ecuaţia precedentă este nestaţionar, deoarece M[xt]<br />
depinde de timp. Dacă sunt cunoscute â0 şi â1, procesul xt poate fi staţionarizat prin<br />
scăderea din valoarea xt a valorii estimate â0 + â1t. În aceste modele, efectul produs de<br />
un şoc (sau mai multe şocuri aleatoare), la un moment oarecare t este tr<strong>an</strong>zitoriu:<br />
modelul fiind determinist, seria se reîntoarce la mişcarea sa pe termen lung, care, în<br />
acest caz, este dreapta de tendinţă. Exemplul poate fi generalizat pentru funcţii<br />
polinomiale de un grad oarecare.<br />
b) Procesul DS<br />
Se numesc DS acele procese aleatoare care pot fi staţionarizate prin utilizarea<br />
unui filtru de diferenţiere:<br />
(1 – L) d xt = β + εt,<br />
unde εt este un proces staţionar, β o const<strong>an</strong>tă reală, L – operatorul de decalaj, iar d<br />
este ordinul filtrului de diferenţiere.<br />
Aceste procese sunt adeseori reprezentate prin utilizarea unui filtru cu<br />
diferenţe de ordinul I (d = 1). Procesul este denumit de ordinul I şi se scrie:<br />
diferite:<br />
(1 – L)xt = β + εt xt = xt-1 + β + εt.<br />
Introducerea const<strong>an</strong>tei β în procesul DS permite definirea a două procese<br />
β = 0: procesul DS este denumit trendless r<strong>an</strong>dom walk (mers la întâmplare fără<br />
trend) sau r<strong>an</strong>dom walk with zero drift (mers la întâmplare fără deviere) şi se scrie<br />
xt – xt-1 = εt.<br />
Staţionarizarea unui a<strong>sem</strong>enea proces se realizează prin aplicarea filtrului de<br />
diferenţiere de ordinul I asupra seriei iniţiale:<br />
(1 – L)xt = εt.
β ≠ 0: procesul DS este denumit r<strong>an</strong>dom walk with drift (mers la întâmplare cu<br />
deviere) şi de scrie:<br />
xt = xt-1 + β + εt.<br />
Staţionarizarea unui a<strong>sem</strong>enea proces este realizată prin utilizarea unui filtru<br />
de diferenţiere de ordinul I:<br />
xt = xt-1 + β + εt (1 – L)xt = β + εt.<br />
Într-un proces de acest tip, un şoc la un moment dat influenţează la infinit valorile<br />
seriei dinamice: efectul unui şoc este perm<strong>an</strong>ent şi merge în descreştere.<br />
În concluzie, pentru staţionarizarea unui proces TS, cea mai bună tehnică este<br />
aplicarea metodei celor mai mici pătrate; pentru un proces DS, este necesară aplicarea<br />
unui filtru de diferenţiere. Adică alegerea unui proces DS sau TS pentru structura unei<br />
serii dinamice este import<strong>an</strong>tă în modelare.<br />
c) testul de rădăcină unitate: testul Dickey-Fuller (1979)<br />
Testul Dickey-Fuller (DF) permite evidenţierea caracterului staţionar sau<br />
nestaţionar a unei serii dinamice, prin determinarea tendinţei deterministe sau<br />
aleatoare.<br />
Există trei modele care sunt utilizate pentru construirea acestor teste:<br />
(1) xt = 1xt-1 + εt Model autoregre<strong>si</strong>v de ordinul 1<br />
(2) xt = 1xt-1 + β + εt Model autoregre<strong>si</strong>v cu termen liber<br />
(3) xt = 1xt-1 + bt + c + εt Model autoregre<strong>si</strong>v cu tendinţă<br />
Principiul testului este <strong>si</strong>mplu: se testează ipoteza H0: 1 = 1. Dacă H0 este<br />
reţinută în unul dintre cele trei modele, procesul este nestaţionar.<br />
În modelul (3), dacă se acceptă H1: 1 < 1 şi dacă parametrul b este<br />
<strong>sem</strong>nificativ diferit de zero, atunci procesul este de tip TS (cu trend staţionar) Acest<br />
proces poate fi staţionarizat prin calcularea reziduurilor faţă de tendinţa estimată prin<br />
metoda celor mai mici pătrate.<br />
Regulile obişnuite de inferenţă statistică nu pot fi aplicate pentru testarea<br />
ipotezei H0 (în particular, testul t–Student pentru parametrul 1 nu este valid). De<br />
aceea, Dickey şi Fuller au studiat distribuţia a<strong>si</strong>mptotică a estimatorului 1 sub ipoteza<br />
H0. Cu ajutorul <strong>si</strong>mulării Monte-Carlo, Dickey şi Fuller au tabelat valorile critice
pentru eş<strong>an</strong>tio<strong>an</strong>e de dimen<strong>si</strong>uni diferite. Pentru raţiuni de ordin statistic, Dickey<br />
şi Fuller au testat valoarea (1 – 1) în locul lui 1. Adică, modelul (1) poate fi scris<br />
sau, echivalent<br />
xt = 1xt-1 + εt xt – xt-1 = 1xt-1 – xt-1 + εt,<br />
Δxt = (1 – 1)xt-1 + εt<br />
Cu alte cuvinte, testul H0: 1 = 1 este echivalent cu H0: (1 – 1) = 0.<br />
Principiile generale ale testelor DF sunt următoarele:<br />
187<br />
Se estimează prin metoda celor mai mici pătrate parametrul 1 din modelele<br />
(1), (2) sau (3). Notăm φ1 estimatorul parametrului 1. Estimarea parametrilor şi a<br />
disper<strong>si</strong>ei erorilor din modelele prezentate, prin metoda celor mai mici pătrate permite<br />
calcului unei statistici <strong>si</strong>milare testului Student. Notăm tφ valoarea statisticii calculate.<br />
Dacă tφ > ttab, atunci se acceptă ipoteza H0: există o rădăcină unitate în seria de timp,<br />
cu alte cuvinte, seria nu este staţionară. Este po<strong>si</strong>bil să se calculeze, de a<strong>sem</strong>enea,<br />
testul de staţionaritate prin utilizarea expre<strong>si</strong>ei<br />
n(φ1 – 1)<br />
unde n este dimen<strong>si</strong>une eş<strong>an</strong>tionului (numărul de observaţii). Dacă<br />
n(φ1 – 1) > n(φ1 – 1)tab<br />
se acceptă ipoteza H0, adică se acceptă existenţa rădăcinii unitate.<br />
d) Testul Dickey–Fuller amplificat (Augmented Dickey – Fuller tests, ADF)<br />
În modelele precedente, utilizate pentru testele Dickey-Fuller <strong>si</strong>mple, procesul<br />
εt este, prin ipoteză, zgomot alb. Or, nu există nici un argument pentru a accepta, a<br />
priori, faptul că erorile nu sunt corelate. Se numesc ADF testele care ţin seama şi de<br />
această ipoteză. Testele ADF sunt bazate, sub ipoteza alternativă |1| < 1, pe estimarea<br />
prin metoda celor mai mici pătrate a următoarelor trei modele:<br />
(4) x t x<br />
t<br />
1 jx<br />
t<br />
j1<br />
t<br />
<br />
j2<br />
p<br />
t x<br />
t<br />
1 <br />
j2<br />
(5) t<br />
p<br />
x x<br />
c <br />
p<br />
j<br />
t<br />
j1<br />
(6) x t x<br />
t<br />
1 jx<br />
t<br />
j1<br />
c bt t<br />
<br />
j2<br />
unde εt este zgomot alb.
Testul se derulează <strong>si</strong>milar testului DF, cu precizarea că tabelele teoretice<br />
calculate sunt diferite. Valoarea p poate fi determinată pe baza criteriilor Akaike sau<br />
Schwarz. De a<strong>sem</strong>enea, plecând de la o valoare suficient de mare a lui p, se estimează<br />
modelul cu p-1 întârzieri, apoi p-2 până când coeficientul celei de-a p întârzieri este<br />
<strong>sem</strong>nificativ.
12. COINTEGRAREA<br />
Definiţie: Dacă există o combinaţie lineară staţionară între variabile aleatoare<br />
nestaţionare, atunci variabilele combinate sunt cointegrate.<br />
1. Exemplu<br />
următorul:<br />
Fie două serii construite astfel:<br />
yt = 1, 2, 3, …, n<br />
xt = 1, 2 2 , 3 2 , …, n 2 .<br />
189<br />
Rezultatul unei regre<strong>si</strong>i de tipul yt = a0 + a1xt + εt este, pentru n = 30,<br />
Dependent Variable: Y<br />
Method: Least Squares<br />
Date: 06/03/03 Time: 00:08<br />
Sample: 1 30<br />
Included observations: 30<br />
Variable Coefficient Std. Error t-Statistic Prob.<br />
C 5.928287 0.599966 9.881042 0.0000<br />
X 0.030370 0.001431 21.22425 0.0000<br />
R-squared 0.941480 Me<strong>an</strong> dependent var 15.50000<br />
Adjusted R-squared 0.939390 S.D. dependent var 8.803408<br />
S.E. of regres<strong>si</strong>on 2.167320 Akaike info criterion 4.449200<br />
Sum squared re<strong>si</strong>d 131.5237 Schwarz criterion 4.542613<br />
Log likelihood -64.73800 F-statistic 450.4688<br />
Durbin-Watson stat 0.057699 Prob(F-statistic) 0.000000<br />
Cu toate că parametrii din model sunt <strong>sem</strong>nificativi, iar valoarea R 2 este<br />
ridicată, puterea predictivă a modelului este redusă. De altfel, valoarea aproape de<br />
zero a statisticii Durbin – Watson indică o autocorelare puternică, pozitivă, a erorilor.
