1136_Econometrie (sept 2011)_4169.pdf
-
Upload
denisa1234567 -
Category
Documents
-
view
24 -
download
1
Transcript of 1136_Econometrie (sept 2011)_4169.pdf
1
ECONOMETRIE
Cuprins
INTRODUCERE ................................................................................................................................................ 3
Unitatea de învăţare 1: MODELUL ECONOMIC – PREZENTARE GENERALĂ ........................................... 4 MODELUL ECONOMIC – PREZENTARE GENERALĂ ................................................................................ 6 1.1. Consideraţii generale .............................................................................................................................. 6 Test de evaluare a cunoştinţelor .................................................................................................................. 13 Lucrări obligatorii .............................................................................................................................. 15 Lucrări complementare ..................................................................................................................... 15
Unitatea de învăţare 2: Modele de optimizare - Modelul de programare lineară. Algoritmul Simplex ... 17
Modele de optimizare - Modelul de programare lineară. Algoritmul Simplex .......................................... 18 2.1. Formularea economică a problemei ...................................................................................................... 18 Test de evaluare a cunoştinţelor .................................................................................................................. 28 Lucrări obligatorii .............................................................................................................................. 30 Lucrări complementare ..................................................................................................................... 30
Unitatea de învăţare 3 - Modele de optimizare ........................................................................................... 32
Modele de optimizare .................................................................................................................................... 34 3.1. Stocurile de materii prime ..................................................................................................................... 34 3.2. Problema de transport .......................................................................................................................... 37 3.3. Teoria firelor de aşteptare ..................................................................................................................... 41 Test de evaluare a cunoştinţelor .................................................................................................................. 46 Lucrări obligatorii .............................................................................................................................. 48 Lucrări complementare ..................................................................................................................... 48
Unitatea de învăţare 4 - MODELE ECONOMETRICE – MODELUL LINEAR DE REGRESIE ..................... 50
MODELE ECONOMETRICE – MODELUL LINEAR DE REGRESIE ............................................................. 52 4.1. Modelul linear unifactorial ..................................................................................................................... 52 4.2. Modelul linear multifactorial................................................................................................................... 54 Test de evaluare a cunoştinţelor .................................................................................................................. 65 Lucrări obligatorii .............................................................................................................................. 67 Lucrări complementare ..................................................................................................................... 67
Unitatea de învăţare 5: TESTE DE SEMNIFICAŢIE ..................................................................................... 70
TESTE DE SEMNIFICAŢIE ............................................................................................................................ 72 5.1. Dispersia estimatorilor .......................................................................................................................... 72 5.2. Teste privind semnificaţia estimatorilor ................................................................................................. 73 5.3. Exemple de calcul ................................................................................................................................. 74 Test de evaluare a cunoştinţelor .................................................................................................................. 82 Lucrări obligatorii .............................................................................................................................. 85 Lucrări complementare ..................................................................................................................... 85
Unitatea de învăţare 6: HETEROSCEDASTICITATEA ERORILOR ............................................................. 87
HETEROSCEDASTICITATEA ERORILOR .................................................................................................... 89 6.1. Consecinţe ale heteroscedasticităţii ...................................................................................................... 89 6.2. Testarea heteroscedasticităţii ............................................................................................................... 89 6.3. Atenuarea heteroscedasticităţii ............................................................................................................. 91 6.4. Aplicaţii – testarea şi atenuarea heteroscadasticităţii ............................................................................ 91 Test de evaluare a cunoştinţelor ................................................................................................................ 103 Lucrări obligatorii ............................................................................................................................ 105 Lucrări complementare ................................................................................................................... 105
2
Unitea de învăţare 7 : TESTAREA ŞI ATENUAREA HETEROSCEDASTICITĂŢII ERORILOR - TESTUL WHITE ............................................................................................................................................ 107
TESTAREA ŞI ATENUAREA HETEROSCEDASTICITĂŢII ERORILOR - TESTUL WHITE ....................... 108 7.1. Testul White pentru modelul unifactorial ............................................................................................. 108 7.2. Testul White pentru modelul multifactorial .......................................................................................... 119 Test de evaluare a cunoştinţelor ................................................................................................................ 125 Lucrări obligatorii ............................................................................................................................ 127 Lucrări complementare ................................................................................................................... 127
Unitatea de învăţare 8: AUTOCORELAREA ERORILOR .......................................................................... 129
AUTOCORELAREA ERORILOR ................................................................................................................. 130 8.1. Consecinţe ale autocorelării erorilor .................................................................................................... 130 8.2. Testarea autocorelării erorilor ............................................................................................................. 130 8.3. Atenuarea fenomenului de autocorelare a erorilor .............................................................................. 131 Test de evaluare a cunoştinţelor ................................................................................................................ 133 Lucrări obligatorii ............................................................................................................................ 135 Lucrări complementare ................................................................................................................... 135
Unitatea de învăţare 9: APLICAŢII – TESTAREA FENOMENULUI DE AUTOCORELARE A ERORILOR137
APLICAŢII – TESTAREA FENOMENULUI DE AUTOCORELARE A ERORILOR...................................... 138 9.1. Aplicarea testului Durbin – Watson ..................................................................................................... 138 9.2. Aplicarea testului Lagrange ................................................................................................................ 142 Test de evaluare a cunoştinţelor ................................................................................................................ 148 Lucrări obligatorii ............................................................................................................................ 150 Lucrări complementare ................................................................................................................... 150
Unitatea de învăţare 10: UTILIZAREA MODELELOR ECONOMETRICE ÎN PROGNOZĂ ...................... 152
UTILIZAREA MODELELOR ECONOMETRICE ÎN PROGNOZĂ ................................................................ 153 10.1. Prognoza în cazul modelului unifactorial de regresie lineară ............................................................ 153 10.2. Prognoza în cazul modelului multifactorial de regresie lineară ......................................................... 153 10.3. Exemple de calcul ............................................................................................................................. 154 Test de evaluare a cunoştinţelor ................................................................................................................ 158 Lucrări obligatorii ............................................................................................................................ 160 Lucrări complementare ................................................................................................................... 160
BIBLIOGRAFIE OBLIGATORIE................................................................................................................... 162
BIBLIOGRAFIE FACULTATIVĂ .................................................................................................................. 162
ANEXE STATISTICE .................................................................................................................................... 163 A. Valorile critice ale distribuţiei t – Student, testul bilateral ....................................................................... 163 B. Valorile critice ale distribuţiei t – Student, testul unilateral ..................................................................... 165 C. Valorile critice ale distribuţiei χ2 ............................................................................................................ 167 D. Statistica Durbin – Watson .................................................................................................................... 169
3
ECONOMETRIE
INTRODUCERE
Manualul de Modelare economică. Econometrie oferă studenţilor un ansamblu de cunoştinţe
privind metodele de calcul şi analiză cantitativă folosite în sistematizarea, prelucrarea, prezentarea
şi interpretarea datelor care caracterizează fenomenele şi procesele economice şi sociale. De
asemenea, asigură însuşirea cunoştinţelor de bază în domeniul metodologiei de calcul econometric,
din sfera testării ipotezelor emise în teoriile economice şi din domeniul prognozei economice.
Alături de disciplinele care realizează pregătirea teoretico-economică de bază, modelarea
economică furnizează o gamă de metode de analiză, testare şi prognoză la care apelează o serie de
discipline de specialitate.
Cursul este structurat în două părţi. În prima parte sunt prezentate noţiunile de bază ale metodei
modelării (schema generală a procesului de modelare, caracteristicile generale ale unui model
econometric, modele de optimizare – modele de programare lineară şi algoritmul Simplex, modele
de gestiune a stocurilor, problema de transport, elemente de teoria firelor de aşteptare). De
asemenea sunt prezentate modelele unifactoriale şi multifactoriale de regresie lineară. Toate
modelele economico-matematice sunt însoţite de metodele de rezolvare şi sunt prezentate aplicaţii
şi modele de interpretare a rezultatelor.
În partea a doua a cursului sunt descrise tehnicile de bază ale analizei econometrice. Sunt
prezentate ipotezele fundamentale ale modelelor econometrice şi sunt descrise principalele
proprietăţi ale acestor modele. În acest cadru, sunt analizate proprietăţile seriilor de date precum şi
fenomenele de heteroscedasticitate şi autocorelare a erorilor (consecinţe, teste, metode de
atenuare). De asemenea, sunt prezentate principalele tehnici de prognoză econometrică. Exemplele
de calcul sunt din domeniul analizei economico-financiare şi fiecare dintre aplicaţii descrie
algoritmic rezolvarea econometrică a unei clase de probleme (scrierea modelului, rezolvarea
econometrică, interpretarea rezultatelor).
Cursul se adresează, în primul rând, studenţilor de la Învăţământul la Distanţă din facultăţile cu
profil economic, dar poate fi util, de asemenea, studenţilor de la orice formă de învăţământ şi de la
orice facultate care, în planul de învăţământ are cursuri ce prezintă metode de analiză a seriilor de
date.
Pentru învăţământul la Distanţă de la Facultatea de Ştiinţe Economice – Universitatea Nicolae
Titulescu din Bucureşti, evaluarea studenţilor la cursurile de Modelare economică şi Econometrie se
realizează prin lucrări de control programate în cursul semestrului, realizarea unor proiecte şi
evaluarea prin examen scris la sfârşitul semestrului. Notarea se face de la 10 la 1. În evaluarea
finală examenul scris va avea o pondere de 80%, iar 20% reprezintă activitatea din timpul
semestrului (notări, lucrări de control, referate). Examenul scris conţine, de regulă, un subiect
teoretic şi trei subiecte practice.
Prof.univ.dr. Nicoleta JULA
Lect. univ. dr. Nicolae-Marius JULA
Modelul economic - prezentare generală
4
Unitatea de
învăţare 1
Unitatea de învăţare 1: MODELUL ECONOMIC – PREZENTARE
GENERALĂ
Cuprins:
1.1. Consideraţii generale
1.1.1. Schema generală a procesului de modelare economico-matematică
1.1.2. Modelul economic
Elementele unui model econometric
Datele utilizate
Introducere
După parcurgerea unităţii veţi fi în măsură să răspundeţi la întrebările:
Care este schema generală a procesului de modelare economico-matematică?
Ce este un model econometric? Care sunt elementele unui model econometric?
Obiectivele/competenţele unităţii de învăţare
Însuşirea noţiunii de model economic
Schema generală a procesului de modelare economico-matematică
Elementele unui model econometric
Tipurile de date utilizate într-un model economic
Modelul economic - prezentare generală
5
Unitatea de
învăţare 1
Durata medie de parcurgere acestei unităţi de învăţare este de 3 ore.
Modelul economic - prezentare generală
6
Unitatea de
învăţare 1
MODELUL ECONOMIC – PREZENTARE GENERALĂ
1.1. Consideraţii generale
În accepţiunea comună, modelul reprezintă o normă, un ideal spre care se tinde datorită
calităţilor, chiar perfecţiunii sale. Un model ştiinţific este o construcţie, de obicei teoretică, în
anumite privinţe simplificată, care îşi propune să faciliteze înţelegerea unei realităţi complexe prin
intermediul unei imagini apropiate, cât mai fidele. Două idei sunt esenţiale în această abordare a
conceptului de model: în primul rând, ideea de reprezentare simplificată a realităţii şi, în al doilea
rând, cea de asemănare structurală, funcţională, comportamentală între model şi realitate1.
În interpretarea lui Malinvaud "un model constă în reprezentarea formală a ideilor şi
cunoştinţelor relative la un anumit fenomen. Aceste idei, numite deseori teoria fenomenului, se
exprimă printr-un ansamblu de ipoteze asupra elementelor esenţiale ale fenomenului şi a legilor
care le guvernează. Acestea sunt în general traduse sub forma unui sistem matematic numit model.
Logica modelului ne permite să explorăm consecinţele naturale ale ipotezelor reţinute, să le
confruntăm cu rezultatele experimentale şi să ajungem pe această cale la o cunoaştere mai bună a
realităţii şi să acţionăm mai eficace asupra sa." (Malinvaud E., 1964)2.
Există, în literatura de specialitate, mai multe tipologii ale modelelor economice. Clasificarea
unor elemente constă în plasarea acestora, în funcţie de caracteristicile proprii, într-o anumită grupă
(clasă). Aceste clase trebuie să respecte cel puţin două condiţii esenţiale3:
a) să fie omogene, adică elementele care prezintă caracteristici similare trebuie să aparţină
aceleiaşi clase;
b) să fie relativ bine separate, adică elementele ne-similare trebuie să facă parte din clase diferite.
Cu alte cuvinte, elementele dintr-o clasă trebuie să fie asemănătoare (similare) între ele şi să
distingă de elementele care aparţin altor clase.
În literatura de specialitate din România, una dintre cele mai interesante clasificări este
prezentată de Acad. Emilian Dobrescu4. În orice clasificare, esenţială este noţiunea de criteriu.
Aceasta deoarece un criteriu adecvat, aplicat asupra elementelor unei mulţimi induce în mulţimea
respectivă o relaţie de ordine. În lucrarea menţionată, Acad. Emilian Dobrescu reţine următoarele
criterii de clasificare a modelelor economice: natura elementelor componente, caracterul
interdependenţelor dintre variabile, nivelul de agregare a entităţilor, scopul elaborării modelelor
economice, comportamentul temporal. Rezultă clasificarea prezentată în tabelul 1-1.
1 Jula D., 2003, Introducere în econometrie, Editura Professional Consulting, Bucureşti, pag.7.
2 Citat în Dobrescu E., 2002, Tranziţia în România: abordări econometrice, Editura Economică, Bucureşti, pag. 33.
3 Jula D., Jula N., 1999, Economie sectorială, Editura Didactică şi Pedagogică, Bucureşti, pag. 18-21.
4 Dobrescu E., 2002, Tranziţia în România: abordări econometrice, Editura Economică, Bucureşti, pag. 24.
Modelul economic - prezentare generală
7
Unitatea de
învăţare 1
Tabelul 1–1: Tipologia modelelor economice
Criteriul de clasificare Categoriile de modele
1. Natura elementelor componente 1.a) logice
1.b) calitativ-analitice (teoretice),
1.c) numerice
2. Caracterul interdependenţelor dintre
variabile
2.1.a) lineare
2.1.b) nelineare
2.2.a) deterministe
2.2.b) probabiliste
3. Nivelul de agregare a entităţilor 3.a) cu dezagregare maximă
3.b) cu agregare intermediară
3.c) cu agregare naţională maximă
3.d) cu agregare internaţională
4. Scopul modelării 4.a) descriptiv-explicative
4.b) explorative
4.c) normative
5. Comportamentul temporal 5.a) strict statice
5.b) cvasistaţionare
5.c) dinamice
Sursa: Dobrescu E., 2002, Tranziţia în România: abordări econometrice, Editura Economică,
Bucureşti, Capitolul I: Repere metodologice, pag. 24, Schema 1.I.2: Tipologia modelelor economice.
Definiţiile pentru conceptele propuse în tabelul 1-1 pornesc, în general de la următoarele elemente.
1. Natura elementelor componente
1.a – Modelele logice. Un exemplu de acest gen este reprezentat de modelul concurenţei pure şi
perfecte.
1.b –Modelele calitativ-analitice (teoretice). Exemplu: funcţia monetaristă a cererii de bani
Md = f(Y, P, rB, rE, rD)
în care Md este cererea monetară, Y – output-ul, P – nivelul preţurilor, iar următoarele trei
simboluri reprezintă randamentele altor forme de active în care banii pot fi plasaţi (bonuri de
tezaur), acţiuni, bunuri durabile). În model variabilele implicate nu apar cu valori numerice,
dar pot fi calculate cu ajutorul statisticilor accesibile.
Modelul economic - prezentare generală
8
Unitatea de
învăţare 1
1.c – Modelele numerice. Modele de acest tip sunt, de exemplu, cele care estimează legătura
dintre şomaj şi rata inflaţiei (curba Phillips) pe baza datelor înregistrate într-un interval
corespunzător de timp, sau între venitul gospodăriilor şi consum etc.
2. Caracterul interdependenţelor dintre variabile
2.1. a – Modelele lineare: legătura dintre variabilele analizate este lineară. Linearitatea se referă
la forma legăturii dintre variabile, nu la modul de exprimare a variabilelor respective
2.1. b – Modelele nelineare în care legătura dintre variabilele analizate are forme mai complicate,
nelineare.
2.2.a – Modelele deterministe.
2.2.b – Modelele probabiliste. Astfel de modele sunt utilizate, de exemplu, pentru studiul pieţelor
financiare.
3. Nivelul de agregare a entităţilor
3.a – Modelele cu dezagregare maximă. De exemplu, toţi agenţii economici sunt analizaţi, prin
funcţii de comportament, ecuaţii de echilibru, de stare şi/sau de dinamică specifice.
3.b –Modelele cu agregare intermediară. Economia poate fi structurată, de exemplu, instituţional
(pornind de la sectoarele instituţionale din Sistemul Contabilităţii Naţionale), pe ramuri (aşa
ca în tabelele input-output), sau regional.
3.c – Modelele cu agregare naţională maximă. Un exemplu de astfel de model este reprezentat de
funcţia de consum keynesiană: Ct = C0 + cYd,t, unde:
Ct – consumul agregat la momentul t;
Yd – venitul disponibil al gospodăriilor la momentul t;
C0 – partea stabilă a consumului, relativ autonomă în raport cu venitul (ex. autoconsumul);
c – înclinaţia marginală spre consum, 0 < c < 1.