4<br />
2<br />
0<br />
-2<br />
-4<br />
-6<br />
5 10 15 20 25 30<br />
a. Conceptul de cointegrare<br />
Re<strong>si</strong>dual Actual Fitted<br />
a. Ordinul de integrare a unei serii de timp<br />
O serie este integrată de ordinul d (se notează xt → I(d)), dacă este suficient să<br />
fie diferenţiată de d ori pentru a fi staţionarizată.<br />
Fie o serie x1t staţionară şi o serie x2t integrată de ordinul 1:<br />
x1t → I(0)<br />
x2t → I(1)<br />
rezultă yt = x1t + x2t → I(1)<br />
Seria yt nu este staţionară deoarece este formată prin însumarea unei serii<br />
afectată de o tendinţă şi o serie staţionară.<br />
Fie două serii x1t şi x2t integrate de ordinul d:<br />
x1t → I(d)<br />
x2t → I(d)<br />
Problemă: yt = x1t + x2t → I(?), dar combinaţia lineară αx1t + βx2t → I(?),<br />
Rezultatul depinde de <strong>sem</strong>nul coeficienţilor α şi β şi de existenţa unei dinamici<br />
non-staţionare comune.<br />
Să examinăm un alt caz:<br />
40<br />
30<br />
20<br />
10<br />
0
x1t → I(d)<br />
x2t → I(d')<br />
cu d' ≠ d. Atunci yt = x1t + x2t → I(?).<br />
191<br />
Este impo<strong>si</strong>bil de gă<strong>si</strong>t o regulă generală când se însumează două serii cu<br />
ordine de integrare diferite.<br />
b. Condiţiile de cointegrare<br />
Două serii xt şi yt sunt cointegrate dacă sunt verificate două condiţii:<br />
seriile sunt afectate de o tendinţă aleatoare cu acelaşi grad de integrare d;<br />
o combinaţie lineară a acestor serii permite obţinerea unei serii cu un orin de integrare<br />
inferior.<br />
Simbolic, fie<br />
xt → I(d)<br />
yt → I(d)<br />
astfel încât α1xt + α2yt → I(d–b), cu d ≥ b > 0. Se notează xt, yt → CI(d,b), unde<br />
[α1, α2] este vectorul de cointegrare.<br />
În cazul general, fie există k variabile, toate I(d). Se notează<br />
Xt = [x1,t, x2,t, …, xk,t]. Dacă există un vector de cointegrare α = [α1, α2, …, αk], de<br />
dimen<strong>si</strong>uni (k, 1) astfel încât<br />
αXt → I(d-b)<br />
atunci cele k variabile aleatoare sunt cointegrate, iar vectorul de cointegrare este α. Se<br />
notează:<br />
cu b > 0.<br />
Xt → CI(d, b)<br />
c. Model de corectare a erorii (Error Correction Model – ECM)<br />
Fie<br />
şi [β, –1]<br />
xt, yt → CI(1,1),
vectorul de cointegrare. În expre<strong>si</strong>a precedentă, vectorul este normalizat prin<br />
acceptarea notaţiei -α1/α2 = β, adică a condiţiei:<br />
βxt – yt → I(0).<br />
Dacă se regresează direct yt în funcţie de xt, relaţia obţinută nu este reală, ci<br />
decurge pur şi <strong>si</strong>mplu din relaţia dintre cele două tendinţe. Problema care se ridică<br />
este, pe de o parte, aceea de identificare a relaţiei comune de cointegrare (tendinţa<br />
comună) şi, pe de altă parte, de căutare a legăturii reale între variabile. Aceasta<br />
reprezintă obiectivul Modelului cu Rectificare a Erorii. Modelul are o componentă<br />
statică(β1Δxt) şi una dinamică (β2(yt-1 – βxt-1)).<br />
Relaţia dintre x şi y poate fi specificată astfel:<br />
Δyt = β1Δxt + β2(yt-1 – βxt-1)<br />
În jurul relaţiei pe termen lung, modelul corector de erori permite integrarea<br />
fluctuaţilor pe termen scurt. Coeficientul β2 – care trebuie să fie negativ – ţine seama<br />
de forţa de atracţie a echilibrului pe termen lung.<br />
d. Cointegrarea între două variabile<br />
a. Test de cointegrare între două variabile – algoritmul în două etape Engle-Gr<strong>an</strong>ger<br />
Etapa 1: se testează ordinul de intagrare a variabilelor. Seriile trebuie să fie integrate<br />
de acelaşi ordin. Dacă seriile au ordine diferite de intagrare, atunci po<strong>si</strong>bilitatea unei<br />
relaţi de cointegrare este exclusă. Fie<br />
xt → I(d)<br />
yt → I(d)<br />
Etapa 2: estimarea relaţiei pe termen lung. Se estimează relaţia<br />
yt = a0 + a1xt + εt<br />
Relaţia de cointegrare este acceptată dacă reziduurile ut sunt staţionare:<br />
ut = yt – â0 – â1xt.<br />
Staţionaritatea reziduurilor este <strong>an</strong>alizată cu ajutorul testelor DF, sau ADF.<br />
Deoarece tabelele DF şi ADF sunt construite pentru reziduuri rezultate din relaţia<br />
statică dintre x şi y, pentru cointegrare au fost construite tabele speciale (MacKinnon,<br />
1991). Dacă reziduurile sunt staţionare, se poate estima modelul corector al erorilor.
e. Estimarea modelului corector al erorii<br />
193<br />
Engle şi Gr<strong>an</strong>ger au demonstrat că toate seriile cointegrate pot fi reprezentate<br />
printr-un ECM (teorema de reprezentare a lui Gr<strong>an</strong>ger).<br />
Fie xt, yt → CI(1, 1).<br />
Etapa 1: se estimează prin MCMMP relaţia pe termen lung:<br />
yt = â0 + â1xt + ut<br />
Etapa 2: se estimează prin MCMMP relaţia din modelul dinamic (pe termen scurt)<br />
Δyt = α1Δxt + α2ut-1 + et, α2 < 0<br />
Coeficientul α2 (forţa de atracţie spre echilibru) trebuie să fie <strong>sem</strong>nificativ şi<br />
negativ. În caz contrar, se respinge o reprezentare de tip ECM. În acest caz,<br />
mec<strong>an</strong>ismul de corecţie a erorii (mişcarea care permite apropierea de echilibru) este<br />
de sens contrar, şi evoluţia se îndepărtează de ţinta pe termen lung. Procedura în două<br />
etape conduce la o estimatre convergentă a parametrilor modelului, iar abaterea<br />
st<strong>an</strong>dard a estimatorilor poate fi interpretată în m<strong>an</strong>iera cla<strong>si</strong>că (Engle şi Gr<strong>an</strong>ger,<br />
1987).
13. UTILIZAREA MODELELOR<br />
ECONOMETRICE ÎN PROGNOZĂ (I)<br />
În sens econometric, prognoza reprezintă o <strong>an</strong>ticipare c<strong>an</strong>titativă a unor<br />
evenimente sau condiţii viitoare, pornind de la un set de informaţii disponibile.<br />
13.1. Prognoza în cazul modelului unifactorial de regre<strong>si</strong>e<br />
lineară<br />
Se presupunem că legătura dintre două variabile Y şi X poate fi modelată<br />
printr-o ecuaţie de regre<strong>si</strong>e lineară de tipul<br />
Yt = a0 + a1Xt + et, t = 1, 2, ..., n 9- 1<br />
relaţie în care erorile sunt normal distribuite, de medie nulă, nu sunt heteroscedastice,<br />
nu sunt autocorelate şi sunt independente în raport cu variabila explicativă Xt.<br />
Realizarea unei <strong>prognoze</strong> presupune <strong>an</strong>ticiparea a două elemente. Pe de o<br />
parte, prognoza implică determinarea valorii medii a variabilei Y la un moment viitor<br />
n+1, sau, mai general, n+p (unde p ≥ 1), atunci când parametrii ecuaţiei (9- 1) sunt<br />
estimaţi pe baza unei selecţii realizate la momentele 1, 2, …, n. Pe de altă parte, este<br />
necesar calculul împrăştierii probabile a valorilor prognozate în jurul mediei estimate<br />
(calculul disper<strong>si</strong>ei erorilor de prognoză).<br />
Pentru determinarea valorii medii, admitem ipoteza că ecuaţia (9- 1) scrisă<br />
pentru primele n momente de timp, poate fi extinsă la momentul n+1:<br />
Yn+1 = a0 + a1Xn+1 + en+1 9- 2<br />
Pentru calculul disper<strong>si</strong>ei de prognoză, acceptăm că proprietatea erorilor de a<br />
nu fi heteroscedastice (proprietate verificată în trecut, în istoria seriei de date) se<br />
păstrează şi în viitor:<br />
2<br />
2 2<br />
e Me<br />
σ<br />
Var <br />
n<br />
1 n1<br />
e<br />
9- 3<br />
Notăm â0 şi â1 estimatorii parametrilor din ecuaţia de regre<strong>si</strong>e.
Admitem că estimarea<br />
Yˆ<br />
t<br />
â â X , t 1,<br />
2,<br />
,<br />
n<br />
9- 4<br />
0<br />
1<br />
t<br />
acceptată pentru primele n momente de timp, rămâne valabilă şi pentru momentul<br />
n+1. În aceste condiţii valoarea medie a variabilei endogene, la orizontul de prognoză<br />
t+1 se calculează astfel:<br />
Ŷn+1 = â0 + â1Xn+1 9- 5<br />
195<br />
Disper<strong>si</strong>a erorilor nu este cunoscută. De aceea, în calculele de prognoză se<br />
înlocuieşte cu un estimator nedeplasat calculat pe baza datelor din eş<strong>an</strong>tion. Un<br />
estimator nedeplasat al disper<strong>si</strong>ei erorilor calculat pornind de la disper<strong>si</strong>a de selecţie a<br />
variabilei reziduale este dat de expre<strong>si</strong>a:<br />
s<br />
2<br />
u<br />
n<br />
2<br />
u t<br />
t 1 <br />
9- 6<br />
n 2<br />
În aceste condiţii, se demonstrează că un indicator nedeplasat pentru disper<strong>si</strong>a<br />
erorilor de prognoză este:<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
2<br />
2 2 1 Xn<br />
1 X<br />
s f su<br />
1<br />
2<br />
9- 7<br />
n Xt<br />
X<br />
Cu alte cuvinte, că disper<strong>si</strong>a erorilor de prognoză depinde de disper<strong>si</strong>a erorilor<br />
din model, de dimen<strong>si</strong>unea eş<strong>an</strong>tionului, de variaţia în eş<strong>an</strong>tion a valorilor exogenei şi<br />
de dist<strong>an</strong>ţa dintre valoarea <strong>an</strong>ticipată a variabilei explicative şi media variabilei<br />
respective. Dacă toate celelalte condiţii rămân nemodificate, atunci, disper<strong>si</strong>a erorilor<br />
de prognoză este mai mică pe măsură ce dimen<strong>si</strong>unea eş<strong>an</strong>tionului creşte, iar variaţia<br />
valorilor explicative este mai mare. În plus, erorile de prognoză sunt mai mici dacă<br />
punctul în care se realizează prognoza este mai apropiat de media variabilei<br />
explicative.<br />
Construirea unui indicator nedeplasat pentru disper<strong>si</strong>a erorilor de prognoză<br />
permite calculul unui interval de prognoză pentru Yn+1, pornind de la relaţia:<br />
Y ˆ<br />
n1<br />
Y t s ˆ<br />
t s Y <br />
9- 8<br />
n2;<br />
α<br />
f<br />
n1<br />
n1<br />
n2;<br />
α<br />
f
unde tn-2;α este valoarea din distribuţia teoretică t-Student, testul bilateral, pentru n-2<br />
grade de libertate (n fiind dimen<strong>si</strong>unea eş<strong>an</strong>tionului), valoare corespunzătoare unui<br />
grad de încredere de (1-α).<br />
13.2. Prognoza în cazul modelului multifactorial de regre<strong>si</strong>e<br />
lineară<br />
Să presupunem că modelul de regre<strong>si</strong>e lineară conţine k regresori (variabile<br />
explicative) şi este estimat pornind de la o selecţie de volum n:<br />
Y = XA + e 9- 9<br />
unde Y este un vector de dimen<strong>si</strong>uni n×1, care are drept componente valorile<br />
variabilei endogene, X este o matrice de dimen<strong>si</strong>uni n×(k+1), în care elementele din<br />
prima colo<strong>an</strong>ă sunt egale cu unu, iar fiecare dintre celelalte k colo<strong>an</strong>e conţine valorile<br />
înregistrate pentru una dintre variabilele explicative, A este vectorul de dimen<strong>si</strong>uni<br />
(k+1)×1 al parametrilor modelului, iar e este vectorul erorilor, de dimen<strong>si</strong>uni n×1. Se<br />
demonstrează că, dacă sunt respectate ipotezele obişnuite privind erorile şi variabilele<br />
explicative, atunci vectorul estimatorilor calculaţi pentru parametrii modelului prin<br />
metoda celor mai mici pătrate este dat de relaţia:<br />
1<br />
X'X X'Y<br />
 9- 10<br />
Presupunem că poate fi construit un nou set de valori pentru variabilele<br />
explicative, corespunzător perioadei n+1, cu alte cuvinte, se poate adăuga un vector<br />
linie în matricea X. Atunci, prognoza pentru momentul n+1 poate fi construită astfel:<br />
Ŷn+1 = Xn+1Â 9- 11<br />
Menţionăm faptul că Xn+1 este un vector linie de dimen<strong>si</strong>uni 1×(k+1), iar Â<br />
este un vector colo<strong>an</strong>ă de dimen<strong>si</strong>uni (k+1)×1. Rezultă că Ŷn+1 este un scalar.<br />
Având în vedere faptul că, pentru orice t, valoarea Yt se poate calcula prin<br />
multiplicarea vectorului linie Xt cu vectorul colo<strong>an</strong>ă A, plus componenta et din<br />
vectorul erorilor e, rezultă că relaţia este adevărată şi pentru t = n + 1:<br />
Yn+1 = Xn+1A + en+1 9- 12<br />
deci estimarea erorii de prognoză se poate scrie,
un+1 = Yn+1 – Ŷn+1 9- 13<br />
197<br />
În relaţiile 9- 11 şi 9- 12, Yn+1 reprezintă valoarea prognozată pentru variabila<br />
endogenă la momentul n+1, Ŷn+1 este estimarea variabilei endogene realizată pe baza<br />
modelului, et+1 <strong>si</strong>mbolizează componenta aleatoare care se adaugă vectorului e în<br />
poziţia n+1, iar ut+1 este valoarea reziduală care estimează eroarea de prognoză.<br />
Se poate demonstra că un estimator nedeplasat al disper<strong>si</strong>ei erorilor de<br />
prognoză, estimator calculat pe baza datelor din eş<strong>an</strong>tion este dat de expre<strong>si</strong>a:<br />
unde<br />
1<br />
1 X X'X X'<br />
<br />
2 2<br />
sf su<br />
n1<br />
n1<br />
s<br />
2<br />
u<br />
9- 14<br />
n<br />
2<br />
u t<br />
t<br />
1 <br />
9- 15<br />
n k 1<br />
Erorile normalizate urmează o distribuţie t (Student) cu n-(k+1) grade de<br />
libertate, pentru un prag de <strong>sem</strong>nificaţie α:<br />
Y<br />
Y ˆ<br />
n1 n1<br />
~ tn<br />
<br />
sf<br />
k 1;<br />
α<br />
9- 16<br />
Din (9- 16) se deduce că un interval de încredere pentru valorile de prognoză,<br />
calculat cu un grad de încredere de (1-α), este dat de relaţia următoare:<br />
Y ˆ<br />
n1<br />
Y t s<br />
ˆ<br />
t s Y <br />
9- 17<br />
nk<br />
1;<br />
α<br />
f<br />
n1<br />
n1<br />
nk<br />
1;<br />
α<br />
unde tn-k-1;α este valoarea din distribuţia teoretică t-Student, testul bilateral, pentru<br />
n-k-1 grade de libertate (n fiind dimen<strong>si</strong>unea eş<strong>an</strong>tionului, iar k – numărul variabilelor<br />
exogene din model), valoare corespunzătoare unui grad de încredere de (1-α).<br />
Dacă setul de valori ale variabilei exogene X nu este construit pentru<br />
momentul imediat următor n+1, ci pentru un moment oarecare n+p, atunci, prognoza<br />
pentru momentul n+p poate fi construită astfel:<br />
Y ˆ<br />
X Â<br />
9- 18<br />
n p n<br />
p<br />
iar un estimator nedeplasat pentru disper<strong>si</strong>a erorilor de prognoză se calculează după<br />
relaţia:<br />
f
1<br />
1 X X'X<br />
X'<br />
<br />
<br />
2 2<br />
sf se<br />
n<br />
p<br />
n<br />
p<br />
9- 19<br />
unde 2<br />
s u este dată de relaţia (9- 15).