3.d –Modelele cu agregare internaţională analizează diferite zone geografice (de exemplu, zona
Mării Negre, zona Balcanilor), grupări de ţări (ex. ţări dezvoltate, ţări în dezvoltare,), uniuni
interstatale (ex. Uniunea Europeană), grupări sectoriale (ex. ţări exportatoare de petrol –
OPEC) sau abordează economia mondială în ansamblu.
4. Scopul modelării
4.a – Modele descriptiv-explicative. Modelul explicativ ajută la înţelegerea legăturilor esenţiale
dintre fenomenele studiate5. Un exemplu în acest sens este modelul input-output.
4.b –Modelele explorative sau de simulare facilitează studierea reacţiilor economiei faţă de
modificarea unei variabile.
4.c – Modelele normative. De exemplu, prin astfel de modele pot fi urmărite obiective de tipul:
respectarea unor restricţii ecologice, restricţii privind condiţiile de muncă, atingerea unor
condiţii de performanţă – calitate, fiabilitate etc.6
5. Comportamentul temporal:
5.a – Modelele strict statice sunt folosite pentru reprezentarea unor fenomene sau procese
economice la un moment dat. Exemplu: modelul input-output.
5 Jula D., 2003, Introducere în econometrie, Editura Professional Consulting, Bucureşti, pag.7.
6 Nicolae V., Constantin D.-L., Grădinaru I., 1998, Previziune şi orientare economică, Editura Economică, Bucureşti, pag. 174-175.
Modelul economic - prezentare generală
9
Unitatea de
învăţare 1
5.b – Modelele cvasistaţionare.
5.c – Modelele dinamice ilustrează evoluţia în timp a diferitelor procese economice.
1.1.1. Schema generală a procesului de modelare economico-matematică
Modelarea matematică reprezintă cea mai utilizată aplicaţie în domeniul elaborării modelelor
economice. Procesul de construcţie a unui model economico-matematic presupune parcurgerea mai
multor etape7.
Într-o primă etapă, prin analiza unui obiect din realitatea economică (un proces, un fenomen
etc.) se identifică o mulţime finită de proprietăţi ale acestuia. Proprietăţile reţinute ca fiind
semnificative reprezintă teoria economică (modelul economic) elaborată pentru obiectul respectiv
din realitate.
În a doua etapă, se caută o teorie matematică în care poate fi descrisă o structură a sistemului.
În etapa a treia, se realizează rezolvarea modelului.
În a patra etapă, aceste noi proprietăţi (informaţii) sunt transferate asupra obiectului original
Pornind de la elementele prezentate, etapele procesului de modelare sunt prezentate în sinteză,
în tabelul 1-2.
Tabelul 1–2: Etapele procesului de modelare
(1) analiza realităţii cu ajutorul instrumentelor oferite de teoria economică şi identificarea unor
caracteristici semnificative;
(2) construirea modelului matematic, prin interpretarea (traducerea) propoziţiilor din teoria
economică în limbajul specific teoriei matematice;
(3) rezolvarea modelului;
(4) traducerea concluziilor obţinute din limbajul specific teoriei matematice în teoria economică
(interpretarea economică a rezultatelor modelului).
7 Etapele modelării sunt prezentate în detaliu în lucrarea Jula D., 2003, Introducere în econometrie, Editura Professional Consulting,
Bucureşti, pag.7-13.
Modelul economic - prezentare generală
10
Unitatea de
învăţare 1
1.1.2. Modelul econometric
Denumirea de econometrie provine din combinarea cuvintelor greceşti oikonomia – economia
(de la oicos – casă, gospodărie şi nomos – lege) şi metron – măsură. Deci, etimologic, econometria
presupune aplicarea unor tehnici de măsurare în economie.
În sens restrâns, econometria este definită ca o aplicaţie a statisticii matematice în economie.
În sens larg, econometria este înţeleasă ca o ştiinţă de graniţă între economie, matematică şi
statistică. (Thomas R.L., 19978 şi Ramanathan R., 1992
9).
Pornind de la relaţiile definite de teoria economică, econometria clasică se concentrează asupra
următoarelor tipuri de analiză10
:
(a) testarea şi validarea teoriei economice;
(b) estimarea relaţiilor dintre variabilele economice;
(c) prognoza evoluţiilor şi a comportamentelor economice.
Pornind de la schema generală privind procesul de modelare şi de la elementele prezentate,
poate fi construită o schiţă a procesului de modelare econometrică.
Un studiu econometric presupune parcurgerea următoarelor etape:
(1) formularea modelului pornind de la teoria considerată adecvată pentru explicarea evoluţiei
unui proces economic,
(2) realizarea unei cercetări selective pentru generarea unor serii de date referitoare la procesul
respectiv,
(3) estimarea modelului,
(4) testarea ipotezelor teoretice folosite în construirea modelului
(5) interpretarea rezultatelor.
EXEMPLU
Un asemenea proces este descris în figura 1-3.
8 Thomas R.-L, 1997, Modern Econometrics: An Introduction, 2nd edition, Harlow, Longman, pag. 1-3.
9 Ramanathan R., 1992, Introductory Econometrics, Second Edition, The Dryden Press, Harcourt Brace College Publishers, Orlando,
USA, pag. 3-11. 10
Thomas R.-L, 1997, Modern Econometrics: An Introduction, 2nd edition, Harlow, Longman, pag. 1.
Modelul economic - prezentare generală
11
Unitatea de
învăţare 1
Figura 1–3: Etapele unui studiu econometric11
Elementele unui model econometric
Elementele unui model economico-matematic sunt variabilele, ecuaţiile şi parametrii modelului.
De asemenea, rezolvarea modelului presupune existenţa unor serii de date, care să prezinte starea
şi/sau evoluţia (distribuţia) variabilelor din model.
Variabilele modelului
Într-un model econometric pot fi distinse trei tipuri de variabile: variabile endogene, variabile
exogene şi variabile de abatere (eroare).
Sunt endogene sau explicate acele variabile ale căror valori sunt obţinute prin rezolvarea
modelului.
Sunt exogene acele variabile pentru care starea şi evoluţia sunt determinate de factori exteriori
sistemului a cărui funcţionare este studiată cu ajutorul modelului.
Variabilele de abatere (sau erorile) reprezintă discrepanţele între evoluţia anticipată a unei
variabile şi evoluţia reală a variabilei respective.
Parametrii modelului
Parametrii modelului pot fi definiţi ca fiind caracteristicile cantitative ale sistemului studiat.
11
Thomas R.L, 1997, Modern Econometrics: An introduction, 2nd edition, Harlow, Longman, pag.4.
Teoria economică, experienţa
Formularea modelului
Selectarea datelor
Estimarea modelului
Testarea ipotezelor: Ipotezele se verifică? NU DA
Interpretarea rezultatelor
Reformularea modelului
Prognoze Decizii de politică
economică
Modelul economic - prezentare generală
12
Unitatea de
învăţare 1
Ecuaţiile modelului
Prin ecuaţiile unui model se încearcă surprinderea legăturilor dintre variabilele endogene şi cele
explicative. Într-un model econometric pot apărea ecuaţii de comportament, ecuaţii de definiţie şi
ecuaţii contabile (de echilibru).
Ecuaţiile de comportament sunt construite pe baza unei teorii economice şi descriu, în formă
funcţională, comportamentul unui agent economic.
Ecuaţiile sau relaţiile de definiţie sunt utilizate pentru precizarea unor noţiuni sau determinarea
unor variabile. În ecuaţiile de definiţie nu intervin parametri necunoscuţi.
Ecuaţiile de echilibru sunt utilizate pentru asigurarea coerenţei modelului.
Datele utilizate
Pentru estimarea parametrilor din ecuaţiile modelului sunt utilizate anumite date economice
referitoare la evoluţia fenomenelor analizate. Datele economice reprezintă reflectări cantitative sau
calitative ale dimensiunii, stării şi evoluţiei proceselor şi fenomenelor economice. Aceste date pot fi
descrise pornind de la mai multe criterii. Astfel, ca prezentare, datele pot fi disponibile ca serii de
timp (cronologice), de distribuţie sau de tip panel.
Seriile de timp corespund unor observaţii efectuate asupra stării unui fenomen economic la
intervale regulate de timp (evoluţia cursului de schimb, dinamica preţurilor, a consumului, a
veniturilor etc.).
Seriile de distribuţie (repartiţie), numite şi serii în tăietură transversală sau serii de date
instantanee reflectă starea, structura şi relaţiile care există între diferitele componente ale unui
sistem economic, la un moment dat. De exemplu, aceste serii reflectă distribuţia în spaţiu a
diferitelor caracteristici ale unui fenomen – şomajul regional, localizarea activităţilor etc., structura
unor agregate (structura sectorială a unei economii, structura ocupării, structura pe elemente a
costului de producţie ş.a.), sau starea unei variabile la un moment dat într-un anumit eşantion (de
exemplu, venitul şi consumul familiilor).
Datele de tip panel combină seriile de timp şi datele în structură transversală. Principalul
avantaj al analizei de tip panel constă în aceea că permite o mai mare flexibilitate în modelarea
diferenţelor înregistrate în comportamentele individuale.
Modelul economic - prezentare generală
13
Unitatea de
învăţare 1
Test de evaluare a cunoştinţelor
Timp estimat: 20 minute
1. În ce constă în interpretarea lui Malinvaud termenul de model?
2. În ce constă tipologia modelelor economice?
3. Prezentaţi etapele procesului de construcţie al unui model economico-matematic.
4. Ce este econometria?
5. Ce tipuri de variabile intâlnim într-un model econometric?
6. Care sunt tipurile de ecuaţii ce se regăsesc într-un model?
Observaţie: Răspunsurile la acest test se pot consulta la finalul unităţii de învătare.
Modelul economic - prezentare generală
14
Unitatea de
învăţare 1
În sens restrâns, econometria este definită ca o aplicaţie a
statisticii matematice în economie, astfel încât prin analiza şi
prelucrarea datelor economice să se ofere un suport empiric
modelelor construite de economia matematică12
.
În sens larg, econometria este înţeleasă ca o ştiinţă de graniţă
între economie, matematică şi statistică.
Un studiu econometric presupune parcurgerea următoarelor
etape:
(1) formularea modelului pornind de la teoria considerată
adecvată pentru explicarea evoluţiei unui proces economic,
(2) realizarea unei cercetări selective pentru generarea unor
serii de date referitoare la procesul respectiv,
(3) estimarea modelului,
(4) testarea ipotezelor teoretice folosite în construirea
modelului
(5) interpretarea rezultatelor.
Parametrii modelului pot fi definiţi ca fiind caracteristicile
cantitative ale sistemului studiat.
Prin ecuaţiile unui model se încearcă surprinderea legăturilor
dintre variabilele endogene şi cele explicative. Într-un model
econometric pot apărea ecuaţii de comportament, ecuaţii de
definiţie şi ecuaţii contabile (de echilibru).
Datele economice reprezintă reflectări cantitative sau calitative
ale dimensiunii, stării şi evoluţiei proceselor şi fenomenelor
economice.
12
Samuelson P.A., Koopmans T.C., Stone J.R.N., 1954, Report of the evaluative committee for Econometrica, în Econometrica, 22, pag.141-146.
Modelul economic - prezentare generală
15
Unitatea de
învăţare 1
Lucrări obligatorii
1. Jula N., Jula D., 2010, Modelare economică. Modele econometrice şi de optimizare,
Editura Mustang, Bucureşti, pag. 12-22
2. Jula D., 2003, Introducere în econometrie, Editura Professional Consulting, Bucureşti
3. Jula N., 2004, Modelarea deciziilor financiar-monetare, Editura Bren, Bucureşti
4. Jula N., 2006, Modelare economică – elemente de econometrie aplicată, Editura Mustang,
Bucureşti
5. Jula N., 2006, Modelare economică – econometrie aplicată, Editura Cartea Studenţească,
Bucureşti
6. Jula N., Jula D., 2009, Modelare economică. Econometrie financiară, Editura Mustang,
Bucureşti
7. Pecican E.S., 1996, Macroeconometrie. Politici economice guvernamentale şi econometrie,
Editura Economică, Bucureşti
Lucrări complementare
1. Andrei T., 2003, Statistică şi econometrie, Editura Economică, Bucureşti
2. Greene W.H., 2000, Econometric analysis, fourth edition, Prentice Hall, New Jersey
3. Maddala G.S., 2001, Introduction to econometrics, third edition, Wiley, New York
4. Taşnadi A., 2001, Econometrie, Editura ASE, Bucureşti
5. Tănăsoiu O., Iacob A.I., 1999, Econometrie aplicată, Editura Arteticart, Bucureşti.
6. Zaman C., 1998, Econometrie, Editura Pro Democraţia, Bucureşti
7. Dobrescu E., 2000, Macromodelul economiei româneşti de tranziţie, Editura Expert,
Bucureşti
Modelul economic - prezentare generală
16
Unitatea de
învăţare 1
1. În interpretarea lui Malinvaud "un model constă în reprezentarea formală a ideilor şi
cunoştinţelor relative la un anumit fenomen. Aceste idei, numite deseori teoria fenomenului,
se exprimă printr-un ansamblu de ipoteze asupra elementelor esenţiale ale fenomenului şi a
legilor care le guvernează. Acestea sunt în general traduse sub forma unui sistem matematic
numit model. Logica modelului ne permite să explorăm consecinţele naturale ale ipotezelor
reţinute, să le confruntăm cu rezultatele experimentale şi să ajungem pe această cale la o
cunoaştere mai bună a realităţii şi să acţionăm mai eficace asupra sa."
2. Vezi tablelul 1-1
3. Procesul de construcţie a unui model economico-matematic presupune parcurgerea mai
multor etape.
Într-o primă etapă, prin analiza unui obiect din realitatea economică (un proces, un fenomen
etc.) se identifică o mulţime finită de proprietăţi ale acestuia. Proprietăţile reţinute ca fiind
semnificative reprezintă teoria economică (modelul economic) elaborată pentru obiectul
respectiv din realitate.
În a doua etapă, se caută o teorie matematică în care poate fi descrisă o structură a
sistemului.
În etapa a treia, se realizează rezolvarea modelului.
În a patra etapă, aceste noi proprietăţi (informaţii) sunt transferate asupra obiectului
original
4. În sens restrâns, econometria este definită ca o aplicaţie a statisticii matematice în economie,
astfel încât prin analiza şi prelucrarea datelor economice să se ofere un suport empiric
modelelor construite de economia matematică.
5. Într-un model econometric pot fi distinse trei tipuri de variabile: variabile endogene,
variabile exogene şi variabile de abatere (eroare).
6. Într-un model econometric pot apărea ecuaţii de comportament, ecuaţii de definiţie şi ecuaţii
contabile (de echilibru).
Modele de optimizare - Modelul de programare lineară - Algoritmul Simplex
17
Unitatea de
învăţare 2
Unitatea de învăţare 2: Modele de optimizare - Modelul de
programare lineară. Algoritmul Simplex
Cuprins:
Modelul de programare lineară. Algoritmul Simplex
Formularea economică a problemei
Modelul matematic
Exemplu de calcul: Optimizarea utilizării suprafeţei agricole
Introducere
După parcurgerea unităţii veţi fi în măsură să răspundeţi la întrebările:
• Ce este algoritmul Simplex?
• Cum se utilizează algoritmul Simplex?
• Care sunt paşii algoritmului?
Obiectivele/competentele unităţii de învăţare
Însuşirea algoritmului Simplex
Situaţii în care este folosit algoritmul Simplex
Durata medie de parcurgere acestei unităţi de învăţare este de 3 ore şi 20
minute.
Modele de optimizare - Modelul de programare lineară - Algoritmul Simplex
18
Unitatea de
învăţare 2
Modele de optimizare - Modelul de programare lineară. Algoritmul
Simplex
2.1. Formularea economică a problemei
Exemplu de calcul: Optimizarea utilizării suprafeţei agricole
Presupunem că o fermă agricolă dispune de 100 ha teren arabil pentru cultura a patru produse:
grâu, porumb, cartofi, floarea soarelui. De asemenea, sunt disponibile 4 tipuri de resurse (timp
utilaj, forţă de muncă, două tipuri de îngrăşăminte). Se cunosc, pe baza informaţiilor economice din
anii precedenţi disponibilul din aceste resurse şi consumul specific la un hectar cultivat, valori ce
sunt prezentate în tabelul următor.
Se cunoaşte, de asemenea, că fiecare hectar cultivat cu un anumit produs aduce un anumit profit.
Grâu Porumb Cartofi Floarea soarelui Disponibil
Resursa 1 5 2 5 7 400
Resursa 2 0 3 4 3 300
Resursa 3 3 6 4 5 500
Resursa 4 8 10 12 10 1000
Din experienţa anterioară, precum şi pornind de la elementele economice şi tehnologice
cunoscute, se estimează că profiturile unitare, pentru culturile respective sunt:
Produsul Profitul la ha (u.m.)