14.UTILIZAREA MODELELOR<br />
ECONOMETRICE ÎN PROGNOZĂ (II)<br />
14.1. Aplicaţii<br />
14.1.1. Modelul linear unifactorial<br />
199<br />
Pentru exemplificarea modului de calcul a <strong>prognoze</strong>i reluăm cazul numeric<br />
studiat în capitolul 2, referitor la legătura dintre veniturile populaţiei şi volumul<br />
economiilor (tabelul 2-1). Scopul <strong>an</strong>alizei este realizarea unei <strong>prognoze</strong> a volumului<br />
economiilor pentru o familie care urmează un comportament de consum a<strong>sem</strong>ănător<br />
celui specific populaţiei din care s-a extras eş<strong>an</strong>tionul prezentat în tabelul (2-1). Să<br />
presupunem că familia respectivă, numerotată cu 21, realizează un venit X21 = 230.<br />
Pentru realizarea <strong>prognoze</strong>i, se determină, în primul rând, valoarea Ŷ21, pe baza<br />
ecuaţiei de regre<strong>si</strong>e. Pentru exemplul <strong>an</strong>alizat, ecuaţia de regre<strong>si</strong>e este de forma:<br />
Yt = a0 + a1Xt + et,<br />
unde Yt este variabila endogenă (explicată) – volumul economiilor populaţiei, Xt este<br />
variabila exogenă (explicativă) – veniturile populaţiei, et – variabila de abatere<br />
(discrep<strong>an</strong>ţa dintre valorile înregistrate şi cele <strong>an</strong>ticipate pe baza modelului), a0 şi a1<br />
sunt parametrii modelului.<br />
Aşa cum s-a demo0nstrat în capitolele <strong>an</strong>terioare, dacă modelul respectiv este<br />
estimat pornind de la datele din tabelul 2-1, atunci erorile sunt normal distribuite, nu<br />
sunt heteroscedastice şi nu sunt autocorelate.<br />
este:<br />
Modelul calculat prin metoda celor mai mici pătrate pentru întreg eş<strong>an</strong>tionul<br />
Ŷt = -6.40793 + 0.28952∙Xt, pentru t = 1, 2 ,…, 25,<br />
iar rezultatele estimării modelului sunt prezentate în tabelul 9-1. Primele colo<strong>an</strong>e din<br />
acest tabel sunt preluate din tabelul 2-1.
Tabelul 9-1: Calcule de bază pentru prognoză - modelul unifactorial<br />
t Xt Yt Ŷt ut<br />
u 2<br />
2<br />
t<br />
X X <br />
1 100 20 22.5441 -2.5441 6.4723 5041<br />
2 110 25 25.4393 -0.4393 0.1930 3721<br />
3 120 28 28.3345 -0.3345 0.1119 2601<br />
4 125 30 29.7821 0.2179 0.0475 2116<br />
5 130 33 31.2297 1.7703 3.1340 1681<br />
6 140 35 34.1249 0.8751 0.7658 961<br />
7 150 36 37.0201 -1.0201 1.0406 441<br />
8 155 42 38.4677 3.5323 12.4773 256<br />
9 170 44 42.8105 1.1895 1.4150 1<br />
10 170 42 42.8105 -0.8105 0.6569 1<br />
11 180 45 45.7057 -0.7057 0.4980 81<br />
12 185 50 47.1533 2.8467 8.1038 196<br />
13 190 47 48.6009 -1.6009 2.5628 361<br />
14 200 48 51.4961 -3.4961 12.2226 841<br />
15 205 52 52.9437 -0.9437 0.8905 1156<br />
16 210 58 54.3913 3.6087 13.0228 1521<br />
17 215 54 55.8389 -1.8389 3.3815 1936<br />
18 220 55 57.2865 -2.2865 5.2280 2401<br />
19 220 58 57.2865 0.7135 0.5091 2401<br />
20 225 60 58.7341 1.2659 1.6025 2916<br />
∑ 3420 862 862.0000 0.0000 74.3359 30630<br />
Pornind de la ecuaţia de regre<strong>si</strong>e<br />
şi de la X21 = 230 se deduce<br />
Ŷt = -6.40793 + 0.28952∙Xt,<br />
Ŷ21 = -6.40793 + 0.28952∙230 = 60.18167.<br />
Pentru calculul unui estimator nedeplasat al disper<strong>si</strong>ei erorilor de prognoză se<br />
preiau valorile ∑ 2 X<br />
X şi 2<br />
u din tabelul 9-1. Rezultă<br />
t<br />
t<br />
t
s<br />
2<br />
u<br />
n<br />
<br />
<br />
2<br />
ut<br />
t 1 74.<br />
3359<br />
4.<br />
129772<br />
n 2 20 2<br />
Aceste valori sunt înlocuite în relaţia de calcul (9- 7):<br />
s<br />
2<br />
f<br />
<br />
2 1<br />
s <br />
u 1<br />
<br />
n<br />
<br />
<br />
<br />
X<br />
n 1<br />
<br />
X<br />
X X<br />
171 230<br />
1 <br />
4.<br />
129772<br />
<br />
1<br />
<br />
20 30630<br />
t<br />
2<br />
2<br />
<br />
<br />
<br />
<br />
2<br />
<br />
<br />
<br />
<br />
<br />
4.<br />
805538<br />
Abaterea st<strong>an</strong>dard a erorilor de prognoză se calculează astfel:<br />
s<br />
f<br />
<br />
s<br />
2<br />
f<br />
<br />
4.<br />
805538<br />
<br />
2.<br />
192154<br />
201<br />
Din tabelul distribuţiei bilaterale t (Student), pentru n-2 = 18 grade de libertate<br />
şi un prag de <strong>sem</strong>nificaţie α = 0.05 se identifică t23;0.05 = 2.101 Intervalul de încredere<br />
pentru prognoză se calculează potrivit formulei (9- 8):<br />
adică<br />
sau<br />
Y ˆ<br />
n1<br />
t<br />
n2;<br />
α<br />
s<br />
f<br />
Y<br />
n1<br />
Yˆ <br />
n1<br />
t<br />
n2;<br />
α<br />
60.18167 – 2.101∙2.192154 ≤ Yn+1 ≤ 60.18167 + 2.101∙2.192154<br />
55.576 ≤ Yn+1 ≤ 64.787<br />
Interpretarea rezultatelor este următoarea: dacă o familie din populaţia<br />
<strong>an</strong>alizată înregistrează un venit X21 de 230 u.m., atunci, pentru familia respectivă,<br />
volumul economiilor va fi, în medie Y21 = 60.182 u.m. Cu un grad de încredere de<br />
95%, volumul economiilor se va <strong>si</strong>tua între 55.567 şi 64.787 u.m. Aceasta înseamnă<br />
că dacă eş<strong>an</strong>tionul selectat este reprezentativ pentru întreaga populaţie şi se urmăresc,<br />
prin selecţii succe<strong>si</strong>ve un număr mare de familii care au un venit egal cu 230, atunci<br />
media volumul economiilor înregistrate va fi 60.182 şi doar 5% dintre valori se vor<br />
<strong>si</strong>tua în afara intervalului [55.567, 64.787].<br />
14.1.2. Modelul linear multifactorial<br />
Pentru exemplificarea modului de elaborare a <strong>prognoze</strong>i pe baza modelului<br />
multifactorial de regre<strong>si</strong>e lineară se porneşte de la cazul numeric <strong>an</strong>alizat în capitolul<br />
2, referitor la dinamica veniturilor populaţiei (X1t), evoluţia ratei reale a dobânzii<br />
s<br />
f
pa<strong>si</strong>ve (X2t) şi dinamica depozitelor b<strong>an</strong>care (Yt) în 25 intervale succe<strong>si</strong>ve de timp<br />
(tabelul 2-2). Rezultatele estimării modelului linear prin metoda celor mai mici pătrate<br />
pornind de la eş<strong>an</strong>tionul prezentat în tabelul (2-1) sunt următoarele:<br />
Ŷt = -3.78693 + 0.75722∙X1t + 0.860999∙X2t.<br />
Presupunem că la momentul t = 26, ritmul de creştere a veniturilor populaţiei<br />
este X1,26 = 3, iar dinamica ratei reale a dobânzii pa<strong>si</strong>ve este X2,26 = 2. Valoarea medie<br />
a dinamicii depozitelor b<strong>an</strong>care la momentul t = 26, respectiv prognoza Ŷ26 se<br />
determină astfel:<br />
Ŷ26 = -3.78693 + 0.75722·3.0 + 0.860999·2.0 = 0.21<br />
Pentru calculul disper<strong>si</strong>ei erorilor de prognoză se deduce, mai întâi, blocul<br />
Xn+1(X'X) -1 X'n+1. Matricea (X'X) -1 şi valoarea<br />
şi<br />
Atunci:<br />
s<br />
2<br />
u<br />
n<br />
<br />
<br />
( X'<br />
X)<br />
1<br />
24.<br />
378<br />
<br />
0.<br />
046<br />
<br />
<br />
6.<br />
121<br />
2<br />
ut<br />
t 1 1.<br />
2952<br />
<br />
n k 1<br />
25 2 1<br />
X' X<br />
1<br />
Xn 1 X'n1<br />
<br />
<br />
( 1<br />
3<br />
6.<br />
428<br />
2)<br />
<br />
<br />
<br />
<br />
<br />
2<br />
s u sunt preluate din capitolul 2:<br />
0.<br />
046<br />
0.<br />
039<br />
0.<br />
022<br />
0.<br />
0589<br />
24.<br />
378<br />
0.<br />
046<br />
6.<br />
121<br />
0.<br />
046<br />
0.<br />
039<br />
0.<br />
022<br />
6.<br />
121<br />
<br />
0.<br />
022<br />
1.<br />
542 <br />
<br />
6.<br />
121<br />
1<br />
<br />
0.<br />
022<br />
<br />
3<br />
<br />
1.<br />
542 2<br />
<br />
Utilizând relaţia (9- 19) şi valorile Xn+1(X'X) -1 X'n+1, respectiv<br />
mai sus, se obţine:<br />
<br />
1<br />
1 X X'X<br />
X'<br />
<br />
0.<br />
3786<br />
<br />
<br />
2 2<br />
sf su<br />
n1<br />
n1<br />
<br />
0.<br />
0589 1<br />
6.<br />
428 <br />
2<br />
s u determinate<br />
Pornind de la valoarea disper<strong>si</strong>ei erorilor de prognoză, se calculează abaterea<br />
st<strong>an</strong>dard a erorilor de prognoză astfel:<br />
s<br />
f<br />
<br />
s<br />
2<br />
f<br />
<br />
0.<br />
3786<br />
<br />
0.<br />
615
(9- 17):<br />
Intervalul de prognoză se determină, în această <strong>si</strong>tuaţie, potrivit formulei<br />
Y ˆ<br />
n1<br />
t<br />
nk<br />
1;<br />
α<br />
s<br />
f<br />
Y<br />
n1<br />
Yˆ <br />
n1<br />
t<br />
nk<br />
1;<br />
α<br />
0.21 – t22;0.050.615 ≤ Y26 ≤ 0.21 + t22;0.050.615<br />
unde valoarea t22;0.05 este preluată din repartiţia teoretică t Student, testul bilateral,<br />
pentru pragul de <strong>sem</strong>nificaţie α = 0.05 şi (25-2-1) = 22 grade de libertate:<br />
t22;0.05 = 2.074<br />
adică<br />
Rezumat<br />
Intervalul de prognoză este, în această <strong>si</strong>tuaţie, dat prin inegalitatea următoare:<br />
0.21 – 2.0740.615 ≤ Y26 ≤ 0.21 + 2.0740.615<br />
0.21 – 1.28 ≤ Y26 ≤ 0.21 + 1.28<br />
-1.07 ≤ Y26 ≤ 1.49<br />
Numim serie cronologică un şir de valori pe care le înregistrează o variabilă la momente<br />
sau la intervale de timp succe<strong>si</strong>ve. Seriile cronologice (sau de timp) se pot prezenta prin<br />
valori înregistrate pentru variabila <strong>an</strong>alizată la <strong>an</strong>umite momente date de timp sau prin<br />
informaţii privind fluxurile (modificările) înregistrate într-un interval de timp.<br />
s<br />
f<br />
203<br />
Printre cele mai import<strong>an</strong>te caracteristici stocastice ale unei serii de timp sunt<br />
media şi disper<strong>si</strong>a. Dacă aceste caracteristici se modifică în timp, seria dinamică este<br />
con<strong>si</strong>derată ca fiind ne-staţionară. Dacă procesul aleator este invari<strong>an</strong>t, seria de timp<br />
este staţionară.<br />
Dacă există o combinaţie lineară staţionară între variabile aleatoare<br />
nestaţionare, atunci variabilele combinate sunt cointegrate.<br />
În sens econometric, prognoza reprezintă o <strong>an</strong>ticipare c<strong>an</strong>titativă a unor<br />
evenimente sau condiţii viitoare, pornind de la un set de informaţii disponibile.<br />
Realizarea unei <strong>prognoze</strong> presupune <strong>an</strong>ticiparea a două elemente. Pe de o parte,<br />
prognoza implică determinarea valorii medii a variabilei Y la un moment viitor n+1,<br />
sau, mai general, n+p (unde p ≥ 1), atunci când parametrii ecuaţiei sunt estimaţi pe<br />
baza unei selecţii realizate la momentele 1, 2, …, n. Pe de altă parte, este necesar<br />
calculul împrăştierii probabile a valorilor prognozate în jurul mediei estimate (calculul<br />
disper<strong>si</strong>ei erorilor de prognoză).
Termeni-cheie<br />
Serii de timp<br />
Tendinţa generală a seriei de timp<br />
Componenta de sezonalitate a seriei de timp<br />
Staţionaritatea<br />
Testarea staţionarităţii - testul Dickey-Fuller<br />
Cointegarea<br />
Test de cointegrare între două variabile – algoritmul în două etape Engle-<br />
Gr<strong>an</strong>ger<br />
Prognoza pe baza modelului unifactorial de regre<strong>si</strong>e liniară<br />
Prognoza pe baza modelului multifactorial de regre<strong>si</strong>e liniară<br />
ÎNVĂȚARE NR. 3<br />
TEMA DE CONTROL A UNITĂȚII DE<br />
1. Explicaţi conceptul de serie de timp şi justificaţi larga lui utilizare în<br />
<strong>an</strong>aliza econometrică<br />
2. Explicaţi implicaţiile staţionarităţii seriilor de timp asupra parametrilor din<br />
ecuaţia de regre<strong>si</strong>e.<br />
3. Ce presupune existenţa unei relaţii de cointegrarea între două serii de timp<br />
4. Explicaţi relev<strong>an</strong>ţa calculul disper<strong>si</strong>ei erorilor de prognoză.<br />
5. Care sunt ipotezele modelului liniar unifactorial?<br />
6. Care sunt ipotezele modelului liniar multifactorial?<br />
7. Care sunt proprietăţile estimatorilor modelelor de regre<strong>si</strong>e?
Testul de autoevaluare nr. 3<br />
Barem<br />
Acordat/Realizat<br />
1. Analiza componentei sezoniere a variabilei dinamice poate fi realizată prin:<br />
a) descompunerea aditivă<br />
b) descompunerea multiplicativă.<br />
c) descompunerea integrativă<br />
Argumentaţi răspunsul<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
.....................<br />
2.Modificare mediei şi disper<strong>si</strong>ei în timp indică:<br />
a) Un proces staţionar<br />
b) Un proces nestaţionar<br />
c) Un proces stocastic<br />
Argumentaţi răspunsul<br />
1pct/........<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
.....................<br />
1 pct/........<br />
205
3. In ce condiţii variabilele economice sunt cointegrate?<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
.....................<br />
4. Descrieti testul de conintegrare intre două variabile:<br />
2pct/........<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
.....................<br />
5. Cum se estimează tendinţa unei serii de date?<br />
2 pct/........<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
.....................<br />
6. Ce se înţelege prin prognoză economică?<br />
2 pct/........
....................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
..........................................................................................................................................<br />
...........................<br />
1 pct/........<br />
Se acordă 1 pct. din oficiu. Total.....<br />
207<br />
Bibliografia specifică unității de învățare nr. 3<br />
Ailenei D., 1999, Piaţa ca spaţiu economic, Editura Didactică şi Pedagogică,<br />
Bucureşti<br />
Ailenei D., 2002, Economia sectorului public, Editura Brent, Bucureşti<br />
Bera A., Jarque C., 1981, Efficient Tests for Normality, Heteroscedasticity, <strong>an</strong>d Serial<br />
Independence of Regres<strong>si</strong>on Re<strong>si</strong>duals: Monte Carlo Evidence, în Economics<br />
Letters, 7, pp. 313-318.<br />
Bera A., Jarque C., 1982, Model Specification Tests: A Simult<strong>an</strong>eous Approach, în<br />
Journal of Econometrics, 20, pp. 59-82.<br />
Bollerslev T., Engle R.F., Nelson D.B., 1994, ARCH Models, Capitolul 49 din<br />
H<strong>an</strong>dbook of Econometrics, Volume 4, North-Holl<strong>an</strong>d.<br />
Bourbonnais R., 1997, Econométrie. Cours et exercises corrigés, Edition Dunod,<br />
Paris<br />
Box G.E.P., Jenkins G.M., 1976, Time Series Analy<strong>si</strong>s: Forecasting <strong>an</strong>d Control,<br />
Revised Edition, Holden-Day.<br />
Breusch T., 1978, Testing foe autocorelation in dinamic linear models, în Australi<strong>an</strong><br />
Economic Papers, 17, pag. 334-355
Brillet J.-L, 1989, Techiques de modelisation, Collection ENSAE (École Nationale de<br />
la Statistique et de l'Administration Économique), Paris<br />
Cochr<strong>an</strong>e D., Orcutt G.H., 1949, Application of Least Squares Regres<strong>si</strong>ons to<br />
Rel<strong>an</strong>tionships Containing Autocorrelated Error Terms, în Journal of<br />
Americ<strong>an</strong> Statistic Association, vol. 44, pag. 32-61<br />
Const<strong>an</strong>tin D.-L., 1998, Economie regională, Editura Oscar Print, Bucureşti<br />
Dickey D.A., Fuller W.A., 1979, Distribution of the Estimators for Autoregres<strong>si</strong>ve<br />
Time Series with a Unit Root, în Journal of the Americ<strong>an</strong> Statistical<br />
Association, 74, 427–431.<br />
Dobrescu E., 1999, Macromodels of the Rom<strong>an</strong>i<strong>an</strong> Tr<strong>an</strong><strong>si</strong>tion Economy (fourth<br />
ver<strong>si</strong>on), în AMFET - Modeling Economies in Tr<strong>an</strong><strong>si</strong>tion, vol.I, Univer<strong>si</strong>ty of<br />
Lodz (edited by W.Welfe), Lodz, Pol<strong>an</strong>d<br />
Dobrescu E., 2002, Tr<strong>an</strong>ziţia în România: abordări econometrice, Editura<br />
Economică, Bucureşti<br />
Engle R.F., 1982, Autoregres<strong>si</strong>ve Conditional Heteroscedasticity with Estimates of<br />
Vari<strong>an</strong>ce of United Kingdom Inflation, în Econometrica, Vol. 50 (July), pag.<br />
987-1007<br />
Engle R.F., Gr<strong>an</strong>ger C.W.J., 1987, Co-integration <strong>an</strong>d Error Correction:<br />
Representation, Estimation, <strong>an</strong>d Testing, în Econometrica, 55, pag. 251-276.<br />
Fedorenko N.P., K<strong>an</strong>torovici L.V. (ş.a.), 1979, Dicţionar de matematică şi cibernetică<br />
în economie, Editura Ştiinţifică şi Enciclopedică, Bucureşti<br />
Godfrey L.G., 1988, Specification Tests in Econometrics, Cambridge Univer<strong>si</strong>ty<br />
Press.<br />
Gr<strong>an</strong>ger C.W.J., 1969, Investigating Causal Relations by Econometric Models <strong>an</strong>d<br />
Cross-Spectral Methods, în Econometrica, 37, pag. 424-438.<br />
Greene W.H., 2000, Econometric Analy<strong>si</strong>s, 3rd edition, Prentice-Hall.<br />
H<strong>an</strong>sen B.E., 2002, Econometrics, Univer<strong>si</strong>ty of Wiscon<strong>si</strong>n, www.ssc.wisc.edu/~<br />
bh<strong>an</strong>sen<br />
Harvey A.C., 1993, Time Series Models, 2nd edition, MIT Press.<br />
Hausm<strong>an</strong> J.A., 1978, Specification Tests in Econometrics, în Econometrica, 46, 1251–<br />
1272.