Grâu 5
Porumb 7
Cartofi 9
Floarea soarelui 8
Notăm x1 - suprafaţa cultivată cu grâu, x2 - suprafaţa cultivată cu porumb, x3 - suprafaţa
cultivată cu cartofi, x4 - suprafaţa cultivată cu floarea soarelui. În aceste condiţii, restricţiile privind
încadrarea în disponibilul de resurse (inclusiv folosirea suprafeţei de teren), condiţiile de
nenegativitate şi criteriul de optim se scriu astfel:
Modele de optimizare - Modelul de programare lineară - Algoritmul Simplex
19
Unitatea de
învăţare 2
4321
4321
4321
432
4321
4321
8975max
4,,1,0
10001012108
5005463
300343
4007525
100
xxxxZ
ix
xxxx
xxxx
xxx
xxxx
xxxx
i
Pentru obţinerea formei standard a problemei de programare liniară, se notează s1,...,s5
variabilele de abatere introduse pentru a transforma în egalităţi relaţiile din model:
x1 + x2 + x3 + x4 + s1 = 100
5x1 + 2x2 + 5x3 + x4 + s2 = 400
+ 4x2 + 4x3 + 4x4 + s3 = 300
3x1 + 6x2 + 4x3 + 5x4 + s4 = 500
8x1 + 10x2 + 12x3 + 10x4 + s5 = 1000
xi 0, i = 1,...,4; si 0, i = 1,..., 6
Z = 5x1 + 7x2 + 9x3 + 8x4 Max
Datele din modelul de programare liniară sunt scrise în tabloul Simplex astfel:
Modele de optimizare - Modelul de programare lineară - Algoritmul Simplex
20
Unitatea de
învăţare 2
Tabloul Simplex: 0
cj 5 7 9 8 0 0 0 0 0
cb Baza VVB x1 x2 x3 x4 s1 s2 s3 s4 s5
0 s1 100 1 1 1 1 1 0 0 0 0 100
0 s2 400 5 2 5 7 0 1 0 0 0 80
0 s3 300 0 3 4 3 0 0 1 0 0 75
0 s4 500 3 6 4 5 0 0 0 1 0 125
0 s5 1000 8 10 12 10 0 0 0 0 1 83.3
zj 0 0 0 0 0 0 0 0 0 0
cj- zj 5 7 9 8 0 0 0 0 0
În tabloul precedent, în bază sunt înscrişi vectorii ataşaţi variabilelor s1, ..., s5.
Valorile variabilelor ataşate vectorilor din bază sunt prezentate în coloana VVB. Pe linia cj sunt
scrise, pentru fiecare variabilă, costurile din funcţia obiectiv (valorile cu care contribuie la funcţia
obiectiv), iar pe coloana cb sunt scrise costurile din funcţia obiectiv pentru variabilele ataşate
vectorilor din bază. Sunt scrise, de asemenea, pe coloană vectorii ataşaţi fiecărei variabile.
Fiecare element de pe linia zj se calculează ca produs scalar al vectorului cb şi vectorul xj
(respectiv sj). Elementele cj-zj se calculează ca diferenţă între elementele de pe liniile
corespunzătoare. Elementele cj-zj sunt utilizate pentru a testa optimalitatea soluţiei obţinute la
fiecare iteraţie. Pentru problema de maxim considerată, soluţia este optimă (algoritmul se opreşte)
atunci când pe linia cj-zj nu există valori strict pozitive.
Deoarece soluţia iniţială nu este optimă se continuă algoritmul. Se selectează vectorul care intră
în bază. Vectorul respectiv corespunde valorii maxime de pe linia cj-zj. În exemplul considerat,
acest vector este ataşat variabilei x3. Se calculează, pentru elementele pozitive ale vectorului care
intră în bază, rapoartele () dintre fiecare element al din VVB şi elementul corespunzător din
vectorul respectiv. Valoarea minimă a acestui raport, corespunde vectorului care iese din bază. În
cazul considerat, iese din bază vectorul s3. Elementul situat la intersecţia coloanei ataşate vectorului
care intră în bază cu linia corespunzătoare vectorului înlocuit se numeşte pivot. Se completează
următorul tablou Simplex ţinând seama de câteva reguli (vezi manual Modelare Economică.
Modele econometrice şi de optimzare, Ed. Mustang, 2010).
Modele de optimizare - Modelul de programare lineară - Algoritmul Simplex
21
Unitatea de
învăţare 2
Tabloul Simplex: 1
cj 5 7 9 8 0 0 0 0 0
cb Baza VVB x1 x2 x3 x4 s1 s2 s3 s4 s5
0 s1 25 1 0.25 0 0.25 1 0 -0.25 0 0 25
0 s2 25 5 -1.75 0 3.25 0 1 -1.25 0 0 5
9 x3 75 0 0.75 1 0.75 0 0 0.25 0 0
0 s4 200 3 3 0 2 0 0 -1 1 0 66.7
0 s5 100 8 1 0 1 0 0 -3 0 1 12.5
zj 675 0 6.75 9 6.75 0 0 2.25 0 0
cj- zj 5 0.25 0 1.25 0 0 -2.25 0 0
Iteraţiile următoare se desfăşoară similar. Algoritmul se opreşte atunci când toate elementele de
pe ultima linie a tabloului Simplex sunt negative sau zero.
Tabloul Simplex: 2
cj 5 7 9 8 0 0 0 0 0
cb Baza VVB x1 x2 x3 x4 s1 s2 s3 s4 s5
0 s1 20 0 0.60 0 -0.40 1 -0.20 0.00 0 0 33.3
5 x1 5 1 -0.35 0 0.65 0 0.20 -0.25 0 0
9 x3 75 0 0.75 1 0.75 0 0.00 0.25 0 0 100
0 s4 185 0 4.05 0 0.05 0 -0.60 -0.25 1 0 45.7
0 s5 60 0 3.80 0 -4.20 0 -1.60 -1.00 0 1 15.8
zj 700 5 5 9 10 0 1 1 0 0
cj- zj 0 2 0 -2 0 -1 -1 0 0
Modele de optimizare - Modelul de programare lineară - Algoritmul Simplex
22
Unitatea de
învăţare 2
Tabloul Simplex: 3
cj 5 7 9 8 0 0 0 0 0
cb B VVB x1 x2 x3 x4 s1 s2 s3 s4 s5
0 s1 10.526 0 0 0 0.263 1 0.053 0.158 0 -0.158
5 x1 10.526 1 0 0 0.263 0 0.053 -0.342 0 0.092
9 x3 63.158 0 0 1 1.579 0 0.316 0.447 0 -0.197
0 s4 121.053 0 0 0 4.526 0 1.105 0.816 1 -1.066
7 x2 15.789 0 1 0 -1.105 0 -0.421 -0.263 0 0.263
zj 731.579 5 7 9 7.789 0 0.158 0.474 0 0.526
cj- zj 0 0 0 0.211 0 -0.158 -0.474 0 -0.526
Tabloul Simplex: 4
cj 5 7 9 8 0 0 0 0 0
cb Baza VVB x1 x2 x3 x4 s1 s2 s3 s4 s5
0 s1 3.488 0 0 0 0 1 -0.012 0.110 -0.058 -0.096
5 x1 3.488 1 0 0 0 0 -0.012 -0.390 -0.058 0.154
9 x3 20.930 0 0 1 0 0 -0.070 0.163 -0.349 0.174
8 x4 26.744 0 0 0 1 0 0.244 0.180 0.221 -0.235
7 x2 45.349 0 1 0 0 0 -0.151 -0.064 0.244 0.003
zj 737.209 5 7 9 8 0 0.209 0.512 0.047 0.477
cj- zj 0 0 0 0 0 -0.209 -0.512 -0.047 -0.477
Toate elementele de pe ultima linie a tabloului Simplex sunt negative sau zero, deci algoritmul
se opreşte. Soluţia obţinută, Z = 737.209, este optimă. Un profit maxim, poate fi obţinut dacă se
cultivă cu: grâu x1 = 3.49 ha; porumb x2 = 45.35 ha; cartofi x3 = 20.93 ha; floarea soarelui o
suprafaţă x4 = 26.74 ha. Rămân necultivate s1 = 3.49 ha de teren.
Tablou Simplex final oferă şi alte informaţii utile. Valorile zj - cj reprezintă preţurile umbră,
adică măsoară importanţa relativă a restricţiei respective în soluţia optimă: dacă disponibilul dintr-o
anumită resursă creşte cu o unitate, atunci valoarea funcţiei obiectiv se îmbunătăţeşte cu (zj - cj)
Modele de optimizare - Modelul de programare lineară - Algoritmul Simplex
23
Unitatea de
învăţare 2
unităţi. De asemenea, prin tehnici specifice, se poate calcula domeniul de variaţie a disponibilului
din fiecare resursă, sau a coeficienţilor din funcţia obiectiv, astfel încât structura soluţiei optime să
nu se modifice. Rezultatele respective sunt prezentate în tabelele următoare.
Restricţia Deficit (-) /
Excedent (+)
Preţurile umbră
(Shadow Price)
suprafaţa disponibilă 3.488 0.000
R1 0.000 0.209
R2 0.000 0.512
R3 0.000 0.047
R4 0.000 0.477
Intervalul de variaţie a coeficienţilor din funcţia obiectiv:
Variabila Limita
inferioară
Valoarea
curentă
Limita
superioară
Creşterea
permisă
Scăderea
permisă
x1 1.906 5 5.800 0.800 3.094
x2 6.810 7 8.385 1.385 0.190
x3 6.267 9 9.133 0.133 2.733
x4 7.789 8 10.025 2.025 0.211
Intervalul de variaţie pentru termenul liber - Right Hand Side Ranges (disponibilul de resurse)
Variabila
(resursa)
Limita
inferioară
Valoarea
curentă
Limita
superioară
Creşterea
permisă
Scăderea
permisă
suprafaţa 96.512 100 Fără limită Fără limită 3.488
R1 290.476 400 700.000 300.000 109.524
R2 268.421 300 308.955 8.955 31.579
R3 378.947 500 560.000 60.000 121.053
R4 977.358 1000 1036.364 36.364 121.053
Modele de optimizare - Modelul de programare lineară - Algoritmul Simplex
24
Unitatea de
învăţare 2
Se constată că viteza de creştere cea mai mare a profitului se poate obţine dacă se asigură
creşterea disponibilului din resursa R2 (resursa R2 are preţul umbră cel mai mare). Pentru ca
structura soluţiei optime să nu se modifice, creşterea disponibilului din resursa R2 poate avea loc în
limita a maximum 8.955 unităţi. Fie o creşterea a disponibilului din resursa R2 cu 8 unităţi (de la
300 la 308 unităţi). Atunci, valoarea profitului va creşte cu 8 0.512 = 4.096 unităţi, la 741.31
unităţi. Pentru verificare, prin calcul se determină tabloul final Simplex următor:
Tabloul Simplex: 4
cj 5 7 9 8 0 0 0 0 0
cb Baza VVB x1 x2 x3 x4 s1 s2 s3 s4 s5
0 s1 4.372 0 0 0 0 1 -0.012 0.110 -0.058 -0.096
5 x1 0.372 1 0 0 0 0 -0.012 -0.390 -0.058 0.154
9 x3 22.233 0 0 1 0 0 -0.070 0.163 -0.349 0.174
8 x4 28.186 0 0 0 1 0 0.244 0.180 0.221 -0.235
7 x2 44.837 0 1 0 0 0 -0.151 -0.064 0.244 0.003
zj 741.302 5 7 9 8 0 0.209 0.512 0.047 0.477
cj- zj 0 0 0 0 0 -0.209 -0.512 -0.047 -0.477
În noua soluţie optimă (soluţia post optimizare), creşte suprafaţa neutilizată (de la 3.488 ha la
4.372 ha), scad suprafeţele cultivate cu grâu şi porumb şi cresc suprafeţele cultivate cu cartofi şi
floarea soarelui.
Variab
ila
Valoare
iniţială
Valoare post-
optimizare
x1 3.488 0.372
x2 45.349 44.837
x3 20.930 22.233
x4 26.744 28.186
Analiza problemei poate continua, de exemplu prin impunerea restricţiei ca suprafaţa
disponibilă să fie utilizată integral. În aceste condiţii, soluţia optimă, obţinută în mod asemănător, în
5 iteraţii este:
Modele de optimizare - Modelul de programare lineară - Algoritmul Simplex
25
Unitatea de
învăţare 2
Tabloul Simplex: 5
cj 5 7 9 8 0 0 0 0 -M
cb Baza VVB x1 x2 x3 x4 s2 s3 s4 s5 A1
5 x1 15.789 1 0 0 0 -0.053 0 -0.263 -0.184 3.526
9 x3 15.789 0 0 1 0 -0.053 0 -0.263 0.316 -1.474
8 x4 21.053 0 0 0 1 0.263 0 0.316 -0.079 -1.632
7 x2 47.368 0 1 0 0 -0.158 0 0.211 -0.053 0.579
0 s3 31.579 0 0 0 0 -0.105 1 -0.526 -0.868 9.053
zj 721.053 5 7 9 8 0.263 0 0.316 0.921 -4.625
cj- zj 0 0 0 0 -0.263 0 -0.316 -0.921 -M
Obs. A1 este vectorul ataşat unei variabile auxiliare, variabilă care penalizează funcţia obiectiv cu
o valoare mare M.
Soluţia optimă: Z = 721.053,
Variab
ila
Valoar
e
x1 15.789
x2 47.368
x3 15.789
x4 21.053
Restricţ
ia
Deficit (-)
/
Excedent
(+)
Preţurile
umbră
(Shadow
Price)
R1 0.000 0.263
R2 31.579 0.000
R3 0.000 0.316
Modele de optimizare - Modelul de programare lineară - Algoritmul Simplex
26
Unitatea de
învăţare 2
R4 0.000 0.921
Intervalul de variaţie a coeficienţilor din funcţia obiectiv:
Variabila Limita
inferioară
Valoarea
curentă
Limita
superioară
Creşterea
permisă
Scăderea
permisă
x1 Fără limită 5 6.200 1.200 Fără limită
x2 5.500 7 8.667 1.667 1.500
x3 6.083 9 10.200 1.200 2.917
x4 7.000 8 19.667 11.667 1.000
Intervalul de variaţie pentru termenul liber - Right Hand Side Ranges (disponibilul de resurse)
Variabila
(resursa)
Limita
inferioară
Valoarea
curentă
Limita
superioară
Creşterea
permisă
Scăderea
permisă
suprafaţa 96.512 100 110.714 10.714 3.488
R1 320.000 400 700.000 300.000 80.000
R2 268.421 300 Fără
limită
Fără
limită 31.579
R3 433.333 500 560.000 60.000 66.667
R4 950.000 1000 1036.364 36.364 50.000
Cea mai rapidă îmbunătăţire a soluţiei se obţine prin suplimentarea disponibilului din R4
(preţului umbră al acestei restricţii este maxim, 0.921). Creşterea permisă a pentru R4, astfel încât
structura soluţiei optime să nu se modifice este de 36.364 unităţi. Adică, pornind de la condiţiile
prezentate, prin suplimentarea lui R4, soluţia problemei de programare liniară poate fi îmbunătăţită
cu 36.364 0.921 = 33.49 unităţi, de la 727.05 unităţi, la 754.54 unităţi. Noua soluţie optimă este:
Variabila Valoarea
iniţială
Valoarea
post-optimizare
x1 15.789 9.091
x2 47.368 45.454
Modele de optimizare - Modelul de programare lineară - Algoritmul Simplex
27
Unitatea de
învăţare 2
Variabila Valoarea
iniţială
Valoarea
post-optimizare
x3 15.789 27.273
x4 21.053 18.182
În sfârşit, dacă se păstrează restricţia ca suprafaţa disponibilă să fie cultivată integral, iar
suprafaţa cultivată cu grâu să nu fie mai mică de 20 ha, suprafaţa cultivată cu porumb să nu fie sub
20 ha, cea cultivată cu cartofi să fie de cel puţin 10 ha, iar floarea soarelui să fie cultivată pe
minimum 20 ha, atunci, programul de producţie va fi următorul:
Variabila Valoarea
x1 20.000
x2 46.667
x3 13.333
x4 20.000
iar valoarea optimă a funcţiei obiectiv: Z = 706.667
Modele de optimizare - Modelul de programare lineară - Algoritmul Simplex
28
Unitatea de
învăţare 2
Test de evaluare a cunoştinţelor
Timp estimat: 20 minute
1. Cine este autorul algoritmului Simplex?
2. Cum se identifică elementul pivot?
3. Cum se calculează elementele de pe linia pivotului?
4. Ce reprezintă tehnica denumită pivotare?
5. Când se opreşte algoritmul?
Observaţie: Răspunsurile la acest test se pot consulta la finalul unităţii de învătare.
Modele de optimizare - Modelul de programare lineară - Algoritmul Simplex
29
Unitatea de
învăţare 2
Elementul situat la intersecţia coloanei ataşate vectorului care intră în
bază cu linia corespunzătoare vectorului înlocuit se numeşte pivot. Se
completează următorul tablou Simplex ţinând seama de câteva reguli,
astfel:
o - în coloana cb se scrie costul corespunzător vectorului introdus
în bază;
o - elementele de pe linia pivotului se calculează prin împărţirea
elementelor din tabloul precedent la pivot;
o - vectorul care conţine pivotul va avea 1 în poziţia pivotului şi 0
celelalte elemente;
o - coloanele care au 0 la intersecţia cu linia pivotului se scriu
identic în următorul tablou;
o - toate celelalte elemente din tablou se calculează prin tehnica
denumită pivotare: se construieşte un dreptunghi care are o
diagonală formată din pivot şi elementul care constituie obiectul
calculului pentru noul tablou; produsul elementelor de pe cealaltă
diagonală a dreptunghiului se scade din produsul elementelor de
pe diagonală pivotului, iar rezultatul se împarte la pivot.
Algoritmul se opreşte atunci când toate elementele de pe ultima linie a
tabloului Simplex sunt negative sau zero.
Modele de optimizare - Modelul de programare lineară - Algoritmul Simplex
30
Unitatea de
învăţare 2
Lucrări obligatorii
1. Jula N., Jula D., 2010, Modelare economică. Modele econometrice şi de optimizare,
Editura Mustang, Bucureşti, pag. 22-40
2. Jula D., 2003, Introducere în econometrie, Editura Professional Consulting, Bucureşti
3. Jula N., 2004, Modelarea deciziilor financiar-monetare, Editura Bren, Bucureşti
4. Jula N., 2006, Modelare economică – elemente de econometrie aplicată, Editura Mustang,
Bucureşti
5. Jula N., 2006, Modelare economică – econometrie aplicată, Editura Cartea Studenţească,
Bucureşti
6. Jula N., Jula D., 2009, Modelare economică. Econometrie financiară, Editura Mustang,
Bucureşti
7. Pecican E.S., 1996, Macroeconometrie. Politici economice guvernamentale şi econometrie,
Editura Economică, Bucureşti
Lucrări complementare
1. Andrei T., 2003, Statistică şi econometrie, Editura Economică, Bucureşti
2. Greene W.H., 2000, Econometric analysis, fourth edition, Prentice Hall, New Jersey
3. Maddala G.S., 2001, Introduction to econometrics, third edition, Wiley, New York
4. Taşnadi A., 2001, Econometrie, Editura ASE, Bucureşti
5. Tănăsoiu O., Iacob A.I., 1999, Econometrie aplicată, Editura Arteticart, Bucureşti.
6. Zaman C., 1998, Econometrie, Editura Pro Democraţia, Bucureşti
7. Dobrescu E., 2000, Macromodelul economiei româneşti de tranziţie, Editura Expert,
Bucureşti
Modele de optimizare - Modelul de programare lineară - Algoritmul Simplex
31
Unitatea de
învăţare 2
1. G. B. Danzig
2. Elementul situat la intersecţia coloanei ataşate vectorului care intră în bază cu linia
corespunzătoare vectorului înlocuit se numeşte pivot.
3. Elementele de pe linia pivotului se calculează prin împărţirea elementelor din tabloul
precedent la pivot
4. Tehnica pivotării: se construieşte un dreptunghi care are o diagonală formată din pivot şi
elementul care constituie obiectul calculului pentru noul tablou; produsul elementelor de pe
cealaltă diagonală a dreptunghiului se scade din produsul elementelor de pe diagonală
pivotului, iar rezultatul se împarte la pivot.
5. Algoritmul se opreşte atunci când toate elementele de pe ultima linie a tabloului Simplex
sunt negative sau zero.
Modele de optimizare - Modele de gestiune a stocului - Problema de transport
- Teoria firelor de aşteptare
32
Unitatea de
învăţare 3
Unitatea de învăţare 3 - Modele de optimizare
Cuprins:
Modele de gestiune a stocurilor
o Stocurile de materii prime
o Optimizarea gestiunii stocurilor
o Exemplu de calcul
Problema de transport
o Formularea problemei de transport
o Rezolvarea problemei de transport
o Exemplu de calcul
Teoria firelor de aşteptare
o Formularea problemei
o Modelul matematic
o Exemplu de calcul
Introducere
După parcurgerea unităţii veţi fi în măsură să răspundeţi la întrebările:
Când se foloseşte un algoritm de optimizare?
Care sunt modelele de optimizare a stocului?
Problema de transport - enunţ şi rezolvare.
Ce reprezintă teoria firelor de aşteptare?
Obiectivele/competentele unităţii de învăţare
Noţiunea de optimizare
Modele de gestiune a stocului
Modele de optimizare - Modele de gestiune a stocului - Problema de transport
- Teoria firelor de aşteptare
33
Unitatea de
învăţare 3
Problema de transport
Teoria firelor de aşteptare
Durata medie de parcurgere acestei unităţi de învăţare este de 3 ore şi 40
minute.
Modele de optimizare - Modele de gestiune a stocului - Problema de transport
- Teoria firelor de aşteptare
34
Unitatea de
învăţare 3
Modele de optimizare
3.1. Stocurile de materii prime
Prin stoc se înţelege o cantitate oarecare de resurse, de orice fel, existentă la un moment dat şi
nefolosită într-un proces de transformare, indiferent de natura acestuia. În general se spune că o
resursă oarecare intră în stoc atunci când este înmagazinată într-un mod oarecare. În mod asemă-
nător, se spune că o resursă iese din stoc atunci când este consumată efectiv.
Volumul stocurilor este determinat de caracterul procesului de producţie, natura materiilor
prime, modul de aprovizionare şi eventualele dificultăţi ale acestui proces (frecvenţa şi regularitatea
sosirii lor în întreprindere, starea mijloacelor şi a căilor de transport ş.a.).
Stocul curent reprezintă cantitatea de materiale care trebuie să asigure continuitatea producţiei
în intervalul dintre două aprovizionări. Stocul de siguranţă reprezintă cantitatea de materiale
necesară pentru a preveni întreruperile din producţie determinate de unele dificultăţi în
aprovizionare, dificultăţi cauzate de evenimente cu caracter aleatoriu. Stocul sezonier cuprinde
materialele care sunt utilizate în producţie şi/sau sunt aduse în întreprindere numai în anumite
perioade ale anului. Această situaţie este determinată, în special, de ciclul producţiei industriale.
Elementele principale analizate în cadrul unui proces de stocare sunt: cererea de resurse, aprovi-
zionarea, costurile implicate, parametrii legaţi de timp.
Satisfacerea cererii de materii prime (resurse) este scopul procesului de stocare. Cererea apare
ca urmare a procesului de producţie şi depinde de nivelul producţiei şi consumurile specifice.
Volumul şi ritmul aprovizionării sunt determinate de cererea de resurse, durata de livrare a
produselor (intervalul dintre lansarea comenzii şi sosirea materiilor prime) şi costurile implicate în
acest proces.
Costurile implicate în cazul unui proces de stocare se pot grupa în trei categorii:
cl - cheltuielile de lansare a comenzii sunt compuse din suma cheltuielilor efectuate până la intrarea
produselor în stoc (cheltuielile legate de formularea comenzii, cheltuieli administrative
determinate de operaţia de reaprovizionare);
cs - cheltuielile de stocare compuse din cheltuielile de depozitare, întreţinere, asigurare, imobilizare
a capitalului financiar etc. Costul stocării este, de obicei, proporţional cu cantitatea de bunuri
stocată şi cu durata depozitării;
cp - costul de penalizare (cheltuielile de rupere a stocului) reprezintă pierderile înregistrate în
situaţiile în care cererea de resurse este superioară stocului (amenzi, întreruperea producţiei,
plata despăgubirilor pentru producţia nelivrată etc.). De obicei, aceste cheltuieli sunt
proporţionale cu cantitatea cerută din resursa respectivă şi nesatisfăcută şi cu durata penuriei.
Optimizarea gestiunii stocurilor
Se demonstrează că, dacă aprovizionarea se face la intervale fixe, în condiţiile unei cereri
constante în timp şi nu se admite posibilitatea rupturii de stoc, atunci cheltuielile totale (de lansare a
comenzii plus cele legate direct de procesul de stocare) sunt minime dacă:
– intervalul de timp dintre două aprovizionări succesive este:
Modele de optimizare - Modele de gestiune a stocului - Problema de transport
- Teoria firelor de aşteptare
35
Unitatea de
învăţare 3
s
lopt
cV
cT2 = t
– mărimea comenzii de aprovizionare este:
cT
cV2 = v
s
lopt
Atunci, nivelul minim al cheltuielilor totale este:
ccTV2 = C slopt
Simbolurile utilizate au următoarele semnificaţii:
topt - intervalul optim între două aprovizionări succesive;
vopt - mărimea lotului optim;
Copt - volumul minim al cheltuielilor totale (lansare a comenzii plus stocare a produselor);
T - intervalul de timp pentru care se face gestiunea;
V - cererea totală de produse pe intervalul T;
cl - cheltuielile de lansare;
cs - costul de stocaj pe unitatea de produs stocat.
În condiţiile de ruptură a stocului, elementele prezentate mai sus se calculează prin introducerea
unui factor de indisponibilitate:
c + c
c =
ps
p .
Atunci:
– intervalul de timp dintre două aprovizionări succesive este:
c
c+c
cV
cT2 = t
p
ps
s
lopt
– mărimea comenzii de aprovizionare este:
c
c+c
cT
cV2 = v
p
ps
s
lopt
– stocul optim este:
c+c
c
cT
cV2 = s
ps
p
s
lopt
Nivelul minim al cheltuielilor totale este:
c+c
c ccTV2 = C
ps
p
slopt
Simbolurile utilizate au următoarele semnificaţii:
Modele de optimizare - Modele de gestiune a stocului - Problema de transport
- Teoria firelor de aşteptare
36
Unitatea de
învăţare 3
topt - intervalul optim între două aprovizionări succesive;
vopt - mărimea lotului optim;
Copt - volumul minim al cheltuielilor totale (lansare a comenzii plus stocare a produselor);
sopt - mărimea stocului optim;
T - intervalul de timp pentru care se face gestiunea;
N - cererea totală de produse pe intervalul T;
cl - cheltuielile de lansare;
cs - costul de stocaj, pe unitatea de produs stocat;
cp - costul de penalizare.
Exemplu de calcul
Pentru exemplificarea modului de calcul, să presupunem că la un nivelul unei firme, care are ca
obiect de activitate realizarea unor produse industriale, cererea anuală (T = 360) pentru tablă de oţel
este de V = 5000 tone. În tot timpul anului cererea este continuă şi constantă pe perioade egale. Prin
analize statistice privind perioadele anterioare, s-a calculat costul de stocaj pentru o unitate (o tonă),
pe zi cs = 1000 unităţi monetare. Cheltuielile de lansare a comenzii (cheltuieli administrative, plata
achizitorului, delegaţi pentru recepţie, transport etc.) sunt cl = 5 mil. unităţi monetare/lot şi sunt
independente de volumul lotului.
În aceste condiţii, cantitatea optimă de aprovizionat (lotul optim) este:
(tone) 372.7 1000360
500000050002 = vopt
Perioada optimă între două aprovizionări succesive este:
(zile) 27 10005000
50000003602 = topt
Costul total minim al gestiunii este:
(mil.u.m.) 134 5000000100036050002 = Copt 2.
Dacă se admite posibilitatea ruperii stocului, introducând un cost de penalizare de 2500 u.m. pe
unitate, pe zi, factorul de indisponibilitate va fi:
0.71 = 2500 + 1000
2500 =
şi atunci:
– lotul optim pentru evitarea ruperii stocului:
(tone) 441 0.71
1 372.7 = vopt
– stocul optim:
sopt = 4410.71 = 313 (tone)
Modele de optimizare - Modele de gestiune a stocului - Problema de transport
- Teoria firelor de aşteptare
37
Unitatea de
învăţare 3
– perioada între două aprovizionări succesive:
(zile) 32 0.71
1 27 = topt
– costul total minim al gestiunii stocului:
(mil.u.m.) 113 0.71 134.2 = Copt
Se observă că, în cazul unui cost de penalizare relativ mic, se poate admite ruptura stocului în
vederea obţinerii unui cost total mai mic (în problema analizată, cu aproximativ 20 mil.u.m.).
3.2. Problema de transport
Rezolvarea problemei de transport
Algoritmul pentru rezolvarea problemei de transport se bazează pe teorema ecarturilor
complementare.
1. Algoritmul pentru obţinerea soluţiei optime a problemei de transport presupune ca prim pas
determinarea unei soluţii iniţiale de bază. Metoda generală de obţinere a unei soluţii iniţiale de
bază porneşte de la determinarea valorii jiij bax ,min . Pornind de la această metodă
generală, sunt cunoscute mai multe variante de generare a soluţiei de bază.
a) Metoda colţului de Nord-Vest..
b) Metoda costului minim din tabel. Se cunosc două sub-variante ale variantei b:
b-1) Metoda elementului minim pe linie;
b-2) Metoda elementului minim pe coloană.
c) Metoda diferenţelor maxime (Vögel)
După aplicarea uneia dintre metodele descrise pentru (1) determinarea unui program iniţial al
problemei de transport, algoritmul simplificat pentru obţinerea soluţiei optime a problemei
presupune parcurgerea în continuare a mai multor paşi. (vezi Bibliografie şi exemplul următor)
Exemplu de calcul
În 3 depozite Ai, 1 i 3 se află un produs solicitat de 5 consumatori Bj, 1 j 5. Cantităţile
disponibile în fiecare depozit, cantităţile solicitate de fiecare consumator şi costurile unitare de
transport de la fiecare depozit la fiecare consumator sunt prezentate în tabelul următor. Se cere să se
determine un program de transport, astfel încât cheltuielile totale de transport să fie minime.
Modele de optimizare - Modele de gestiune a stocului - Problema de transport
- Teoria firelor de aşteptare
38
Unitatea de
învăţare 3
B1 B2 B3 B4 B5 Disponibil
A1 15 8 12 6 12 2500
A2 5 20 15 10 4 1500
A3 12 10 8 12 8 2000
Necesar 1500 2000 500 1200 800
Soluţia iniţială, obţinută prin metoda costului minim din tabel este:
B1 B2 B3 B4 B5 Disponibil
A1 1300 1200 2500
A2 700 800 1500
A3 800 700 500 2000
Necesar 1500 2000 500 1200 800
Pentru această soluţie a problemei de transport, valoarea funcţiei obiectiv este:
Z = 13008 + 12006 + 7005 + 8004 + 80012 + 70010 + 5008 = 44900
Testarea optimalităţii acestei soluţii de bază se realizează potrivit algoritmului prezentat.
Calculăm, în primul rând, valorile ui şi vj din condiţiile ui + vj = cij, (i, j) I, adică, pentru fiecare
cuplu (i, j) corespunzător soluţiei de bază.
v1 v2 v3 v4 v5
u1 8 6
u2 5 4
u3 12 10 8
Sistemul obţinut este:
8
1012
45
68
33
2313
5212
4121
vu
vuvu
vuvu
vuvu
Modele de optimizare - Modele de gestiune a stocului - Problema de transport
- Teoria firelor de aşteptare
39
Unitatea de
învăţare 3
Rezolvarea sistemului se realizează prin impunerea condiţiei u3 = 0. Valorile obţinute pentru ui,
vj, precum şi diferenţele ijji cvu sunt prezentate în tabelul următor. Celulele care conţin zero
corespund soluţiei de bază.
ijji cvu v1 = 12 v2 = 10 v3 = 8 v4 = 8 v5 = 11
u1 = -2 -5 0 -6 0 -3
u2 = -7 0 -17 -14 -9 0
u3 = 0 0 0 0 -4 3*
Dacă toate aceste diferenţe sunt negative sau zero soluţia este optimă. Dacă există diferenţe
pozitive, algoritmul continuă. Se alege valoarea maximă dintre diferenţele pozitive. Poziţia acestei
diferenţe pozitive maxime este marcată cu (*). Se construieşte, potrivit algoritmului prezentat,
ciclul corespunzător diferenţei respective. Acest ciclu este, de asemenea, marcat în tablou.
B1 B2 B3 B4 B5 Disponibil
A1 1300 1200 2500
A2 700(+) 800(-) 1500
A3
800(-)
700 500
(+) * 2000
Necesar 1500 2000 500 1200 800
Noua soluţie de bază este prezentată în tabloul următor:
B1 B2 B3 B4 B5 Disponibil
A1 1300 1200 2500
A2 1500 0 1500
A3 700 500 800 2000
Necesar 1500 2000 500 1200 800
Testarea optimalităţii pentru noua soluţie de bază se realizează similar iteraţiei precedente.
Calculăm, în primul rând, valorile ui şi vj din condiţiile ui + vj = cij, pentru fiecare cuplu (i, j)
corespunzător soluţiei de bază.
Modele de optimizare - Modele de gestiune a stocului - Problema de transport
- Teoria firelor de aşteptare
40
Unitatea de
învăţare 3
v
1
v2 v3 v4 v5
u1 8 6
u2 5 4
u3 10 8 8
Sistemul obţinut este:
8
810
45
68
53
3323
5212
4121
vu
vuvu
vuvu
vuvu
Rezolvarea sistemului se realizează prin impunerea condiţiei u3 = 0. Valorile obţinute pentru ui,
vj, precum şi diferenţele ijji cvu sunt prezentate în tabelul următor.
ijji cvu v1 = 9 v2 = 10 v3 = 8 v4 = 8 v5 = 8
u1 = -2 -8 0 -6 0 -6
u2 = -4 0 -14 -11 -6 0
u3 = 0 -3 0 0 -4 0
Toate diferenţele ijji cvu sunt negative sau zero, deci soluţia este optimă. Această soluţie
propune ca programul optim de transport să fie următorul:
Sursa Destinaţia Cantitatea transportată
A1 B2 1300
A1 B4 1200
A2 B1 1500
A3 B2 700
A3 B3 500
A3 B5 800
Valoarea funcţiei obiectiv pentru programul de transport optim:
Z = 13008 + 12006 + 15005 + 70010 + 5008 + 8008 = 42500.
Modele de optimizare - Modele de gestiune a stocului - Problema de transport
- Teoria firelor de aşteptare
41
Unitatea de
învăţare 3
3.3. Teoria firelor de aşteptare
Formularea problemei
Timpul de aşteptare în vederea servirii şi durata servirii propriu-zise sunt în funcţie de ritmul
sosirii solicitanţilor şi operativitatea răspunsului oferit de sistemul de servire.