Hildreth G., Lu J.Y, 1960, Dem<strong>an</strong>d Relations with Autocorrelated Disturb<strong>an</strong>ces,<br />
209<br />
în Michig<strong>an</strong> State Univer<strong>si</strong>ty Agricultural Experiment Station, Tehnical<br />
Bulletin 276, November<br />
I<strong>an</strong>cu A., 1998, Bazele teoriei politicii economice, Editura All & Beck şi IRLI,<br />
Bucureşti<br />
Johnston J., DiNardo J.E., 1997, Econometric Methods, 4th edition, McGraw-Hill.<br />
Jula D., 2002, Modelare şi prognoză macroeconomică, Editura Estfalia Bucureşti<br />
Jula D., 2003, Introducere în econometrie, Editura Profes<strong>si</strong>onal Consulting, Bucureşti<br />
Jula D., Ailenei D., Jula N., Gârbove<strong>an</strong> A., Economia dezvoltării, Editura Viitorul<br />
Românesc, Bucureşti<br />
Jula D., Jula N., 1999, Economia sectorială, Editura Didactică şi Pedagogică,<br />
Bucureşti<br />
Jula N., 1999, Teorii şi modele privind piaţa muncii. Piaţa muncii în România,<br />
Editura Brent¸ Bucureşti<br />
Jula N., 2003, Statistică economică, Editura Bren, Bucureşti<br />
Jula N., 2004, Modelarea deciziilor fin<strong>an</strong>ciar – monetare. Elemente de econometrie<br />
aplicată, Editura Bren, Bucureşti<br />
Jula N., 2006, Modelare economică. Econometrie aplicată, Editura Must<strong>an</strong>g,<br />
Bucureşti<br />
K<strong>an</strong>e E.J., 1971, Statistique économique et économetrie, Arm<strong>an</strong>d Colin, Paris<br />
Kmenta J., 1986, Elements of Econometrics, New York: Macmill<strong>an</strong><br />
Maddala G.S, 2001, Econometrics, New York: McGraw-Hill<br />
Malinvaud E., 1981, Méthodes statistiques de l'économetrie, Edition Dunod, Paris<br />
Nicolae V., Const<strong>an</strong>tin D.-L., Grădinaru I., 1998, Previziune şi orientare economică,<br />
Editura Economică, Bucureşti<br />
Pârţachi I., Brăilă A., Şişc<strong>an</strong>u N., 1999, Econometrie aplicată, A.S.E.M., Chişinău<br />
Pecic<strong>an</strong> E.-S., 1994, Econometrie, Editura All, Bucureşti<br />
Pecic<strong>an</strong> E.-S., 1996, Macroeconometrie - Politici economice guvernamentale şi<br />
econometrie, Editura Economică, Bucureşti<br />
Phillips P.C.B., Perron P., 1988, Testing for a Unit Root in Time Series Regres<strong>si</strong>on, în<br />
Biometrika, 75, pag. 335-346.<br />
Pindyck R.S., Rubinfeld D.L, 1991, Econometric Models <strong>an</strong>d Economic Forecasts,<br />
McGraw-Hill, Inc.
Ram<strong>an</strong>ath<strong>an</strong> R., 1992, Introductory Econometrics, Second Edition, The Dryden Press,<br />
Harcourt Brace College Publishers, Orl<strong>an</strong>do, USA<br />
Sp<strong>an</strong>os A., 1986, Statistical foundations of econometric modelling, Cambridge<br />
Univer<strong>si</strong>ty Press<br />
Tănăsoiu O., Iacob A.-I., 1999, Econometrie aplicată, Editura Arteticart, Bucureşti<br />
Taşnadi Al., 2001, Econometrie aplicată, Editura ASE, Bucureşti<br />
Theil H., 1971, Principles of Econometrics, John Wiley <strong>an</strong>d Sons, New York<br />
Thomas R.-L, 1993, Introductory Econometrics: Theory <strong>an</strong>d Applications, 2nd<br />
edition, Harlow, Longm<strong>an</strong><br />
Thomas R.-L, 1997, Modern Econometrics: An Introduction, 2nd edition, Harlow,<br />
Longm<strong>an</strong><br />
V<strong>an</strong>grevelinghe G., 1973, Econométrie, Herm<strong>an</strong>n, Paris<br />
White H., 1980, A Heteroskedasticity-Con<strong>si</strong>stent Covari<strong>an</strong>ce Matrix <strong>an</strong>d a Direct<br />
Test for Heteroskedasticity, în Econometrica, 48, pag. 817-838.<br />
Zam<strong>an</strong> C., 1998, Econometrie, Pro Democraţia, Bucureşti<br />
Zamfir C., Vlăsce<strong>an</strong>u L., 1993, Dicţionar de sociologie, Editura Babel, Bucureşti<br />
Răspunsurile la Testul de autoevaluare nr. 3: 1 a,b; 2 b; pentru 3, 4, 5,6 – vezi<br />
definiţiile din cadrul acestei unităţi.
AUTOEVALUARE<br />
RĂSPUNSURILE LA TESTELE DE<br />
Răspunsurile la Testul de autoevaluare nr. 1: 1, 2, 3, 4 – vezi definiţiile din cadrul<br />
acestei unităţi, precum şi figurile 1.1., 1.2., 1.3.; 5 c; 6 a.<br />
Răspunsurile la Testul de autoevaluare nr. 2: 1 b; 2 a; pentru 3, 4, 5, 6 – vezi<br />
definiţiile din cadrul acestei unităţi;<br />
Răspunsurile la Testul de autoevaluare nr. 3: 1 a,b; 2 b; pentru 3, 4, 5,6 – vezi<br />
definiţiile din cadrul acestei unităţi.<br />
211
BIBLIOGRAFIA ÎNTREGULUI<br />
SUPORT DE CURS<br />
Ailenei D., 1999, Piaţa ca spaţiu economic, Editura Didactică şi Pedagogică,<br />
Bucureşti<br />
Ailenei D., 2002, Economia sectorului public, Editura Brent, Bucureşti<br />
Bera A., Jarque C., 1981, Efficient Tests for Normality, Heteroscedasticity, <strong>an</strong>d Serial<br />
Independence of Regres<strong>si</strong>on Re<strong>si</strong>duals: Monte Carlo Evidence, în Economics<br />
Letters, 7, pp. 313-318.<br />
Bera A., Jarque C., 1982, Model Specification Tests: A Simult<strong>an</strong>eous Approach, în<br />
Journal of Econometrics, 20, pp. 59-82.<br />
Bollerslev T., Engle R.F., Nelson D.B., 1994, ARCH Models, Capitolul 49 din<br />
H<strong>an</strong>dbook of Econometrics, Volume 4, North-Holl<strong>an</strong>d.<br />
Bourbonnais R., 1997, Econométrie. Cours et exercises corrigés, Edition Dunod,<br />
Paris<br />
Box G.E.P., Jenkins G.M., 1976, Time Series Analy<strong>si</strong>s: Forecasting <strong>an</strong>d Control,<br />
Revised Edition, Holden-Day.<br />
Breusch T., 1978, Testing foe autocorelation in dinamic linear models, în Australi<strong>an</strong><br />
Economic Papers, 17, pag. 334-355<br />
Brillet J.-L, 1989, Techiques de modelisation, Collection ENSAE (École Nationale de<br />
la Statistique et de l'Administration Économique), Paris<br />
Cochr<strong>an</strong>e D., Orcutt G.H., 1949, Application of Least Squares Regres<strong>si</strong>ons to<br />
Rel<strong>an</strong>tionships Containing Autocorrelated Error Terms, în Journal of<br />
Americ<strong>an</strong> Statistic Association, vol. 44, pag. 32-61<br />
Const<strong>an</strong>tin D.-L., 1998, Economie regională, Editura Oscar Print, Bucureşti<br />
Dickey D.A., Fuller W.A., 1979, Distribution of the Estimators for Autoregres<strong>si</strong>ve<br />
Time Series with a Unit Root, în Journal of the Americ<strong>an</strong> Statistical<br />
Association, 74, 427–431.
Dobrescu E., 1999, Macromodels of the Rom<strong>an</strong>i<strong>an</strong> Tr<strong>an</strong><strong>si</strong>tion Economy (fourth<br />
213<br />
ver<strong>si</strong>on), în AMFET - Modeling Economies in Tr<strong>an</strong><strong>si</strong>tion, vol.I, Univer<strong>si</strong>ty of<br />
Lodz (edited by W.Welfe), Lodz, Pol<strong>an</strong>d<br />
Dobrescu E., 2002, Tr<strong>an</strong>ziţia în România: abordări econometrice, Editura<br />
Economică, Bucureşti<br />
Engle R.F., 1982, Autoregres<strong>si</strong>ve Conditional Heteroscedasticity with Estimates of<br />
Vari<strong>an</strong>ce of United Kingdom Inflation, în Econometrica, Vol. 50 (July), pag.<br />
987-1007<br />
Engle R.F., Gr<strong>an</strong>ger C.W.J., 1987, Co-integration <strong>an</strong>d Error Correction:<br />
Representation, Estimation, <strong>an</strong>d Testing, în Econometrica, 55, pag. 251-276.<br />
Fedorenko N.P., K<strong>an</strong>torovici L.V. (ş.a.), 1979, Dicţionar de matematică şi cibernetică<br />
în economie, Editura Ştiinţifică şi Enciclopedică, Bucureşti<br />
Godfrey L.G., 1988, Specification Tests in Econometrics, Cambridge Univer<strong>si</strong>ty<br />
Press.<br />
Gr<strong>an</strong>ger C.W.J., 1969, Investigating Causal Relations by Econometric Models <strong>an</strong>d<br />
Cross-Spectral Methods, în Econometrica, 37, pag. 424-438.<br />
Greene W.H., 2000, Econometric Analy<strong>si</strong>s, 3rd edition, Prentice-Hall.<br />
H<strong>an</strong>sen B.E., 2002, Econometrics, Univer<strong>si</strong>ty of Wiscon<strong>si</strong>n, www.ssc.wisc.edu/~<br />