Studiul problemelor legate de procesele de aşteptare a generat metode specifice de analiză,
grupate în teoria matematică a sistemelor de aşteptare13
Modelul matematic
Dacă există o singură staţie de servire, venirile în sistem sunt întâmplătoare, independente unele
de altele şi nelimitate, numărul de sosiri pe unitatea de timp este o variabilă aleatoare repartizată
Poisson cu media λ, serviciile sunt independente între ele şi nu depind de sosiri, durata serviciului
fiind o variabilă aleatoare cu o repartiţie exponenţial negativă de parametru µ, iar ordinea de servire
este primul venit - primul servit (FIFO), clienţii fiind serviţi în ordinea sosirii14
, atunci se
demonstrează ca15
:
(a) numărul mediu de solicitanţi în şirul de aşteptare (nf);
(b) numărul mediu de solicitanţi în sistem (în şir sau în curs de servire) (ns);
(c) timpul mediu de aşteptare în şir (ts);
(d) timpul mediu de aşteptare în sistem (ts)
se calculează astfel:
- 1 = n
2
f
- 1 = ns
) - (1 = t f
) - (1
1 = t s
13
Primele lucrări în domeniul teoriei aşteptării sunt cele ale lui Karl Erlang (1908) efectuate pentru compania de telefoane din
Copenhaga. Terminologia utilizată în modelele din teoria sistemelor de aşteptare s-a impus după prezentarea de către D.G. Kendall la Societatea Regală de Statistică din Londra a cărţii Some Problems in the Theory of Quenes, J.Ray Statist. Soc., Ser. B, 13, No.2, 1951 (vezi A.M.Lee, Teoria aşteptării cu aplicaţii, Bucureşti, Editura Tehnică, 1976, p.15-16). În limba română, pot fi consultate, pe lângă lucrarea menţionată, şi altele. Cităm doar: Gh.Mihoc, G. Ciucu, Introducere în teoria aşteptării, Bucureşti, Editura Tehnică, 1967; Gh. Mihoc, G. Ciucu, A. Muja, Modele matematice ale aşteptării , Bucureşti, Editura Academiei, 1973. 14
Această regulă este numită FIFO (first in first out). Există şi alte reguli de servire: LIFO (last in first out), adică ultimul venit, primul servit
(de exemplu produsele sunt ambalate în cutii şi aşezate în stivă lângă vânzător; servirea se va face prima dată din cutia aşezată deasupra, adică ultima adusă etc.); servire aleatoare - când fiecare cerere poate fi servită cu aceeaşi probabilitate; servire cu aplicarea unor reguli de prioritate; disciplină de servire de tipul următor: prima cerere din şirul de aşteptare este servită numai o perioadă de timp (cuantă), după care, dacă cererea a fost satisfăcută integral, solicitantul părăseşte sistemul, dacă nu, intră din nou în şirul de aşteptare pentru continuarea serviciului (metodă utilizată, de exemplu, pentru servirea solicitanţilor unui sistem de calcul) . 15
Pentru demonstrarea acestor formule vezi, de exemplu, acad. O. Onicescu, Probabilităţi şi procese aleatoare, Bucureşti, Editura
Ştiinţifică şi Enciclopedică, 1977, p.486-502; A. M. Lee, Teoria aşteptării cu aplicaţii, Bucureşti, Editura Tehnică, 1976, p.31-38; G. Boldur Lăţescu, I. Săcuiu, E. Ţigănescu, Cercetare operaţională cu aplicaţii în economie, Bucureşti, Editura Didactică şi Pedagogică, 1979, p.232-240 ş.a.
Modele de optimizare - Modele de gestiune a stocului - Problema de transport
- Teoria firelor de aşteptare
42
Unitatea de
învăţare 3
unde:
=
este denumit factorul de serviciu, iar:
λ - parametrul ce caracterizează sosirile în sistem (media sosirilor);
µ - parametrul ce caracterizează durata servirii (numărul mediu al solicitanţilor serviţi în unitatea
de timp).
Mai mult, probabilitatea ca un solicitant să aştepte în şir un timp mai mare decât un timp dat t0
este:
e = )t > tP( )-(1 t-0f
0
probabilitatea ca un solicitant să aştepte:
P(tf > 0) = ρ
şi, de aici, probabilitatea ca unitatea de servire să nu fie ocupată este:
P(ns = 0) = 1 – ρ
Timpul mediu de inactivitate al unităţii de servire într-un anumit interval T este:
Tn = (1 – ρ)T
Exemplu de calcul
Pentru exemplificarea modului de calcul al elementelor prezentate, să considerăm că la un
magazin de pâine sosesc 25 de cumpărători la fiecare 10 minute, iar timpul necesar servirii unui
cumpărător este, în medie, de 20 de secunde. În acest caz, luând ca unitate de timp minutul, se
calculează:
λ = 2.5 solicitanţi pe minut;
µ = 3 cumpărători serviţi pe minut;
- numărul mediu de persoane în şir:
nj = 4.17 persoane;
- numărul mediu de persoane în şir sau în curs de servire:
ns = 5 persoane;
- timpul mediu de aşteptare al unei persoane în şirul de aşteptare:
tf = 1.67 minute;
- timpul mediu de aşteptare al unei persoane în sistem:
ts = 2 minute;
- probabilitatea ca un solicitant să aştepte un timp mai mare de 5 minute:
P(tf > 5) = 6.84%;
- probabilitatea ca unitatea să nu fie ocupată, să nu existe nici un solicitant:
P(ns = 0) = 16.7%;
Modele de optimizare - Modele de gestiune a stocului - Problema de transport
- Teoria firelor de aşteptare
43
Unitatea de
învăţare 3
- timpul mediu de inactivitate al unităţii de servire într-o oră:
Tn(1 oră) = 10 minute.
În cazul în care există mai multe unităţi de servire, relaţiile de determinare a numărului de
solicitanţi ce aşteaptă să fie serviţi şi a timpului de aşteptare sunt mai complicate.
Notând ca mai înainte ρ = λ/µ şi ρ* = ρ/s, unde s = numărul de unităţi care sunt la dispoziţia
solicitanţilor, atunci:
) - (1
s! p = n 2*
*s
0f
+
) - (1
s! p = n 2*
*s
0s
) - (1
1
s! s p = t 2*
s
0f
1 + t = t fs
unde p0 este probabilitatea ca în sistemul de aşteptare să nu fie nici o persoană şi:
) - (1 s! +
n! = p
*
nn1-s
0=n
-1
0
Probabilitatea ca toate punctele de servire să fie ocupate la un moment dat (Ps0) se calculează:
- s
s p
s! = P 0so
Probabilitatea ca timpul de aşteptare a unui solicitant în firul de aşteptare să nu depăşească un
timp dat t0 este:
p e - s
s
s! = )t < tP(
0t) - (s-
0f0
Dacă s = 2 (numărul de unităţi sau puncte de servire), timpul de aşteptare în şir este dat de
relaţia
1
2
- 12
= t
22
f
/ ,
iar numărul de solicitanţi în firul de aşteptare
2 - 1
2 = n
22
f / .
De asemenea, timpul de aşteptare în sistem
1 + t = t fs ,
Modele de optimizare - Modele de gestiune a stocului - Problema de transport
- Teoria firelor de aşteptare
44
Unitatea de
învăţare 3
iar numărul de solicitanţi
ns = nf + ρ.
Să presupunem că pentru un produs se înregistrează în medie 90 solicitanţi pe oră, iar timpul
necesar pentru satisfacerea unei cereri urmează o lege de repartiţie exponenţială negativă şi este în
medie 1.2 minute. În acest caz, dacă unitatea de timp considerată este ora,
λ = 90 persoane pe oră;
µ = 60/1.2 = 50 persoane pe oră,
deci
ρ = 90/50 = 1.8
Deoarece ρ > 1, dacă solicitanţii ar fi serviţi de un singur vânzător, în sistem s-ar produce o
aglomerare nelimitată. Dacă servirea este asigurată de doi vânzători, pentru şirul de aşteptare
format, factorul de servire va fi
ρ* = ρ/2 = 0.9 < 1
Atunci, potrivit relaţiilor prezentate mai sus:
- timpul mediu de aşteptare al unui solicitant la coadă:
tf = 5.1 minute;
- timpul mediu de aşteptare al unui solicitant în sistem:
ts = 6.3 minute;
- numărul mediu de persoane în şirul de aşteptare:
nf = 7.67 persoane;
- numărul mediu de persoane în sistem:
ns = 9.47 persoane.
Există modele ale teoriei firelor de aşteptare construite şi în alte ipoteze, privind natura
repartiţiei sosirilor şi a timpilor de servire, disciplina de servire, populaţia din care sosesc
solicitanţii, capacitatea staţiilor de servire etc.
Din aceste aspecte prezentate, pentru problema abordată - reducerea timpului necesar realizării
unui serviciu - se impune precizarea că servirea unui număr cât mai mare de solicitanţi în unitatea
de timp (în terminologia utilizată în teoria aşteptării, reducerea factorului de serviciu) şi deci
reducerea timpului de aşteptare se poate realiza prin creşterea numărului unităţilor de servire, iar în
cadrul acestora a numărului posturilor de servire (vânzători) pentru produsele la care ritmul sosirii
solicitanţilor este ridicat. Fie, de exemplu, un produs a cărui vânzare necesită 10 minute (alegerea
produsului, proba de funcţionare, completarea certificatului de garanţie etc.). Dacă într-o oră sosesc
5 solicitanţi ai produsului respectiv, timpul mediu de aşteptare al unui solicitant, în vederea servirii
este, potrivit relaţiei prezentate mai sus (cazul s = 1):
6
5 - 1 6
6
5
= ) - (1
= t f
tf = 0.83 ore = 50 min.
Timpul de aşteptare în sistem este:
Modele de optimizare - Modele de gestiune a stocului - Problema de transport
- Teoria firelor de aşteptare
45
Unitatea de
învăţare 3
ts = tf + 10 minute = 60 minute.
Dacă pentru produsul respectiv există două staţii de servire, aproximativ identice, deci pentru
acelaşi şir de aşteptare doi vânzători, atunci timpul mediu de aşteptare al unui solicitant în vederea
servirii este:
)(5/12 - 16 =
1
2 - 1
2 = t 22
2
f
2
12
5
adică,
tf = 0.035 ore = 2.1 min.
iar timpul de aşteptare în sistem:
ts = 12.1 minute.
Din punctul de vedere al cumpărătorului, aceasta înseamnă, în medie, o economie de 47.9
minute. Dacă în aceeaşi zonă există două magazine care desfac produsul respectiv, iar cumpărătorii
se împart între acestea, astfel încât la o unitate să sosească în medie 2.5 solicitanţi pe oră, timpul
mediu de aşteptare al unei persoane în vederea servirii este:
tf = 7.2 minute,
iar timpul de aşteptare în sistem:
ts = 17.2 minute,
adică o economie de 42.8 minute.
În ambele cazuri se realizează o importantă economie de timp (ca valoare medie).
Modele de optimizare - Modele de gestiune a stocului - Problema de transport
- Teoria firelor de aşteptare
46
Unitatea de
învăţare 3
Test de evaluare a cunoştinţelor
Timp estimat: 20 minute
1. Ce reprezintă procesul de stocare?
2. Ce reprezintă stocul curent?
3. Care sunt cele 3 categorii de costuri implicate în procesul de stocare?
4. Când este echilibrată problema de transport?
5. Care este teorema pe care se bazează rezolvarea problemei de transport?
6. Ce teorie stă la baza firelor de aşteptare?
Observaţie: Răspunsurile la acest test se pot consulta la finalul unităţii de învătare.
Modele de optimizare - Modele de gestiune a stocului - Problema de transport
- Teoria firelor de aşteptare
47
Unitatea de
învăţare 3
Procesul de stocare reprezintă acumularea unor bunuri în
vederea satisfacerii unei cereri viitoare.
Prin stoc se înţelege o cantitate oarecare de resurse, de orice fel,
existentă la un moment dat şi nefolosită într-un proces de
transformare, indiferent de natura acestuia.
Algoritmul pentru rezolvarea problemei de transport se bazează
pe teorema ecarturilor complementare: dacă ui şi vj sunt variabile
ataşate în problema duală restricţiilor din problema de transport,
atunci ansamblul de valori ale variabilelor xij, ui şi vj (i = 1, ..., m;
j = 1, ..., n) constituie programe optimale ale cuplului de probleme
de transport dacă şi numai dacă:
0;0,,1,,10
,1,;,1,11
jiijijjiijij
m
i
jij
n
j
iij
vucxvucnjmix
njbxmiax
Din ultima relaţie se deduce faptul că, dacă xij ≠ 0 (adică, dacă
xij este în bază) atunci cij – ui – vj = 0, echivalent cu ui + vj = cij..
Studiul problemelor legate de procesele de aşteptare a generat
metode specifice de analiză, grupate în teoria matematică a
sistemelor de aşteptare.
Modele de optimizare - Modele de gestiune a stocului - Problema de transport
- Teoria firelor de aşteptare
48
Unitatea de
învăţare 3
Lucrări obligatorii
1. Jula N., Jula D., 2010, Modelare economică. Modele econometrice şi de optimizare,
Editura Mustang, Bucureşti, pag. 41-77
2. Jula D., 2003, Introducere în econometrie, Editura Professional Consulting, Bucureşti
3. Jula N., 2004, Modelarea deciziilor financiar-monetare, Editura Bren, Bucureşti
4. Jula N., 2006, Modelare economică – elemente de econometrie aplicată, Editura Mustang,
Bucureşti
5. Jula N., 2006, Modelare economică – econometrie aplicată, Editura Cartea Studenţească,
Bucureşti
6. Jula N., Jula D., 2009, Modelare economică. Econometrie financiară, Editura Mustang,
Bucureşti
7. Pecican E.S., 1996, Macroeconometrie. Politici economice guvernamentale şi econometrie,
Editura Economică, Bucureşti
Lucrări complementare
1. Andrei T., 2003, Statistică şi econometrie, Editura Economică, Bucureşti
2. Greene W.H., 2000, Econometric analysis, fourth edition, Prentice Hall, New Jersey
3. Maddala G.S., 2001, Introduction to econometrics, third edition, Wiley, New York
4. Taşnadi A., 2001, Econometrie, Editura ASE, Bucureşti
5. Tănăsoiu O., Iacob A.I., 1999, Econometrie aplicată, Editura Arteticart, Bucureşti.
6. Zaman C., 1998, Econometrie, Editura Pro Democraţia, Bucureşti
7. Dobrescu E., 2000, Macromodelul economiei româneşti de tranziţie, Editura Expert,
Bucureşti
Modele de optimizare - Modele de gestiune a stocului - Problema de transport
- Teoria firelor de aşteptare
49
Unitatea de
învăţare 3
1. Procesul de stocare reprezintă acumularea unor bunuri în vederea satisfacerii unei cereri
viitoare.
2. Stocul curent reprezintă cantitatea de materiale care trebuie să asigure continuitatea produc-
ţiei în intervalul dintre două aprovizionări.
3. Costurile implicate în cazul unui proces de stocare se pot grupa în trei categorii:
cl - cheltuielile de lansare a comenzii sunt compuse din suma cheltuielilor efectuate până
la intrarea produselor în stoc (cheltuielile legate de formularea comenzii, cheltuieli
administrative determinate de operaţia de reaprovizionare);
cs - cheltuielile de stocare compuse din cheltuielile de depozitare, întreţinere, asigurare,
imobilizare a capitalului financiar etc. Costul stocării este, de obicei, proporţional cu
cantitatea de bunuri stocată şi cu durata depozitării;
cp - costul de penalizare (cheltuielile de rupere a stocului) reprezintă pierderile
înregistrate în situaţiile în care cererea de resurse este superioară stocului (amenzi,
întreruperea producţiei, plata despăgubirilor pentru producţia nelivrată etc.). De
obicei, aceste cheltuieli sunt proporţionale cu cantitatea cerută din resursa respectivă
şi nesatisfăcută şi cu durata penuriei.
4. Problema de transport este echilibrată dacă suma cantităţilor din depozite este egală cu suma
solicitărilor.
5. Algoritmul pentru rezolvarea problemei de transport se bazează pe teorema ecarturilor
complementare: dacă ui şi vj sunt variabile ataşate în problema duală restricţiilor din
problema de transport, atunci ansamblul de valori ale variabilelor xij, ui şi vj (i = 1, ..., m; j =
1, ..., n) constituie programe optimale ale cuplului de probleme de transport dacă şi numai
dacă:
0;0,,1,,10
,1,;,1,11
jiijijjiijij
m
i
jij
n
j
iij
vucxvucnjmix
njbxmiax
6. Studiul problemelor legate de procesele de aşteptare a generat metode specifice de analiză,
grupate în teoria matematică a sistemelor de aşteptare.
Modele econometrice – modelul linear de regresie
50
Unitatea de
învăţare 4
Unitatea de învăţare 4 - MODELE ECONOMETRICE – MODELUL
LINEAR DE REGRESIE
Cuprins:
Modelul linear unifactorial
o Ecuaţia de regresie
o Metoda celor mai mici pătrate
o Ipotezele modelului linear unifactorial
o Proprietăţi ale estimatorilor
Modelul linear multifactorial
o Estimarea parametrilor din modelul linear multifactorial – metoda celor
mai mici pătrate
o Ipotezele modelului
o Proprietăţi ale estimatorilor calculaţi prin metoda celor mai mici pătrate
Exemple de calcul
o Modelul linear unifactorial
o Modelul linear multifactorial
Introducere
După parcurgerea unităţii veţi fi în măsură să răspundeţi la întrebările:
• Ce este modelul linear unifactorial de regresie?
• Ce este modelul linear multifactorial de regresie?
• Care sunt proprietăţile estimatorilor calculaţi prin aceste modele?
Modele econometrice – modelul linear de regresie
51
Unitatea de
învăţare 4
Obiectivele/competentele unităţii de învăţare
Însuşirea modelelor unifactorial şi multifactorial de regresie
Proprietăţile estimatorilor calculaţi prin aceste modele
Durata medie de parcurgere acestei unităţi de învăţare este de 3 ore şi 30
minute.