bh<strong>an</strong>sen<br />
Harvey A.C., 1993, Time Series Models, 2nd edition, MIT Press.<br />
Hausm<strong>an</strong> J.A., 1978, Specification Tests in Econometrics, în Econometrica, 46, 1251–<br />
1272.<br />
Hildreth G., Lu J.Y, 1960, Dem<strong>an</strong>d Relations with Autocorrelated Disturb<strong>an</strong>ces, în<br />
Michig<strong>an</strong> State Univer<strong>si</strong>ty Agricultural Experiment Station, Tehnical Bulletin<br />
276, November<br />
I<strong>an</strong>cu A., 1998, Bazele teoriei politicii economice, Editura All & Beck şi IRLI,<br />
Bucureşti<br />
Johnston J., DiNardo J.E., 1997, Econometric Methods, 4th edition, McGraw-Hill.<br />
Jula D., 2002, Modelare şi prognoză macroeconomică, Editura Estfalia Bucureşti<br />
Jula D., 2003, Introducere în econometrie, Editura Profes<strong>si</strong>onal Consulting, Bucureşti<br />
Jula D., Ailenei D., Jula N., Gârbove<strong>an</strong> A., Economia dezvoltării, Editura Viitorul<br />
Românesc, Bucureşti
Jula D., Jula N., 1999, Economia sectorială, Editura Didactică şi Pedagogică,<br />
Bucureşti<br />
Jula N., 1999, Teorii şi modele privind piaţa muncii. Piaţa muncii în România,<br />
Editura Brent¸ Bucureşti<br />
Jula N., 2003, Statistică economică, Editura Bren, Bucureşti<br />
Jula N., 2004, Modelarea deciziilor fin<strong>an</strong>ciar – monetare. Elemente de econometrie<br />
aplicată, Editura Bren, Bucureşti<br />
Jula N., 2006, Modelare economică. Econometrie aplicată, Editura Must<strong>an</strong>g,<br />
Bucureşti<br />
K<strong>an</strong>e E.J., 1971, Statistique économique et économetrie, Arm<strong>an</strong>d Colin, Paris<br />
Kmenta J., 1986, Elements of Econometrics, New York: Macmill<strong>an</strong><br />
Maddala G.S, 2001, Econometrics, New York: McGraw-Hill<br />
Malinvaud E., 1981, Méthodes statistiques de l'économetrie, Edition Dunod, Paris<br />
Nicolae V., Const<strong>an</strong>tin D.-L., Grădinaru I., 1998, Previziune şi orientare economică,<br />
Editura Economică, Bucureşti<br />
Pârţachi I., Brăilă A., Şişc<strong>an</strong>u N., 1999, Econometrie aplicată, A.S.E.M., Chişinău<br />
Pecic<strong>an</strong> E.-S., 1994, Econometrie, Editura All, Bucureşti<br />
Pecic<strong>an</strong> E.-S., 1996, Macroeconometrie - Politici economice guvernamentale şi<br />
econometrie, Editura Economică, Bucureşti<br />
Phillips P.C.B., Perron P., 1988, Testing for a Unit Root in Time Series Regres<strong>si</strong>on, în<br />
Biometrika, 75, pag. 335-346.<br />
Pindyck R.S., Rubinfeld D.L, 1991, Econometric Models <strong>an</strong>d Economic Forecasts,<br />
McGraw-Hill, Inc.<br />
Ram<strong>an</strong>ath<strong>an</strong> R., 1992, Introductory Econometrics, Second Edition, The Dryden Press,<br />
Harcourt Brace College Publishers, Orl<strong>an</strong>do, USA<br />
Sp<strong>an</strong>os A., 1986, Statistical foundations of econometric modelling, Cambridge<br />
Univer<strong>si</strong>ty Press<br />
Tănăsoiu O., Iacob A.-I., 1999, Econometrie aplicată, Editura Arteticart, Bucureşti<br />
Taşnadi Al., 2001, Econometrie aplicată, Editura ASE, Bucureşti<br />
Theil H., 1971, Principles of Econometrics, John Wiley <strong>an</strong>d Sons, New York<br />
Thomas R.-L, 1993, Introductory Econometrics: Theory <strong>an</strong>d Applications, 2nd<br />
edition, Harlow, Longm<strong>an</strong>
Thomas R.-L, 1997, Modern Econometrics: An Introduction, 2nd edition, Harlow,<br />
Longm<strong>an</strong><br />
V<strong>an</strong>grevelinghe G., 1973, Econométrie, Herm<strong>an</strong>n, Paris<br />
White H., 1980, A Heteroskedasticity-Con<strong>si</strong>stent Covari<strong>an</strong>ce Matrix <strong>an</strong>d a Direct<br />
Test for Heteroskedasticity, în Econometrica, 48, pag. 817-838.<br />
215
NOTIȚELE CURSANTULUI<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------
------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
217
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
---------------------------------------------------------------------<br />
------------------------------------------------------------------
Anexe statistice<br />
A. Distribuţia normală<br />
B. Valorile critice ale distribuţiei t – Student, testul bilateral<br />
C. Valorile critice ale distribuţiei t – Student, testul unilateral<br />
D. Valorile critice ale distribuţiei χ2<br />
E. Statistica Durbin – Watson: valorile dL şi dU pentru testul unilateral, la un<br />
nivel de <strong>sem</strong>nificaţie de 5%<br />
F. Distribuţia F pentru pragul de <strong>sem</strong>nificaţie α = 0.01<br />
G. Distribuţia F pentru pragul de <strong>sem</strong>nificaţie α = 0.05<br />
H. Distribuţia F pentru pragul de <strong>sem</strong>nificaţie α = 0.10<br />
Tabelele distribuţiilor normale, t – Student, χ 2 şi F (Fisher) au fost calculate cu<br />
ajutorul programului Microsoft Excel
220<br />
A. Distribuţia normală<br />
(aria <strong>si</strong>tuată sub curba normală st<strong>an</strong>dard de la zero la z)<br />
z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09<br />
0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359<br />
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0753<br />
0.2 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141<br />
0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1517<br />
0.4 0.1554 0.1591 0.1628 0.1664 0.1700 0.1736 0.1772 0.1808 0.1844 0.1879<br />
0.5 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2224<br />
0.6 0.2257 0.2291 0.2324 0.2357 0.2389 0.2422 0.2454 0.2486 0.2517 0.2549<br />
0.7 0.2580 0.2611 0.2642 0.2673 0.2704 0.2734 0.2764 0.2794 0.2823 0.2852<br />
0.8 0.2881 0.2910 0.2939 0.2967 0.2995 0.3023 0.3051 0.3078 0.3106 0.3133<br />
0.9 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.3340 0.3365 0.3389<br />
1.0 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.3577 0.3599 0.3621<br />
1.1 0.3643 0.3665 0.3686 0.3708 0.3729 0.3749 0.3770 0.3790 0.3810 0.3830<br />
1.2 0.3849 0.3869 0.3888 0.3907 0.3925 0.3944 0.3962 0.3980 0.3997 0.4015<br />
1.3 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.4147 0.4162 0.4177<br />
1.4 0.4192 0.4207 0.4222 0.4236 0.4251 0.4265 0.4279 0.4292 0.4306 0.4319<br />
1.5 0.4332 0.4345 0.4357 0.4370 0.4382 0.4394 0.4406 0.4418 0.4429 0.4441<br />
1.6 0.4452 0.4463 0.4474 0.4484 0.4495 0.4505 0.4515 0.4525 0.4535 0.4545<br />
1.7 0.4554 0.4564 0.4573 0.4582 0.4591 0.4599 0.4608 0.4616 0.4625 0.4633<br />
1.8 0.4641 0.4649 0.4656 0.4664 0.4671 0.4678 0.4686 0.4693 0.4699 0.4706<br />
1.9 0.4713 0.4719 0.4726 0.4732 0.4738 0.4744 0.4750 0.4756 0.4761 0.4767<br />
2.0 0.4772 0.4778 0.4783 0.4788 0.4793 0.4798 0.4803 0.4808 0.4812 0.4817<br />
2.1 0.4821 0.4826 0.4830 0.4834 0.4838 0.4842 0.4846 0.4850 0.4854 0.4857<br />
2.2 0.4861 0.4864 0.4868 0.4871 0.4875 0.4878 0.4881 0.4884 0.4887 0.4890<br />
2.3 0.4893 0.4896 0.4898 0.4901 0.4904 0.4906 0.4909 0.4911 0.4913 0.4916<br />
2.4 0.4918 0.4920 0.4922 0.4925 0.4927 0.4929 0.4931 0.4932 0.4934 0.4936<br />
2.5 0.4938 0.4940 0.4941 0.4943 0.4945 0.4946 0.4948 0.4949 0.4951 0.4952<br />
2.6 0.4953 0.4955 0.4956 0.4957 0.4959 0.4960 0.4961 0.4962 0.4963 0.4964<br />
2.7 0.4965 0.4966 0.4967 0.4968 0.4969 0.4970 0.4971 0.4972 0.4973 0.4974<br />
2.8 0.4974 0.4975 0.4976 0.4977 0.4977 0.4978 0.4979 0.4979 0.4980 0.4981
221<br />
z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09<br />
2.9 0.4981 0.4982 0.4982 0.4983 0.4984 0.4984 0.4985 0.4985 0.4986 0.4986<br />
3.0 0.4987 0.4987 0.4987 0.4988 0.4988 0.4989 0.4989 0.4989 0.4990 0.4990<br />
3.1 0.4990 0.4991 0.4991 0.4991 0.4992 0.4992 0.4992 0.4992 0.4993 0.4993<br />
3.2 0.4993 0.4993 0.4994 0.4994 0.4994 0.4994 0.4994 0.4995 0.4995 0.4995<br />
3.3 0.4995 0.4995 0.4995 0.4996 0.4996 0.4996 0.4996 0.4996 0.4996 0.4997<br />
3.4 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4998<br />
3.5 0.4998 0.4998 0.4999 0.4999 0.5000
222<br />
B. Valorile critice ale distribuţiei t – Student, testul<br />