Modele econometrice – modelul linear de regresie
52
Unitatea de
învăţare 4
MODELE ECONOMETRICE – MODELUL LINEAR DE
REGRESIE
Începem acest modul prin analiza unui exemplu ipotetic privind dinamica masei monetare şi a
inflaţiei într-o perioadă dată de timp. Din teoria economică se cunoaşte faptul că masa monetară şi
rata inflaţiei sunt două variabile care nu evoluează independent una de alta. Admitem faptul că
masa monetară depinde – în mare măsură – de nivelul preţurilor.
Reţinem ideea că masa monetară depinde linear de nivelul preţurilor, adică
M = f(P, e),
unde prin e am simbolizat ceilalţi factori care contribuie la dinamica masei monetare.
În cazul general, se notează cu Y variabila explicată (în exemplul prezentat M ≡ Y) şi X –
variabila explicativă (în exemplul prezentat P ≡ X). Scriem atunci relaţia precedentă astfel:
Y = f(X, e),
unde Y este variabila endogenă, X – variabila exogenă, iar e reprezintă un factor perturbator, de
natură aleatoare.
4.1. Modelul linear unifactorial
Să acceptăm, pentru început, ipoteza că masa monetară depinde linear de nivelul preţurilor şi
să notăm M(Y/X) valoarea anticipată a masei monetare atunci când nivelul preţurilor atinge
valoarea X. Adică, în ipoteza de linearitate menţionată, acceptăm că
M(Y / X) = a0 + a1X
unde a0 şi a1 sunt parametrii modelului.
4.1.1. Ecuaţia de regresie
Ecuaţia de regresie poate fi scrisă astfel:
Y = a0 + a1X + e,
unde Y este variabila endogenă (variabila explicată prin model), X este variabila exogenă
(variabila explicativă), a0 şi a1 sunt parametrii modelului, iar e reprezintă eroarea sau abaterea
dintre valoarea anticipată a endogenei şi valoarea efectiv înregistrată.
Forma exactă a ecuaţiei de regresie nu este cunoscută. Se admite, în acest punct, doar ipoteza că
relaţia dintre Y şi X este lineară. În aceste condiţii, problema modelării legăturii dintre masa
monetară şi preţuri este aceea de a determina, folosind datele disponibile, o formă cât mai adecvată
a relaţiei dintre cele două variabile.
Modele econometrice – modelul linear de regresie
53
Unitatea de
învăţare 4
4.1.2. Metoda celor mai mici pătrate
Prin reprezentarea într-un sistem de axe (XOY) a punctelor de coordonate (Xt, Yt) se obţine un
nor de puncte (aşa ca în figura 2-1).
Y t
Xt
t10t XaaY
ut
Y
X
XaaY 10
Figura 2–1: Dreapta de regresie şi variabila reziduală
Grafic, criteriul aplicat în cazul metodei celor mai mici pătrate este următorul: dreapta care
asigură cea mai bună ajustare a punctelor empirice (dreapta de regresie) este aceea pentru care se
minimizează suma pătratelor abaterilor dintre punctele de pe grafic şi punctele care au aceiaşi
abscisă pe dreapta de regresie, abaterile fiind măsurate vertical.
Analitic, se demonstrează că valorile (â0, â1) care minimizează suma pătratelor abaterilor u
dintre datele înregistrate ale variabilei Y şi valorile calculate Ŷ sunt soluţiile sistemului de ecuaţii
normale:
n
t
n
t
n
t
tttt
n
t
t
n
t
t
XaXaYX
XaanY
1 1 1
2
10
1
10
1
ˆˆ
ˆˆ
(Vezi demonstraţia în referinţele bibliografice şi în exemplele de calcule)
4.1.3. Ipotezele modelului linear unifactorial
Estimarea parametrilor din ecuaţia de regresie se bazează pe o serie de ipoteze referitoare la
forma dependenţei dintre variabile, la variabila explicativă şi la variabila de abatere.
Ipoteza I-1: linearitatea modelului.
Ipoteza I-2: variabila X are dispersia nenulă şi finită.
Ipoteza I-3: variabila X nu este aleatoare.
Ipoteza I-4: erorile sunt aleatorii, cu media zero.
Modele econometrice – modelul linear de regresie
54
Unitatea de
învăţare 4
Ipoteza I-5: dispersia erorii este constantă.
Ipoteza I-6: erorile nu sunt autocorelate.
Ipoteza I-7: erorile sunt normal distribuite.
4.1.4. Proprietăţi ale estimatorilor
Pornind de la ipotezele prezentate, pot fi demonstrate o serie de proprietăţi ale estimatorilor
calculaţi prin metoda celor mai mici pătrate pentru parametrii modelului linear unifactorial16
.
Proprietatea P-1: estimatorii sunt lineari.
Proprietatea P-2: estimatorii sunt nedeplasaţi.
Proprietatea P-2': estimatorii sunt consistenţi.
Proprietatea P-3: estimatorii sunt eficienţi.
Proprietatea P-4: estimatorii sunt normal distribuiţi.
Proprietatea P-5: estimatorii sunt de maximă verosimilitate.
În literatura de specialitate se foloseşte expresia BLUE (Best Linear Unbiased Estimators)
pentru estimatorii parametrilor din modelul de regresie lineară calculaţi prin metoda celor mai mici
pătrate, atunci când estimatorii respectivi îndeplinesc condiţiile din teorema Gauss-Markov.
Concluzia este următoarea:
Dacă în modelul de regresie lineară, variabila exogenă are dispersia nenulă, dar finită şi este
independentă faţă de erori, iar erorile sunt variabile aleatoare independente între ele, normal
distribuite, cu medie zero şi dispersia constantă, atunci estimatorii obţinuţi prin metoda celor
mai mici pătrate sunt lineari, nedeplasaţi (consistenţi), eficienţi, normal distribuiţi şi de
maximă verosimilitate.
4.2. Modelul linear multifactorial
În subcapitolul precedent a fost analizat un caz simplu, al dependenţei lineare dintre două
variabile X şi Y, sub forma Y = f(X, e). De cele mai multe ori însă, intercondiţionările dintre
procesele economice sunt mult mai complexe, astfel încât evoluţia unei variabile Y nu depinde de
16
Pentru demonstraţia proprietăţilor vezi Jula D., 2003, Introducere în econometrie, Editura Professional Consulting, Bucureşti, cap.2, anexele 2.A.6 – 2.A.10, pag.56-70.
Modele econometrice – modelul linear de regresie
55
Unitatea de
învăţare 4
un singur factor, ci de o serie de factori. De exemplu, inflaţia este un proces economic deosebit de
complex, care depinde de evoluţia salariilor în economie, de dinamica productivităţii muncii, de
cursul de schimb al monedei naţionale, de ratele dobânzii, de preţurile la energie pe plan
internaţional etc.
Y = a0 + a1X1 + a2X2 + ... + akXk + e
unde Y este variabila endogenă, X1, X2, …, Xk sunt k variabile explicative, a0, a1, a2, …, ak sunt k+1
parametri necunoscuţi, iar e este variabila de abatere (eroarea) din ecuaţia de regresie.
Eroarea e reflectă, la fel ca în modelul linear unifactorial, influenţa elementelor calitative
necuantificabile, a celor care depind de comportamentul uman nepredictibil, sau a altor factori cu
influenţă minoră, alţii decât X1, X2, …, Xk.
Parametrul a0 modelează comportamentul autonom al variabilei endogene, iar parametrii ai
cuantifică intensitatea influenţei factorului Xi asupra variabilei Y.
4.2.1. Estimarea parametrilor din modelul linear multifactorial – metoda celor mai mici
pătrate
Presupunem că printr-o cercetare selectivă sunt obţinute n înregistrări. Fiecare înregistrare
conţine o singură valoare pentru variabila Y şi câte o valoare pentru fiecare dintre variabilele
explicative.
Scriem Xit valoarea variabilei i, în înregistrarea t, unde k,1i , iar n,1t .
Sistemul poate fi scris, concentrat, astfel:
Yt = a0 + a1X1t + a2X2t + ... + akXkt + et.
Introducem următoarele notaţii:
knnn
k
k
k
n XXX
XXX
XXX
XXX
X
Y
Y
Y
Y
Y
21
32313
22212
12111
3
2
1
1
1
1
1
,
nk e
e
e
e
e
a
a
a
a
A
3
2
1
2
1
0
,
unde:
– Y este un vector coloană, de dimensiuni n 1, care are drept componente cele n înregistrări ale
variabilei explicate (endogene),
– X este o matrice de dimensiuni n (k+1), care conţine în prima coloană (ataşată termenului
liber) constanta 1, iar în celelalte k coloane înregistrările pentru fiecare dintre cele k variabile
explicative;
– A este un vector coloană, de dimensiuni (k+1) 1, care include cei k+1 parametri ai
modelului;
Modele econometrice – modelul linear de regresie
56
Unitatea de
învăţare 4
– e este un vector coloană, de dimensiuni n 1, care include cele n valori ale variabilei de
abatere (erorile din ecuaţie de regresie)
Cu aceste notaţii, sistemul poate fi scris matriceal astfel:
Y = XA + e.
Dacă se selectează valorile obţinute în înregistrarea t pentru variabilele din ecuaţia precedentă,
atunci
Ŷt = â0 + â1X1t + â2X2t + ... + âkXkt.
Valoarea înregistrată Yt nu coincide cu valoarea calculată Ŷt pe baza modelului, diferenţa dintre
cele două mărimi fiind un estimator al erorilor din ecuaţia de regresie. Notăm estimatorul respectiv
cu ut şi îl denumim variabila reziduală. Atunci:
Yt = Ŷ + ut, oricare ar fi t = 1, 2, ..., n,
Ecuaţiile pot fi scrise sub formă matriceală astfel:
Y = XÂ + u,
unde  şi u sunt vectorii ataşaţi estimatorilor, respectiv variabilei reziduale.
nk u
u
u
u
u
a
a
a
a
A
3
2
1
2
1
0
,
ˆ
ˆ
ˆ
ˆ
ˆ
Valorile  şi u depind de eşantionul selectat şi de metoda de estimare aleasă.
Cea mai cunoscută procedură de calcul a estimatorilor pentru parametrii modelului linear
multifactorial este metoda celor mai mici pătrate. Se demonstrează că valorile â0, â1, …, âk, care
minimizează suma pătratelor reziduurilor se calculează astfel:
 = (X'X)-1
X'Y
(Vezi demonstraţia în referinţele bibliografice şi în exemplele de calcule)
4.2.2. Ipotezele modelului
Estimarea parametrilor din ecuaţia de regresie multifactorială se bazează, la fel ca în cazul
unifactorial, pe o serie de ipoteze referitoare la forma dependenţei dintre variabile, la variabila
explicativă şi la variabila de abatere.
I–1M: Linearitatea modelului.
I–2M: Ipotezele referitoare la variabilele explicative
a. Variabilele explicative nu sunt aleatoare, au valorile fixate atunci când se repetă selecţia
Modele econometrice – modelul linear de regresie
57
Unitatea de
învăţare 4
b. Fiecare variabilă exogenă are dispersia nenulă, dar finită
c. Numărul de observaţii este superior numărului de parametri
d. Nu există nici o relaţie lineară între două sau mai multe variabile explicative (absenţa
colinearităţii)
I–3M: Ipotezele referitoare la erori
a. Erorile et au media nulă
b. Erorile et au dispersia constantă oricare ar fi t (erorile nu sunt heteroscedastice)
c. Erorile et sunt independente (nu sunt autocorelate)
d. Erorile et sunt normal distribuite
4.2.3. Proprietăţi ale estimatorilor calculaţi prin metoda celor mai mici pătrate
Dacă ipotezele modelului sunt respectate, atunci estimatorii calculaţi prin metoda celor mai
mici pătrate pentru modelul multifactorial de regresie lineară au anumite proprietăţi.
Proprietatea P-1M: estimatorii sunt lineari.
Proprietatea P-2M: estimatorii sunt nedeplasaţi.
Proprietatea P-2'M: estimatorii sunt consistenţi.
Proprietatea P-3M: estimatorii sunt eficienţi.
Proprietatea P-4M: estimatorii sunt normal distribuiţi.
Proprietatea P-5M: estimatorii sunt de maximă verosimilitate.
4.3. Exemple de calcul
4.3.1. Modelul linear unifactorial
Pentru exemplificarea modului de calcul a estimatorilor din modelul linear unifactorial analizăm
legătura dintre veniturile populaţiei şi volumul economiilor. Datele înregistrate pentru 20 momente
diferite de timp sunt prezentate în tabelul următor:
Modele econometrice – modelul linear de regresie
58
Unitatea de
învăţare 4
Nr.
crt.
Veniturile
populaţiei
(X)
Volumul
economiilor
(Y)
1 100 20
2 110 25
3 120 28
4 125 30
5 130 33
6 140 35
7 150 36
8 155 42
9 170 44
10 170 42
11 180 45
12 185 50
13 190 47
14 200 48
15 205 52
16 210 58
17 215 54
18 220 55
19 220 58
20 225 60
Modelul linear unifactorial se scrie:
Yt = a0 + a1Xt + et,
unde Yt este variabila endogenă (explicată) –volumul economiilor populaţiei, Xt este variabila
exogenă (explicativă) – veniturile populaţiei, et – variabila de abatere (discrepanţa dintre valorile
înregistrate şi cele anticipate pe baza modelului), a0 şi a1 sunt parametrii modelului.
Modele econometrice – modelul linear de regresie
59
Unitatea de
învăţare 4
Tabelul 2-1: Calculul estimatorilor în modelul linear unifactorial
t Xt Yt Xt² XtYt Ŷt ut=Yt–Ŷt
0 1 2 3 4 5 6
1 100 20 10000 2000 22.5441 -2.5441
2 110 25 12100 2750 25.4393 -0.4393
3 120 28 14400 3360 28.3345 -0.3345
4 125 30 15625 3750 29.7821 0.2179
5 130 33 16900 4290 31.2297 1.7703
6 140 35 19600 4900 34.1249 0.8751
7 150 36 22500 5400 37.0201 -1.0201
8 155 42 24025 6510 38.4677 3.5323
9 170 44 28900 7480 42.8105 1.1895
10 170 42 28900 7140 42.8105 -0.8105
11 180 45 32400 8100 45.7057 -0.7057
12 185 50 34225 9250 47.1533 2.8467
13 190 47 36100 8930 48.6009 -1.6009
14 200 48 40000 9600 51.4961 -3.4961
15 205 52 42025 10660 52.9437 -0.9437
16 210 58 44100 12180 54.3913 3.6087
17 215 54 46225 11610 55.8389 -1.8389
18 220 55 48400 12100 57.2865 -2.2865
19 220 58 48400 12760 57.2865 0.7135
20 225 60 50625 13500 58.7341 1.2659
∑ 3420 862 615450 156270 862.0000 0.0000
Cu aceste date, sistemul de ecuaţii normale se scrie astfel:
10
10
ˆ615450ˆ3420156270
ˆ3420ˆ20862
aa
aa
Modele econometrice – modelul linear de regresie
60
Unitatea de
învăţare 4
Rezolvăm sistemul prin regula lui Cramer.
Atunci, valorile â0 şi â1 se calculează astfel:
28952.0612600
177360ˆ
40793.6612600
3925500ˆ
1
0
ˆ
1
ˆ
0
a
a
a
a
Valorile estimate pentru variabila endogenă se determină astfel:
Ŷt = -6.40793 + 0.28952∙Xt.
Dreapta de regresie este prezentată în figura 2-3.
Valorile calculate sunt prezentate în col.5 a tab.2-1. De asemenea, se pot calcula reziduurile din
ecuaţia de regresie, adică abaterile dintre valorile înregistrate ale variabilei endogene (Yt) şi valorile
estimate pe baza modelului (Ŷt):
ut = Yt – Ŷt
Valorile variabilei reziduale ut sunt date în coloana 6 a tabelului 2-1.
Figura 2-3: Dreapta de regresie
4.3.2. Modelul linear multifactorial
Fie următoarele date înregistrate privind dinamica veniturilor populaţiei (X1t), evoluţia ratei
reale a dobânzii pasive (X2t) şi dinamica depozitelor bancare (Yt):
Y = - 6.4079 +0.2895X
R 2 = 0.9719
10
20
30
40
50
60
70
75 100 125 150 175 200 225 250
Modele econometrice – modelul linear de regresie
61
Unitatea de
învăţare 4
Nr.crt.
Dinamica
veniturilor
populaţiei
(X1t)
Evoluţia ratei
reale a
dobânzii pasive
(X2t)
Dinamica
depozitelor
bancare
(Yt)
1 0.5 4.1 0.3
2 1.0 4.2 0.8
3 1.2 4.0 0.3
4 -0.3 4.1 -0.5
5 2.1 3.8 0.8
6 2.3 4.2 1.4
7 1.2 3.8 0.2
8 1.0 3.9 0.7
9 0.8 3.9 0.0
10 0.0 3.8 -0.7
11 -0.6 3.8 -1.0
12 2.2 3.8 1.3
13 1.4 4.2 1.0
14 2.0 3.9 1.2
15 2.3 4.2 1.7
16 1.1 3.8 0.4
17 0.8 3.9 0.6
18 -0.5 4.1 -0.9
19 -1.4 3.9 -1.4
20 0.2 4.1 -0.2
21 1.8 4.2 1.5
22 2.2 3.8 0.9
23 2.1 4.1 1.0
24 1.5 4.2 0.7
Modele econometrice – modelul linear de regresie
62
Unitatea de
învăţare 4
Nr.crt.
Dinamica
veniturilor
populaţiei
(X1t)
Evoluţia ratei
reale a
dobânzii pasive
(X2t)
Dinamica
depozitelor
bancare
(Yt)
25 1.8 3.8 1.2
Datele sunt reprezentate grafic în figura 2-4. Modelul linear bi-factorial se scrie:
Yt = a0 + a1X1t + a2X2t + et.
Vectorul estimatorilor  se calculează după relaţia:
 = (X'X)-1
X'Y.
Matricea X3,3 se construieşte astfel: în prima coloană apare valoarea 1; în coloana următoare
sunt trecute valorile variabilei X1t (dinamica veniturilor populaţiei), iar în ultima coloană, valorile
variabilei X2t (evoluţia ratei reale a dobânzii pasive). Vectorul Y25,1 conţine elementele înregistrate
pentru variabila dinamica depozitelor bancare.
-2.0
-1.0
0.0
1.0
2.0
3.0
4.0
5.0
1 3 5 7 9 11 13 15 17 19 21 23 25
X1 X2 Y
Figura 2-4: Modelul linear multifactorial
În aceste condiţii, elementele din formula precedentă sunt:
46.39774.10660.99
74.10609.5470.26
60.9970.2625
' XX
de unde:
542.1022.0121.6
022.0039.0046.0
121.6046.0378.24
)'( 1XX
De asemenea,
Modele econometrice – modelul linear de regresie
63
Unitatea de
învăţare 4
86.45
75.31
3.11
'YX .
Rezultă:
860999.0
75722.0
78693.3
A
Valorile estimate pentru variabila endogenă se determină astfel:
Ŷt = -3.78693 + 0.75722∙X1t + 0.860999∙X2t.
Valorile calculate sunt prezentate în tabelul 2-2
Tabelul 2-2: Calculul estimatorilor în modelul linear multifactorial
t X1t X2t Yt Ŷt ut = Yt – Ŷt
1 0.5 4.1 0.3 0.1218 0.1782
2 1.0 4.2 0.8 0.5865 0.2135
3 1.2 4.0 0.3 0.5657 -0.2657
4 -0.3 4.1 -0.5 -0.4840 -0.0160
5 2.1 3.8 0.8 1.0750 -0.2750
6 2.3 4.2 1.4 1.5709 -0.1709
7 1.2 3.8 0.2 0.3935 -0.1935
8 1.0 3.9 0.7 0.3282 0.3718
9 0.8 3.9 0.0 0.1767 -0.1767
10 0.0 3.8 -0.7 -0.5151 -0.1849
11 -0.6 3.8 -1.0 -0.9695 -0.0305
12 2.2 3.8 1.3 1.1507 0.1493
13 1.4 4.2 1.0 0.8894 0.1106
14 2.0 3.9 1.2 1.0854 0.1146
Modele econometrice – modelul linear de regresie
64
Unitatea de
învăţare 4
t X1t X2t Yt Ŷt ut = Yt – Ŷt
15 2.3 4.2 1.7 1.5709 0.1291
16 1.1 3.8 0.4 0.3178 0.0822
17 0.8 3.9 0.6 0.1767 0.4233
18 -0.5 4.1 -0.9 -0.6354 -0.2646
19 -1.4 3.9 -1.4 -1.4891 0.0891
20 0.2 4.1 -0.2 -0.1054 -0.0946
21 1.8 4.2 1.5 1.1923 0.3077
22 2.2 3.8 0.9 1.1507 -0.2507
23 2.1 4.1 1.0 1.3333 -0.3333
24 1.5 4.2 0.7 0.9651 -0.2651
25 1.8 3.8 1.2 0.8479 0.3521
De asemenea, se pot calcula reziduurile din ecuaţia de regresie, adică abaterile dintre valorile
înregistrate ale variabilei endogene (Yt) şi valorile estimate pe baza modelului (Ŷt): ut = Yt – Ŷt.
Aceste reziduuri vor fi folosite în testarea modelului.
Modele econometrice – modelul linear de regresie
65
Unitatea de
învăţare 4
Test de evaluare a cunoştinţelor
Timp estimat: 30 minute
1. Care este forma ecuaţiei de regresie in modelul unifactorial?
2. În ce constă metoda celor mai mici pătrate?
3. În ce condiţii estimatorii obţinuţi prin metoda celor mai mici pătrate sunt lineari, nedeplasaţi
(consistenţi), eficienţi, normal distribuiţi şi de maximă verosimilitate?
4. Care sunt ipotezele modelului multifactorial?
Observaţie: Răspunsurile la acest test se pot consulta la finalul unităţii de învăţare.
Modele econometrice – modelul linear de regresie
66
Unitatea de
învăţare 4
În modelul unifactoria, ecuaţia de regresie poate fi scrisă într o
formă echivalentă astfel:
Y = a0 + a1X + e,
unde Y este variabila endogenă (variabila explicată prin model),
X este variabila exogenă (variabila explicativă), a0 şi a1 sunt
parametrii modelului, iar e reprezintă eroarea sau abaterea dintre
valoarea anticipată a endogenei şi valoarea efectiv înregistrată
Dacă în modelul de regresie lineară, variabila exogenă are
dispersia nenulă, dar finită şi este independentă faţă de erori, iar
erorile sunt variabile aleatoare independente între ele, normal
distribuite, cu medie zero şi dispersia constantă, atunci estimatorii
obţinuţi prin metoda celor mai mici pătrate sunt lineari,
nedeplasaţi (consistenţi), eficienţi, normal distribuiţi şi de maximă
verosimilitate.
Modelul factorial este de forma
Y = a0 + a1X1 + a2X2 + ... + akXk + e
unde Y este variabila endogenă, X1, X2, …, Xk sunt k variabile
explicative, a0, a1, a2, …, ak sunt k+1 parametri necunoscuţi, iar e
este variabila de abatere (eroarea) din ecuaţia de regresie.
Se demonstrează că valorile â0, â1, …, âk, care minimizează suma
pătratelor reziduurilor se calculează astfel:
 = (X'X)-1
X'Y
Modele econometrice – modelul linear de regresie
67
Unitatea de
învăţare 4
Lucrări obligatorii
1. Jula N., Jula D., 2010, Modelare economică. Modele econometrice şi de optimizare,
Editura Mustang, Bucureşti, pag. 86-118
2. Jula D., 2003, Introducere în econometrie, Editura Professional Consulting, Bucureşti
3. Jula N., 2004, Modelarea deciziilor financiar-monetare, Editura Bren, Bucureşti
4. Jula N., 2006, Modelare economică – elemente de econometrie aplicată, Editura Mustang,
Bucureşti
5. Jula N., 2006, Modelare economică – econometrie aplicată, Editura Cartea Studenţească,
Bucureşti
6. Jula N., Jula D., 2009, Modelare economică. Econometrie financiară, Editura Mustang,
Bucureşti
7. Pecican E.S., 1996, Macroeconometrie. Politici economice guvernamentale şi econometrie,
Editura Economică, Bucureşti
Lucrări complementare
1. Andrei T., 2003, Statistică şi econometrie, Editura Economică, Bucureşti
2. Greene W.H., 2000, Econometric analysis, fourth edition, Prentice Hall, New Jersey
3. Maddala G.S., 2001, Introduction to econometrics, third edition, Wiley, New York
4. Taşnadi A., 2001, Econometrie, Editura ASE, Bucureşti
5. Tănăsoiu O., Iacob A.I., 1999, Econometrie aplicată, Editura Arteticart, Bucureşti.
6. Zaman C., 1998, Econometrie, Editura Pro Democraţia, Bucureşti
7. Dobrescu E., 2000, Macromodelul economiei româneşti de tranziţie, Editura Expert,
Bucureşti
Modele econometrice – modelul linear de regresie
68
Unitatea de
învăţare 4
1. Ecuaţia de regresie poate fi scrisă într-o formă echivalentă astfel:
Y = a0 + a1X + e,
unde Y este variabila endogenă (variabila explicată prin model), X este variabila exogenă
(variabila explicativă), a0 şi a1 sunt parametrii modelului, iar e reprezintă eroarea sau
abaterea dintre valoarea anticipată a endogenei şi valoarea efectiv înregistrată.
2. Procedura cunoscută sub denumirea de metoda celor mai mici pătrate constă în însumarea
pătratelor abaterilor şi determinarea acelor valori ale parametrilor care să ducă la
minimizarea sumei respective.
Grafic, criteriul aplicat în cazul metodei celor mai mici pătrate este următorul: dreapta care
asigură cea mai bună ajustare a punctelor empirice (dreapta de regresie) este aceea pentru
care se minimizează suma pătratelor abaterilor dintre punctele de pe grafic şi punctele care
au aceeaşi abscisă pe dreapta de regresie, abaterile fiind măsurate vertical.
Analitic, se demonstrează că valorile (â0, â1) care minimizează suma pătratelor abaterilor u
dintre datele înregistrate ale variabilei Y şi valorile calculate Ŷ sunt soluţiile sistemului de
ecuaţii normale:
n
t
n
t
n
t
tttt
n
t
t
n
t
t
XaXaYX
XaanY
1 1 1
2
10
1
10
1
ˆˆ
ˆˆ
3. Dacă în modelul de regresie lineară, variabila exogenă are dispersia nenulă, dar finită şi este
independentă faţă de erori, iar erorile sunt variabile aleatoare independente între ele, normal
distribuite, cu medie zero şi dispersia constantă, atunci estimatorii obţinuţi prin metoda celor
mai mici pătrate sunt lineari, nedeplasaţi (consistenţi), eficienţi, normal distribuiţi şi de
maximă verosimilitate.
4. I–1M: Linearitatea modelului.
I–2M: Ipotezele referitoare la variabilele explicative
a. Variabilele explicative nu sunt aleatoare, au valorile fixate atunci când se
repetă selecţia
Modele econometrice – modelul linear de regresie
69
Unitatea de
învăţare 4
b. Fiecare variabilă exogenă are dispersia nenulă, dar finită
c. Numărul de observaţii este superior numărului de parametri
d. Nu există nici o relaţie lineară între două sau mai multe variabile explicative
(absenţa colinearităţii)
I–3M: Ipotezele referitoare la erori
a. Erorile et au media nulă
b. Erorile et au dispersia constantă oricare ar fi t (erorile nu sunt
heteroscedastice)
c. Erorile et sunt independente (nu sunt autocorelate)
d. Erorile et sunt normal distribuite
Teste de semnificaţie
70
Unitatea de
învăţare 5
Unitatea de învăţare 5: TESTE DE SEMNIFICAŢIE
Cuprins:
Dispersia estimatorilor
o Dispersia estimatorilor în modelul unifactorial de regresie lineară
o Dispersia estimatorilor în modelul linear multifactorial
Teste privind semnificaţia estimatorilor
o Testul de semnificaţie în cazul modelului unifactorial
o Teste de semnificaţie a estimatorilor în modelul linear multifactorial
Exemple de calcul
o Modelul linear unifactorial
o Modelul linear multifactorial
Introducere
După parcurgerea unităţii veţi fi în măsură să răspundeţi la întrebările:
• Ce este dispersia şi cum se calculează în cazul celor 2 tipuri de modele?
• Care sunt testele de semnificaţie în cazul modelului unifactorial, respectiv
multifactorial?
Obiectivele/competenţele unităţii de învăţare
Testarea dispersiei estimatorilor
Testarea semnificaţiei estimatorilor
Exemple de calcul în cazul modelului unifactorial/multifactorial
Teste de semnificaţie
71
Unitatea de
învăţare 5
Durata medie de parcurgere acestei unităţi de învăţare este de 2 ore şi 50
minute.
Teste de semnificaţie
72
Unitatea de
învăţare 5
TESTE DE SEMNIFICAŢIE
5.1. Dispersia estimatorilor
5.1.1. Dispersia estimatorilor în modelul unifactorial de regresie lineară
Se poate demonstra că o estimare nedeplasată a dispersiei erorilor, calculată pornind de la
dispersia de selecţie a variabilei reziduale, este dată de expresia17
:
2n
u
s
n
1t
2t
2u
Prin calcul direct se pot deduce dispersiile estimatorilor â0 şi â1 obţinuţi prin metoda celor mai
mici pătrate. Se pot calcula estimările nedeplasate pentru dispersiile estimatorilor din modelul
unifactorial de regresie lineară18
:
2
222
ˆ
10
XX
X
nss
t
ua
2
22
ˆ
11
XXss
t
ua
Valorile 2
ˆ0as şi 2
ˆ1as sunt estimatori nedeplasaţi ai mărimilor var(a0), respectiv var(a1), în măsura
în care 2
us este un estimator nedeplasat al dispersiei de selecţie a erorilor 2
e .
Abaterile standard ale variabilelor aleatoare u, â0 şi â1, adică su, 0as şi
1as se calculează prin
extragerea rădăcinii pătrate din valorile corespunzătoare ale dispersiilor.
5.1.2. Dispersia estimatorilor în modelul linear multifactorial
Un estimator nedeplasat al matricei V(Â) se calculează astfel:
122
ˆ '
XXsS uA,
unde
17
Idem, Anexa 2.A.13, pag.74-75. 18
Relaţiile de calcul pentru dispersiile estimatorilor din modelul unifactorial de regresie lineară se deduc simplu, prin precizarea k = 1 în relaţiile de calcul a dispersiilor din modelul multifactorială de regresie lineară, relaţii demonstrate în paragraful următor.
Teste de semnificaţie
73
Unitatea de
învăţare 5
uukn
su '1
12
este un estimator nedeplasat al dispersiei erorilor.
Pornind de la relaţia precedentă se calculează dispersia de selecţie pentru estimatorii
parametrilor din ecuaţia de regresie, notată 2
a i
s , astfel:
iiua dssi
22
ˆ , unde k,0i .
Abaterea standard de selecţie a estimatorului âi se calculează prin extragerea rădăcinii pătrate
din dispersia estimatorului respectiv.
5.2. Teste privind semnificaţia estimatorilor
Pentru prezentarea metodologiei de testare a semnificaţiei estimatorilor calculaţi prin metoda
celor mai mici pătrate, în cazul unui model linear unifactorial care respectă ipotezele de la I-1 la I-7
sunt necesare câteva noţiuni elementare privind intervalele de încredere şi testarea ipotezelor
statistice. Aceste noţiuni sunt prezentate, sintetic, în paragrafele următoare.
5.2.1. Testul de semnificaţie în cazul modelului unifactorial
Procedura uzuală aplicată pentru testarea semnificaţiei parametrilor din modelul unifactorial de
regresie lineară urmăreşte testarea ipotezei nule H0: parametrii nu diferă semnificativ de zero,
contra ipotezei alternative H1: parametrii din ecuaţia de regresie sunt, în valoare absolută, strict
pozitivi. Atunci, sub ipoteza H0, statistica
i
i
a
ia
s
at
ˆ
ˆ
ˆ
urmează o distribuţie Student cu n – 2 grade de libertate (i = 0 sau 1). Se respinge ipoteza nulă
H0: âi = 0 (X nu influenţează Y) dacă valoarea absolută a acestui test este mai mare decât o valoare
critică obţinută din tabelele distribuţiei t (Student).
Algoritmul de testare a semnificaţiei estimatorilor este prezentat în exemplul de calcul.
Observaţie: Dacă valoarea unui estimator este negativă, fie se testează
,2ˆ na tti
, fie statisticile t
se calculează în modul şi se urmează procedura prezentată.
(Vezi demonstraţia în referinţele bibliografice şi în exemplele de calcule)
Teste de semnificaţie
74
Unitatea de
învăţare 5
5.3. Exemple de calcul
5.3.1. Modelul linear unifactorial
Pentru testarea semnificaţiei estimatorilor reluăm exemplul analizat în capitolul II, referitor la
legătura dintre veniturile populaţiei şi volumul economiilor.
Aplicarea relaţiilor pentru calculul dispersiilor, respectiv abaterilor standard, presupune în plus
faţă de elementele prezentate în tabelul respectiv, calculul blocurilor ∑ut2 şi
2XX t
. De aceea,
reluăm tabelul 2-1, completat cu două coloane, în tabelul 3-1:
Teste de semnificaţie
75
Unitatea de
învăţare 5
Tabelul 3-1: Teste de semnificaţie – modelul linear unifactorial
t Xt Yt Ŷt ut=Yt–Ŷt u2 ∑( XXt )
2
1 100 20 22.5441 -2.5441 6.4723 5041
2 110 25 25.4393 -0.4393 0.1930 3721
3 120 28 28.3345 -0.3345 0.1119 2601
4 125 30 29.7821 0.2179 0.0475 2116
5 130 33 31.2297 1.7703 3.1340 1681
6 140 35 34.1249 0.8751 0.7658 961
7 150 36 37.0201 -1.0201 1.0406 441
8 155 42 38.4677 3.5323 12.4773 256
9 170 44 42.8105 1.1895 1.4150 1
10 170 42 42.8105 -0.8105 0.6569 1
11 180 45 45.7057 -0.7057 0.4980 81
12 185 50 47.1533 2.8467 8.1038 196
13 190 47 48.6009 -1.6009 2.5628 361
14 200 48 51.4961 -3.4961 12.2226 841
15 205 52 52.9437 -0.9437 0.8905 1156
16 210 58 54.3913 3.6087 13.0228 1521
17 215 54 55.8389 -1.8389 3.3815 1936
18 220 55 57.2865 -2.2865 5.2280 2401
19 220 58 57.2865 0.7135 0.5091 2401
20 225 60 58.7341 1.2659 1.6025 2916
∑ 3420 862 862.0000 0.0000 74.3359 30630
Relaţiile pentru calculul dispersiilor reziduurilor, respectiv estimatorilor â0 şi â1 duc la
următoarele rezultate:
1298.4s2u
Teste de semnificaţie
76
Unitatea de
învăţare 5
148988.4s2
a0
000135.0s2
a1
Prin extragerea radicalului se calculează valorile abaterilor standard ale estimatorilor:
0as = 2.0369
1as = 0.0116
Pentru calculul statisticii testului de semnificaţie se aplică relaţiile
146.30369.2
4079.6
s
at
0
0
a
0a
958.240116.0
28952.0
s
at
0
1
a
1a
Din tabelele distribuţiei t-Student, pentru numărul gradelor de libertate
df = n – 2 = 18,
în cazul testului unilateral se identifică următoarele valori19
:
Numărul gradelor de libertate α - testul unilateral
0.10 0.05 0.025 0.01 0.005 0.0005
18 1.330 1.734 2.101 2.552 2.878 3.922
Rezultă:
922.3t146.3t878.2t *0005.0;18a
*005.0;18
0
,
deci estimatorul â0 poate fi garantat statistic cu un grad de încredere mai mare decât 99.5%, dar nu
poate fi garantat 99.95%. Gradul de încredere exprimă şansele de respingere a ipotezei nule
(potrivit căreia estimatorul â0 nu diferă semnificativ de zero) şi este calculat după relaţia (1 –
α)∙100%, iar
922.3t958.24t *0005.0;18a1
.