bilateral<br />
Numărul<br />
gradelor de<br />
libertate<br />
α - testul bilateral<br />
0.10 0.05 0.02 0.01 0.001<br />
1 6.314 12.706 31.821 63.657 636.619<br />
2 2.920 4.303 6.965 9.925 31.598<br />
3 2.353 3.182 4.541 5.841 12.941<br />
4 2.132 2.776 3.747 4.604 8.610<br />
5 2.015 2.571 3.365 4.032 6.869<br />
6 1.943 2.447 3.143 3.707 5.959<br />
7 1.895 2.365 2.998 3.499 5.408<br />
8 1.860 2.306 2.896 3.355 5.041<br />
9 1.833 2.262 2.821 3.250 4.781<br />
10 1.812 2.228 2.764 3.169 4.587<br />
11 1.796 2.201 2.718 3.106 4.437<br />
12 1.782 2.179 2.681 3.055 4.318<br />
13 1.771 2.160 2.650 3.012 4.221<br />
14 1.761 2.145 2.624 2.977 4.140<br />
15 1.753 2.131 2.602 2.947 4.073<br />
16 1.746 2.120 2.583 2.921 4.015<br />
17 1.740 2.110 2.567 2.898 3.965<br />
18 1.734 2.101 2.552 2.878 3.922<br />
19 1.729 2.093 2.539 2.861 3.883<br />
20 1.725 2.086 2.528 2.845 3.850<br />
21 1.721 2.080 2.518 2.831 3.819<br />
22 1.717 2.074 2.508 2.819 3.792<br />
23 1.714 2.069 2.500 2.807 3.768<br />
24 1.711 2.064 2.492 2.797 3.745<br />
25 1.708 2.060 2.485 2.787 3.725<br />
30 1.697 2.042 2.457 2.750 3.646<br />
40 1.684 2.021 2.423 2.704 3.551<br />
50 1.676 2.009 2.403 2.678 3.496<br />
80 1.664 1.990 2.374 2.639 3.416<br />
100 1.660 1.984 2.364 2.626 3.390<br />
120 1.658 1.980 2.358 2.617 3.373<br />
∞ 1.645 1.960 2.327 2.576 3.291
C. Valorile critice ale distribuţiei t – Student, testul<br />
unilateral<br />
Numărul<br />
gradelor de<br />
libertate<br />
α - testul unilateral<br />
0.10 0.05 0.01 0.005 0.0005<br />
1 3.078 6.314 31.821 63.657 636.619<br />
2 1.886 2.920 6.965 9.925 31.598<br />
3 1.638 2.353 4.541 5.841 12.941<br />
4 1.533 2.132 3.747 4.604 8.610<br />
5 1.476 2.015 3.365 4.032 6.869<br />
6 1.440 1.943 3.143 3.707 5.959<br />
7 1.415 1.895 2.998 3.499 5.408<br />
8 1.397 1.860 2.896 3.355 5.041<br />
9 1.383 1.833 2.821 3.250 4.781<br />
10 1.372 1.812 2.764 3.169 4.587<br />
11 1.363 1.796 2.718 3.106 4.437<br />
12 1.356 1.782 2.681 3.055 4.318<br />
13 1.350 1.771 2.650 3.012 4.221<br />
14 1.345 1.761 2.624 2.977 4.140<br />
15 1.341 1.753 2.602 2.947 4.073<br />
16 1.337 1.746 2.583 2.921 4.015<br />
17 1.333 1.740 2.567 2.898 3.965<br />
18 1.330 1.734 2.552 2.878 3.922<br />
19 1.328 1.729 2.539 2.861 3.883<br />
20 1.325 1.725 2.528 2.845 3.850<br />
21 1.323 1.721 2.518 2.831 3.819<br />
22 1.321 1.717 2.508 2.819 3.792<br />
23 1.319 1.714 2.500 2.807 3.768<br />
24 1.318 1.711 2.492 2.797 3.745<br />
25 1.316 1.708 2.485 2.787 3.725<br />
30 1.310 1.697 2.457 2.750 3.646<br />
40 1.303 1.684 2.423 2.704 3.551<br />
50 1.299 1.676 2.403 2.678 3.496<br />
80 1.292 1.664 2.374 2.639 3.416<br />
100 1.290 1.660 2.364 2.626 3.390<br />
120 1.289 1.658 2.358 2.617 3.373<br />
∞ 1.282 1.645 2.327 2.576 3.291<br />
223
224<br />
D. Valorile critice ale distribuţiei χ 2<br />
Numărul<br />
gradelor<br />
de<br />
libertate<br />
0.99 0.95 0.9 0.1 0.05 0.01 0.005 0.001<br />
1 0.000 0.004 0.016 2.706 3.841 6.635 7.879 10.828<br />
2 0.020 0.103 0.211 4.605 5.991 9.210 10.597 13.816<br />
3 0.115 0.352 0.584 6.251 7.815 11.345 12.838 16.266<br />
4 0.297 0.711 1.064 7.779 9.488 13.277 14.860 18.467<br />
5 0.554 1.145 1.610 9.236 11.070 15.086 16.750 20.515<br />
6 0.872 1.635 2.204 10.645 12.592 16.812 18.548 22.458<br />
7 1.239 2.167 2.833 12.017 14.067 18.475 20.278 24.322<br />
8 1.646 2.733 3.490 13.362 15.507 20.090 21.955 26.125<br />
9 2.088 3.325 4.168 14.684 16.919 21.666 23.589 27.877<br />
10 2.558 3.940 4.865 15.987 18.307 23.209 25.188 29.588<br />
11 3.053 4.575 5.578 17.275 19.675 24.725 26.757 31.264<br />
12 3.571 5.226 6.304 18.549 21.026 26.217 28.300 32.909<br />
13 4.107 5.892 7.042 19.812 22.362 27.688 29.820 34.528<br />
14 4.660 6.571 7.790 21.064 23.685 29.141 31.319 36.123<br />
15 5.229 7.261 8.547 22.307 24.996 30.578 32.801 37.697<br />
16 5.812 7.962 9.312 23.542 26.296 32.000 34.267 39.252<br />
17 6.408 8.672 10.085 24.769 27.587 33.409 35.719 40.790<br />
18 7.015 9.390 10.865 25.989 28.869 34.805 37.157 42.312<br />
19 7.633 10.117 11.651 27.204 30.144 36.191 38.582 43.820<br />
20 8.260 10.851 12.443 28.412 31.410 37.566 39.997 45.315<br />
21 8.897 11.591 13.240 29.615 32.671 38.932 41.401 46.797<br />
22 9.542 12.338 14.041 30.813 33.924 40.289 42.796 46.268<br />
23 10.196 13.091 14.848 32.007 35.172 41.638 44.181 49.728<br />
24 10.856 13.848 15.659 33.196 36.415 42.980 45.559 51.179<br />
25 11.524 14.611 16.473 34.382 37.652 44.314 46.928 52.618<br />
26 12.198 15.379 17.292 35.563 38.885 45.642 48.290 54.052<br />
27 12.879 16.151 18.114 36.741 40.113 46.963 49.645 55.476<br />
28 13.565 16.928 18.939 37.916 41.337 48.278 50.993 56.893<br />
29 14.256 17.708 19.768 39.087 42.557 49.588 52.336 58.302<br />
30 14.953 18.493 20.599 40.256 43.773 50.892 53.672 59.703
E. Statistica Durbin – Watson (dw): valorile dL şi dU<br />
pentru testul unilateral, la un nivel de <strong>sem</strong>nificaţie de 5%<br />
n<br />
k = 1<br />
dL dU<br />
k = 2<br />
dL dU<br />
k = 3<br />
dL dU<br />
k = 4<br />
dL dU<br />
k = 5<br />
dL dU<br />
6 0.61 1.40<br />
7 0.70 1.36 0.47 1.90<br />
8 0.76 1.33 0.56 1.78 0.37 2.29<br />
9 0.82 1.32 0.63 1.70 0.46 2.13 0.30 2.59<br />
10 0.88 1.32 0.70 1.64 0.53 2.02 0.38 2.41 0.24 2.82<br />
11 0.93 1.32 0.76 1.60 0.60 1.93 0.44 2.28 0.32 2.65<br />
12 0.97 1.33 0.81 1.58 0.66 1.86 0.51 2.18 0.38 2.51<br />
13 1.01 1.34 0.86 1.56 0.72 1.82 0.57 2.09 0.45 2.39<br />
14 1.05 1.35 0.91 1.55 0.77 1.78 0.63 2.03 0.51 2.30<br />
15 1.08 1.36 0.95 1.54 0.82 1.75 0.69 1.97 0.56 2.21<br />
16 1.10 1.37 0.98 1.54 0.86 1.73 0.74 1.93 0.62 2.15<br />
17 1.13 1.38 1.02 1.54 0.90 1.71 0.78 1.90 0.67 2.10<br />
18 1.16 1.39 1.05 1.53 0.93 1.69 0.82 1.87 0.71 2.06<br />
19 1.18 1.40 1.08 1.53 0.97 1.68 0.86 1.85 0.75 2.02<br />
20 1.20 1.41 1.10 1.54 1.00 1.68 0.90 1.83 0.79 1.99<br />
21 1.22 1.42 1.13 1.54 1.03 1.67 0.93 1.81 0.83 1.96<br />
22 1.24 1.43 1.15 1.54 1.05 1.66 0.96 1.80 0.86 1.94<br />
23 1.26 1.44 1.17 1.54 1.08 1.66 0.99 1.79 0.90 1.92<br />
24 1.27 1.45 1.19 1.55 1.10 1.66 1.01 1.78 0.93 1.90<br />
25 1.29 1.45 1.21 1.55 1.12 1.66 1.04 1.77 0.95 1.89<br />
26 1.30 1.46 1.22 1.55 1.14 1.65 1.06 1.76 0.98 1.88<br />
27 1.32 1.47 1.24 1.56 1.16 1.65 1.08 1.76 1.01 1.86<br />
28 1.33 1.48 1.26 1.56 1.18 1.65 1.10 1.75 1.03 1.85<br />
29 1.34 1.48 1.27 1.56 1.20 1.65 1.12 1.74 1.05 1.84<br />
30 1,35 1.49 1.28 1.57 1.21 1.65 1.14 1.74 1.07 1.83<br />
31 1.36 1.50 1.30 1.57 1.23 1.65 1.16 1.74 1.09 1.83<br />
32 1.37 1.50 1.31 1.57 1.94 1.65 1.18 1.73 1.11 1.82<br />
33 1.38 1.51 1.32 1.58 1.26 1.65 1.19 1.73 1.13 1.81<br />
34 1.39 1.51 1.33 1.58 1.27 1.65 1.21 1.73 1.15 1.81<br />
35 1.40 1.52 1.34 1.58 1.28 1.65 1.22 1.73 1.16 1.80<br />
36 1.41 1.52 1.35 1.59 1.29 1.65 1.24 1.73 1.18 1.80<br />
37 1.42 1.53 1.36 1.59 1.31 1.66 1.25 1.72 1.19 1.80<br />
38 1.43 1.54 1.37 1.59 1.32 1.66 1.26 1.72 1.21 1.79<br />
39 1.43 1.54 1.38 1.60 1.33 1.66 1.27 1.72 1.22 1.79<br />
40 1.44 1.54 1.39 1.60 1.34 1.66 1.29 1.72 1.23 1.79<br />
45 1.48 1.57 1.43 1.62 1.38 1.67 1.34 1.72 1.29 1.78<br />
50 1.50 1.59 1.46 1.63 1.42 1.67 1.38 1.72 1.34 1.77<br />
55 1.53 1.60 1.49 1.64 1.45 1.68 1.41 1.72 1.38 1.77<br />
60 1.55 1.62 1.51 1.65 1.48 1.69 1.44 1.73 1.41 1.77<br />
65 1.57 1.63 1.54 1.66 1.50 1.70 1.47 1.73 1.44 1.77<br />
225
226<br />
n<br />
dL<br />
k = 1<br />
dU dL<br />
k = 2<br />
dU dL<br />
k = 3<br />
dU dL<br />
k = 4<br />
dU dL<br />
k = 5<br />
dU<br />
70 1.58 1.64 1.55 1.67 1.52 1.70 1.49 1.74 1.46 1.77<br />
75 1.60 1.65 1.57 1.68 1.54 1.71 1.51 1.74 1.49 1.77<br />
80 1.61 1.66 1.59 1.69 1.56 1.72 1.53 1.74 1.51 1.77<br />
85 1.62 1.67 1.60 1.70 1.57 1.72 1.55 1.75 1.52 1.77<br />
90 1.63 1.68 1.61 1.70 1.59 1.73 1.57 1.75 1.54 1.78<br />
95 1.64 1.69 1.62 1.71 1.60 1.73 1.58 1.75 1.56 1.78<br />
100 1.65 1.69 1.63 1.72 1.61 1.74 1.59 1.76 1.57 1.78<br />
n – numărul de observaţii;<br />
k – numărul variabilelor explicative<br />
Sursa:<br />
J.Durbin <strong>an</strong>d G.S.Watson, Testing for Serial Correlation in Least Squares Regres<strong>si</strong>on,<br />
in Biometrika, vol. 38 (1951), pp.159-177 (pentru n 15)<br />
Mukherjee Ch., White H., Wuyts M., 1998, Econometrics <strong>an</strong>d data <strong>an</strong>aly<strong>si</strong>s for<br />
developing countries, Routledge, London <strong>an</strong>d New York (pentru n < 15)
F. Distribuţia F pentru pragul de <strong>sem</strong>nificaţie α = 0.01<br />
m – numărul gradelor de libertate ale numărătorului<br />
n – numărul gradelor de libertate ale numitorului<br />
n\m 5 6 7 8 9 10 12 15 20 24 30 40 60 120 ∞<br />
5 11.0 10.7 10.5 10.3 10.2 10.1 9.89 9.72 9.55 9.47 9.38 9.29 9.20 9.11 9.02<br />
6 8.75 8.47 8.26 8.10 7.98 7.87 7.72 7.56 7.40 7.31 7.23 7.14 7.06 6.97 6.88<br />
7 7.46 7.19 6.99 6.84 6.72 6.62 6.47 6.31 6.16 6.07 5.99 5.91 5.82 5.74 5.65<br />
8 6.63 6.37 6.18 6.03 5.91 5.81 5.67 5.52 5.36 5.28 5.20 5.12 5.03 4.95 4.86<br />
9 6.06 5.80 5.61 5.47 5.35 5.26 5.11 4.96 4.81 4.73 4.65 4.57 4.48 4.40 4.31<br />
10 5.64 5.39 5.20 5.06 4.94 4.85 4.71 4.56 4.41 4.33 4.25 4.17 4.08 4.00 3.91<br />
11 5.32 5.07 4.89 4.74 4.63 4.54 4.40 4.25 4.10 4.02 3.94 3.86 3.78 3.69 3.60<br />
12 5.06 4.82 4.64 4.50 4.39 4.30 4.16 4.01 3.86 3.78 3.70 3.62 3.54 3.45 3.36<br />
13 4.86 4.62 4.44 4.30 4.19 4.10 3.96 3.82 3.66 3.59 3.51 3.43 3.34 3.25 3.17<br />
14 4.69 4.46 4.28 4.14 4.03 3.94 3.80 3.66 3.51 3.43 3.35 3.27 3.18 3.09 3.00<br />
15 4.56 4.32 4.14 4.00 3.89 3.80 3.67 3.52 3.37 3.29 3.21 3.13 3.05 2.96 2.87<br />
16 4.44 4.20 4.03 3.89 3.78 3.69 3.55 3.41 3.26 3.18 3.10 3.02 2.93 2.84 2.75<br />
17 4.34 4.10 3.93 3.79 3.68 3.59 3.46 3.31 3.16 3.08 3.00 2.92 2.83 2.75 2.65<br />
18 4.25 4.01 3.84 3.71 3.60 3.51 3.37 3.23 3.08 3.00 2.92 2.84 2.75 2.66 2.57<br />
19 4.17 3.94 3.77 3.63 3.52 3.43 3.30 3.15 3.00 2.92 2.84 2.76 2.67 2.58 2.49<br />
20 4.10 3.87 3.70 3.56 3.46 3.37 3.23 3.09 2.94 2.86 2.78 2.69 2.61 2.52 2.42<br />
21 4.04 3.81 3.64 3.51 3.40 3.31 3.17 3.03 2.88 2.80 2.72 2.64 2.55 2.46 2.36<br />
22 3.99 3.76 3.59 3.45 3.35 3.26 3.12 2.98 2.83 2.75 2.67 2.58 2.50 2.40 2.31<br />
23 3.94 3.71 3.54 3.41 3.30 3.21 3.07 2.93 2.78 2.70 2.62 2.54 2.45 2.35 2.26<br />
24 3.90 3.67 3.50 3.36 3.26 3.17 3.03 2.89 2.74 2.66 2.58 2.49 2.40 2.31 2.21<br />
25 3.85 3.63 3.46 3.32 3.22 3.13 2.99 2.85 2.70 2.62 2.54 2.45 2.36 2.27 2.17<br />
30 3.70 3.47 3.30 3.17 3.07 2.98 2.84 2.70 2.55 2.47 2.39 2.30 2.21 2.11 2.01<br />
40 3.51 3.29 3.12 2.99 2.89 2.80 2.66 2.52 2.37 2.29 2.20 2.11 2.02 1.92 1.80<br />
50 3.41 3.19 3.02 2.89 2.78 2.70 2.56 2.42 2.27 2.18 2.10 2.01 1.91 1.80 1.68<br />
60 3.34 3.12 2.95 2.82 2.72 2.63 2.50 2.35 2.20 2.12 2.03 1.94 1.84 1.73 1.60<br />
120 3.17 2.96 2.79 2.66 2.56 2.47 2.34 2.19 2.03 1.95 1.86 1.76 1.66 1.53 1.38<br />
∞ 3.02 2.80 2.64 2.51 2.41 2.32 2.18 2.04 1.88 1.79 1.70 1.59 1.47 1.32 1.00
228<br />
G. Distribuţia F pentru pragul de <strong>sem</strong>nificaţie α = 0.05<br />
m – numărul gradelor de libertate ale numărătorului<br />
n – numărul gradelor de libertate ale numitorului<br />
n\m 5 6 7 8 9 10 12 15 20 24 30 40 60 120 ∞<br />
5 5.05 4.95 4.88 4.82 4.77 4.74 4.68 4.62 4.56 4.53 4.50 4.46 4.43 4.40 4.37<br />
6 4.39 4.28 4.21 4.15 4.10 4.06 4.00 3.94 3.87 3.84 3.81 3.77 3.74 3.70 3.67<br />
7 3.97 3.87 3.79 3.73 3.68 3.64 3.57 3.51 3.44 3.41 3.38 3.34 3.30 3.27 3.23<br />
8 3.69 3.58 3.50 3.44 3.39 3.35 3.28 3.22 3.15 3.12 3.08 3.04 3.01 2.97 2.93<br />
9 3.48 3.37 3.29 3.23 3.18 3.14 3.07 3.01 2.94 2.90 2.86 2.83 2.79 2.75 2.71<br />
10 3.33 3.22 3.14 3.07 3.02 2.98 2.91 2.85 2.77 2.74 2.70 2.66 2.62 2.58 2.54<br />
11 3.20 3.09 3.01 2.95 2.90 2.85 2.79 2.72 2.65 2.61 2.57 2.53 2.49 2.45 2.40<br />
12 3.11 3.00 2.91 2.85 2.80 2.75 2.69 2.62 2.54 2.51 2.47 2.43 2.38 2.34 2.30<br />
13 3.03 2.92 2.83 2.77 2.71 2.67 2.60 2.53 2.46 2.42 2.38 2.34 2.30 2.25 2.21<br />
14 2.96 2.85 2.76 2.70 2.65 2.60 2.53 2.46 2.39 2.35 2.31 2.27 2.22 2.18 2.13<br />
15 2.90 2.79 2.71 2.64 2.59 2.54 2.48 2.40 2.33 2.29 2.25 2.20 2.16 2.11 2.07<br />
16 2.85 2.74 2.66 2.59 2.54 2.49 2.42 2.35 2.28 2.24 2.19 2.15 2.11 2.06 2.01<br />
17 2.81 2.70 2.61 2.55 2.49 2.45 2.38 2.31 2.23 2.19 2.15 2.10 2.06 2.01 1.96<br />
18 2.77 2.66 2.58 2.51 2.46 2.41 2.34 2.27 2.19 2.15 2.11 2.06 2.02 1.97 1.92<br />
19 2.74 2.63 2.54 2.48 2.42 2.38 2.31 2.23 2.16 2.11 2.07 2.03 1.98 1.93 1.88<br />
20 2.71 2.60 2.51 2.45 2.39 2.35 2.28 2.20 2.12 2.08 2.04 1.99 1.95 1.90 1.84<br />
21 2.68 2.57 2.49 2.42 2.37 2.32 2.25 2.18 2.10 2.05 2.01 1.96 1.92 1.87 1.81<br />
22 2.66 2.55 2.46 2.40 2.34 2.30 2.23 2.15 2.07 2.03 1.98 1.94 1.89 1.84 1.78<br />
23 2.64 2.53 2.44 2.37 2.32 2.27 2.20 2.13 2.05 2.01 1.96 1.91 1.86 1.81 1.76<br />
24 2.62 2.51 2.42 2.36 2.30 2.25 2.18 2.11 2.03 1.98 1.94 1.89 1.84 1.79 1.73<br />
25 2.60 2.49 2.40 2.34 2.28 2.24 2.16 2.09 2.01 1.96 1.92 1.87 1.82 1.77 1.71<br />
30 2.53 2.42 2.33 2.27 2.21 2.16 2.09 2.01 1.93 1.89 1.84 1.79 1.74 1.68 1.62<br />
40 2.45 2.34 2.25 2.18 2.12 2.08 2.00 1.92 1.84 1.79 1.74 1.69 1.64 1.58 1.51<br />
50 2.40 2.29 2.20 2.13 2.07 2.03 1.95 1.87 1.78 1.74 1.69 1.63 1.58 1.51 1.44<br />
60 2.37 2.25 2.17 2.10 2.04 1.99 1.92 1.84 1.75 1.70 1.65 1.59 1.53 1.47 1.39<br />
120 2.29 2.18 2.09 2.02 1.96 1.91 1.83 1.75 1.66 1.61 1.55 1.50 1.43 1.35 1.25<br />
∞ 2.21 2.10 2.01 1.94 1.88 1.83 1.75 1.67 1.57 1.52 1.46 1.39 1.32 1.22 1.00
H. Distribuţia F pentru pragul de <strong>sem</strong>nificaţie α = 0.10<br />
m – numărul gradelor de libertate ale numărătorului<br />
n – numărul gradelor de libertate ale numitorului<br />
n\m 5 6 7 8 9 10 12 15 20 24 30 40 60 120 ∞<br />
5 3.45 3.40 3.37 3.34 3.32 3.30 3.27 3.24 3.21 3.19 3.17 3.16 3.14 3.12 3.11<br />
6 3.11 3.05 3.01 2.98 2.96 2.94 2.90 2.87 2.84 2.82 2.80 2.78 2.76 2.74 2.72<br />
7 2.88 2.83 2.78 2.75 2.72 2.70 2.67 2.63 2.59 2.58 2.56 2.54 2.51 2.49 2.47<br />
8 2.73 2.67 2.62 2.59 2.56 2.54 2.50 2.46 2.42 2.40 2.38 2.36 2.34 2.32 2.29<br />
9 2.61 2.55 2.51 2.47 2.44 2.42 2.38 2.34 2.30 2.28 2.25 2.23 2.21 2.18 2.16<br />
10 2.52 2.46 2.41 2.38 2.35 2.32 2.28 2.24 2.20 2.18 2.16 2.13 2.11 2.08 2.06<br />
11 2.45 2.39 2.34 2.30 2.27 2.25 2.21 2.17 2.12 2.10 2.08 2.05 2.03 2.00 1.97<br />
12 2.39 2.33 2.28 2.24 2.21 2.19 2.15 2.10 2.06 2.04 2.01 1.99 1.96 1.93 1.90<br />
13 2.35 2.28 2.23 2.20 2.16 2.14 2.10 2.05 2.01 1.98 1.96 1.93 1.90 1.88 1.85<br />
14 2.31 2.24 2.19 2.15 2.12 2.10 2.05 2.01 1.96 1.94 1.91 1.89 1.86 1.83 1.80<br />
15 2.27 2.21 2.16 2.12 2.09 2.06 2.02 1.97 1.92 1.90 1.87 1.85 1.82 1.79 1.76<br />
16 2.24 2.18 2.13 2.09 2.06 2.03 1.99 1.94 1.89 1.87 1.84 1.81 1.78 1.75 1.72<br />
17 2.22 2.15 2.10 2.06 2.03 2.00 1.96 1.91 1.86 1.84 1.81 1.78 1.75 1.72 1.69<br />
18 2.20 2.13 2.08 2.04 2.00 1.98 1.93 1.89 1.84 1.81 1.78 1.75 1.72 1.69 1.66<br />
19 2.18 2.11 2.06 2.02 1.98 1.96 1.91 1.86 1.81 1.79 1.76 1.73 1.70 1.67 1.63<br />
20 2.16 2.09 2.04 2.00 1.96 1.94 1.89 1.84 1.79 1.77 1.74 1.71 1.68 1.64 1.61<br />
21 2.14 2.08 2.02 1.98 1.95 1.92 1.87 1.83 1.78 1.75 1.72 1.69 1.66 1.62 1.59<br />
22 2.13 2.06 2.01 1.97 1.93 1.90 1.86 1.81 1.76 1.73 1.70 1.67 1.64 1.60 1.57<br />
23 2.11 2.05 1.99 1.95 1.92 1.89 1.84 1.80 1.74 1.72 1.69 1.66 1.62 1.59 1.55<br />
24 2.10 2.04 1.98 1.94 1.91 1.88 1.83 1.78 1.73 1.70 1.67 1.64 1.61 1.57 1.53<br />
25 2.09 2.02 1.97 1.93 1.89 1.87 1.82 1.77 1.72 1.69 1.66 1.63 1.59 1.56 1.52<br />
30 2.05 1.98 1.93 1.88 1.85 1.82 1.77 1.72 1.67 1.64 1.61 1.57 1.54 1.50 1.46<br />
40 2.00 1.93 1.87 1.83 1.79 1.76 1.71 1.66 1.61 1.57 1.54 1.51 1.47 1.42 1.38<br />
50 1.97 1.90 1.84 1.80 1.76 1.73 1.68 1.63 1.57 1.54 1.50 1.46 1.42 1.38 1.33<br />
60 1.95 1.87 1.82 1.77 1.74 1.71 1.66 1.60 1.54 1.51 1.48 1.44 1.40 1.35 1.29<br />
120 1.90 1.82 1.77 1.72 1.68 1.65 1.60 1.55 1.48 1.45 1.41 1.37 1.32 1.26 1.19<br />
∞ 1.85 1.77 1.72 1.67 1.63 1.60 1.55 1.49 1.42 1.38 1.34 1.30 1.24 1.17 1.00<br />
229