Aceasta înseamnă că ipoteza potrivit căreia estimatorul â1 este semnificativ diferit de zero este
acceptată cu un grad de încredere mai mare de 99.95%.
Rezultatele permit o primă evaluare a modelului unifactorial de regresie lineară: sub rezerva
verificării şi a celorlalte ipoteze (discutate în modulele anterioare), analiza semnificaţiei
estimatorilor sugerează existenţa unei legături semnificative între veniturile populaţiei şi volumul
economiilor.
Calculele precedente pot fi realizate prin utilizarea unor programe specializate. Un astfel de
program este Econometric Views. Rezolvarea problemei cu ajutorul acestui program duce la
obţinerea următoarelor rezultate:
19
Vezi tabelul distribuţiei t-Student din anexele prezentate la sfârşitul manualului.
Teste de semnificaţie
77
Unitatea de
învăţare 5
Variabila dependentă: Y
Metoda de rezolvare: Metoda celor mai mici pătrate
Eşantionul: 1 20
Observaţii incluse: 20
Parametrii Estimatorii Ab.std. t-statistic alfa
a0 -6.407933 2.036906 -3.145915 0.0056
a1 0.289520 0.011612 24.93383 0.0000
R2
0.971862 Media var.endog. 43.10000
R2 – ajustat 0.970298 Ab.std. var.endog. 11.79161
Ab.std.a regresiei 2.032185 Akaike info criterion 4.350739
Suma pătrate rezid. 74.33595 Schwarz criterion 4.450313
Log likelihood -41.50739 F-statistic 621.6959
Durbin-Watson stat 1.939666 Prob(F-statistic) 0.000000
În Excel utilizăm formula regresiei din meniul Analiză Date:
Teste de semnificaţie
78
Unitatea de
învăţare 5
Figura 3-2a: Rezolvarea problemelor de regresie lineară unifactorială cu ajutorul programului Excel
din pachetul Microsoft Office: utilizarea opţiunii Regression
5.3.2. Modelul linear multifactorial
Pentru prezentarea modului de testare a semnificaţiei estimatorilor în cazul modelului linear
multifactorial reluăm exemplul analizat în capitolul precedent, tabelul 2-2, referitor la legătura
dintre dinamica veniturilor populaţiei (X1t), evoluţia ratei reale a dobânzii pasive (X2t) şi dinamica
depozitelor bancare (Yt). Tabelul 2-2 este completat cu o coloană în care se calculează ∑ut2.
Calculele sunt prezentate în tabelul 3-2.
Tabelul 3-2: Teste de semnificaţie – modelul linear multifactorial
t X1t X2t Yt Ŷt ut = Yt – Ŷt ut2
1 0.5 4.1 0.3 0.1218 0.1782 0.0318
2 1.0 4.2 0.8 0.5865 0.2135 0.0456
3 1.2 4.0 0.3 0.5657 -0.2657 0.0706
4 -0.3 4.1 -0.5 -0.4840 -0.0160 0.0003
5 2.1 3.8 0.8 1.0750 -0.2750 0.0756
6 2.3 4.2 1.4 1.5709 -0.1709 0.0292
7 1.2 3.8 0.2 0.3935 -0.1935 0.0375
8 1.0 3.9 0.7 0.3282 0.3718 0.1382
9 0.8 3.9 0.0 0.1767 -0.1767 0.0312
10 0.0 3.8 -0.7 -0.5151 -0.1849 0.0342
11 -0.6 3.8 -1.0 -0.9695 -0.0305 0.0009
12 2.2 3.8 1.3 1.1507 0.1493 0.0223
13 1.4 4.2 1.0 0.8894 0.1106 0.0122
14 2.0 3.9 1.2 1.0854 0.1146 0.0131
15 2.3 4.2 1.7 1.5709 0.1291 0.0167
16 1.1 3.8 0.4 0.3178 0.0822 0.0068
Teste de semnificaţie
79
Unitatea de
învăţare 5
t X1t X2t Yt Ŷt ut = Yt – Ŷt ut2
17 0.8 3.9 0.6 0.1767 0.4233 0.1791
18 -0.5 4.1 -0.9 -0.6354 -0.2646 0.0700
19 -1.4 3.9 -1.4 -1.4891 0.0891 0.0079
20 0.2 4.1 -0.2 -0.1054 -0.0946 0.0090
21 1.8 4.2 1.5 1.1923 0.3077 0.0947
22 2.2 3.8 0.9 1.1507 -0.2507 0.0629
23 2.1 4.1 1.0 1.3333 -0.3333 0.1111
24 1.5 4.2 0.7 0.9651 -0.2651 0.0703
25 1.8 3.8 1.2 0.8479 0.3521 0.1240
∑ 26.7 99.6 11.3 11.3 0.0000 1.2952
Dispersia 2
us este dispersia variabilei reziduale:
0589.02 us .
Matricea (X'X)-1
este:
542.1022.0121.6
022.0039.0046.0
121.6046.0378.24
)'( 1XX .
Pornind de la diagonala principală a acestei matrice şi de la valoarea 2us se determină
4359.12
ˆ0as 198.1
0ˆ as
0023.02
ˆ1as 048.0
1ˆas
091.02
ˆ2as 301.0
2ˆ as
Pentru calculul statisticii testului de semnificaţie se aplică relaţiile:
16.30ˆ
at
72.151ˆat
86.21ˆat
Din tabelele distribuţiei t-Student, pentru numărul gradelor de libertate
df = n – 2 – 1 = 22,
în cazul testului unilateral se identifică următoarele valori:
Teste de semnificaţie
80
Unitatea de
învăţare 5
Numărul gradelor de libertate α – testul unilateral
0.10 0.05 0.025 0.01 0.005 0.0005
22 1.321 1.717 2.074 2.508 2.819 3.792
Rezultă:
792.3819.2 *
0005.0;22ˆ
*
005.0;22 0 ttt a
deci estimatorul â0 poate fi garantat statistic cu un grad de încredere mai mare decât 99.5%, dar nu
poate fi garantat 99.95%.
La fel ca în cazul modelului unifactorial, gradul de încredere exprimă şansele de respingere a
ipotezei nule (potrivit căreia estimatorul â0 nu diferă semnificativ de zero) şi este calculat după
relaţia (1 – α)∙100%.
Estimatorul â1 este semnificativ diferit de zero cu un grad de încredere mai mare de 99.95%,
deoarece
792.372.15 *
0005.0;22ˆ1 tta .
De asemenea,
792.3819.2 *
0005.0;22ˆ
*
005.0;22 2 ttt a
ceea ce înseamnă că estimatorul â2 poate fi garantat statistic cu un grad de încredere mai mare de
99.5%, dar mai mic de 99.95%.
La fel ca în cazul modelului unifactorial, prezentăm, pentru comparaţie, rezultatele obţinute cu
ajutorul programului EViews:
Variabila dependentă: Y
Metoda de rezolvare: Metoda celor mai mici pătrate
Eşantionul: 1 25
Observaţii incluse: 25
Teste de semnificaţie
81
Unitatea de
învăţare 5
Parametrii Estimatorii Ab.std. t-Statistic alfa
C -3.786930 1.197995 -3.161057 0.0045
X1 0.757220 0.048174 15.71857 0.0000
X2 0.860999 0.301339 2.857241 0.0092
R2
0.923464 Media var.endog. 0.452000
R2 – ajustat 0.916506 Ab.std. var.endog. 0.839702
Ab.std.a regresiei 0.242635 Akaike info criterion 0.117647
Suma pătrate rezid. 1.295176 Schwarz criterion 0.263913
Log likelihood 1.529406 F-statistic 132.7229
Durbin-Watson stat 2.059123 Prob(F-statistic) 0.000000
Rezultatele permit o primă evaluare a modelului: sub rezerva verificării şi a celorlalte ipoteze
discutate în modulele anterioare, analiza semnificaţiei estimatorilor sugerează existenţa unei relaţii
semnificative între dinamica depozitelor bancare (Yt) şi dinamica veniturilor populaţiei (X1t),
respectiv evoluţia ratei reale a dobânzii pasive (X2t).
Teste de semnificaţie
82
Unitatea de
învăţare 5
Test de evaluare a cunoştinţelor
Timp estimat: 20 minute
1. Care este formula dispersiei erorilor în modelul unifactorial?
2. Cum se calculează dispersia estimatorului âi în modelul multifactorial?
3. Construiţi un model multifactorial şi testaţi semnificaţia estimatorilor parametrilor
cu ajutorul unui software specializat.
Observaţie: Răspunsurile la acest test se pot consulta la finalul unităţii de învăţare.
Teste de semnificaţie
83
Unitatea de
învăţare 5
Se poate demonstra că o estimare nedeplasată a dispersiei
erorilor, calculată pornind de la dispersia de selecţie a variabilei
reziduale, este dată de expresia:
2
1
2
2
n
u
s
n
t
t
u
Prin calcul direct se pot deduce dispersiile estimatorilor â0 şi â1
obţinuţi prin metoda celor mai mici pătrate. Se demonstrează că
dacă se respectă ipotezele I-5 (erorile nu sunt heteroscedastice) şi
I-6 (erorile nu sunt autocorelate), atunci se pot calcula estimările
nedeplasate pentru dispersiile estimatorilor din modelul
unifactorial de regresie lineară:
2
222
ˆ
10
XX
X
nss
t
ua
2
22
ˆ
11
XXss
t
ua
În cazul modelului multifactorial, dacă erorile sunt independente
(ipoteza I-3Mc) şi nu sunt heteroscedastice (ipoteza I-3Mb), atunci
un estimator nedeplasat al matricei V(Â) se calculează astfel:
122
ˆ '
XXsS uA, unde uu
knsu '
1
12
este un estimator nedeplasat al dispersiei erorilor.
Pornind de la relaţia precedentă se calculează dispersia de
selecţie pentru estimatorii parametrilor din ecuaţia de regresie,
notată 2
ˆias , astfel:
iiua dssi
22
ˆ , unde ki ,0 .
Procedura uzuală aplicată pentru testarea semnificaţiei
parametrilor din modelul unifactorial de regresie lineară
urmăreşte testarea ipotezei nule H0: parametrii nu diferă
semnificativ de zero, contra ipotezei alternative H1: parametrii
din ecuaţia de regresie sunt, în valoare absolută, strict pozitivi.
Atunci, sub ipoteza H0, statistica
Teste de semnificaţie
84
Unitatea de
învăţare 5
i
i
a
ia
s
at
ˆ
ˆ
ˆ
urmează o distribuţie Student cu n – 2 grade de libertate (i = 0 sau
1). Se respinge ipoteza nulă H0: âi = 0 (X nu influenţează Y) dacă
valoarea absolută a acestui test este mai mare decât o valoare
critică obţinută din tabelele distribuţiei t (Student).
Teste de semnificaţie
85
Unitatea de
învăţare 5
Lucrări obligatorii
1. Jula N., Jula D., 2010, Modelare economică. Modele econometrice şi de optimizare,
Editura Mustang, Bucureşti, pag. 119-144
2. Jula D., 2003, Introducere în econometrie, Editura Professional Consulting, Bucureşti
3. Jula N., 2004, Modelarea deciziilor financiar-monetare, Editura Bren, Bucureşti
4. Jula N., 2006, Modelare economică – elemente de econometrie aplicată, Editura Mustang,
Bucureşti
5. Jula N., 2006, Modelare economică – econometrie aplicată, Editura Cartea Studenţească,
Bucureşti
6. Jula N., Jula D., 2009, Modelare economică. Econometrie financiară, Editura Mustang,
Bucureşti
7. Pecican E.S., 1996, Macroeconometrie. Politici economice guvernamentale şi econometrie,
Editura Economică, Bucureşti
Lucrări complementare
1. Andrei T., 2003, Statistică şi econometrie, Editura Economică, Bucureşti
2. Greene W.H., 2000, Econometric analysis, fourth edition, Prentice Hall, New Jersey
3. Maddala G.S., 2001, Introduction to econometrics, third edition, Wiley, New York
4. Taşnadi A., 2001, Econometrie, Editura ASE, Bucureşti
5. Tănăsoiu O., Iacob A.I., 1999, Econometrie aplicată, Editura Arteticart, Bucureşti.
6. Zaman C., 1998, Econometrie, Editura Pro Democraţia, Bucureşti
7. Dobrescu E., 2000, Macromodelul economiei româneşti de tranziţie, Editura Expert,
Bucureşti
Teste de semnificaţie
86
Unitatea de
învăţare 5
1. O estimare nedeplasată a dispersiei erorilor, calculată pornind de la dispersia de selecţie a
variabilei reziduale, este dată de expresia:
2
1
2
2
n
u
s
n
t
t
u
2. Pentru a calcula dispersia estimatorului âi se înmulţeşte dii – elementul aflat pe poziţia i
(i = 0, 1, 2, …, k) în diagonala matricei (X'X)-1
cu dispersia constantă a valorilor variabilei
reziduale 2us .
3. Vezi Excel sau Eviews.
Heteroscedasticitatea erorilor
87
Unitatea de
învăţare 6
Unitatea de învăţare 6: HETEROSCEDASTICITATEA ERORILOR
Cuprins:
Consecinţe ale heteroscedasticităţii
Testarea heteroscedasticităţii
o Testul Goldfeld–Quandt
o Testul Breusch-Pagan
o Testul White
Atenuarea heteroscedasticităţii
Aplicaţii – testarea şi atenuarea heteroscadasticităţii
o Testul Goldfeld–Quandt pentru modelul unifactorial
o Testul Goldfeld–Quandt pentru modelul multifactorial
Introducere
După parcurgerea unităţii veţi fi în măsură să răspundeţi la întrebările:
• Ce este heteroscedasticitatea?
• Care sunt consecinţele ignorării acestui fenomen?
• Care sunt principalele teste pentru depistarea ei?
Obiectivele/competenţele unităţii de învăţare
Heteroscedasticitatea - consecinţe, testare şi atenuare
Teste pentru depistarea heteroscetasticităţii
Exemple de atenuare a heteroscetasticităţii
Heteroscedasticitatea erorilor
88
Unitatea de
învăţare 6
Durata medie de parcurgere acestei unităţi de învăţare este de 3 ore şi 20
minute.
Heteroscedasticitatea erorilor
89
Unitatea de
învăţare 6
HETEROSCEDASTICITATEA ERORILOR
Proprietatea erorile de a nu avea o dispersie constantă se numeşte heteroscedasticitate. În
prezentul capitol sunt analizate problemele legate de testarea modului în care se respectă ipoteza
privind distribuţia erorilor cu o dispersie constantă, consecinţele nerespectării acestei ipoteze şi
procedurile de atenuare a fenomenului respectiv.
6.1. Consecinţe ale heteroscedasticităţii
Dacă fenomenul de heteroscedasticitate a erorilor din modelul de regresie lineară este ignorat,
iar pentru estimarea parametrilor se foloseşte metoda celor mai mici pătrate, atunci, sintetic, cele
mai importante consecinţe ale ignorării fenomenului de heteroscedasticitate a erorilor sunt
următoarele:
Consecinţe ale ignorării fenomenului de heteroscedasticitate a erorilor
a. Estimatorii parametrilor din model sunt nedeplasaţi şi consistenţi.
b. Estimatorii parametrilor din model nu sunt eficienţi.
c. Estimatorii calculaţi pentru dispersia şi covarianţa parametrilor sunt deplasaţi, nu sunt
consistenţi şi nu sunt eficienţi.
d. Testul t Student aplicat pentru analiza semnificaţiei estimatorilor nu este valid.
e. Estimatorii parametrilor nu au proprietatea de maximă verosimilitate.
6.2. Testarea heteroscedasticităţii
Deoarece fenomenul de heteroscedasticitate a erorilor invalidează testele statistice aplicate
asupra semnificaţiei parametrilor, este necesar ca prezenţa fenomenului respectiv să fie testată şi
atunci când este semnalat, să fie aplicate proceduri de eliminare.
Pentru modelul unifactorial de regresie, cea mai simplă metodă de detectare a fenomenului de
heteroscedasticitate a erorilor constă în reprezentarea grafică într-un sistem de coordonate XOY a
cuplurilor de puncte (Xt,Yt). Evident, procedura grafică este imprecisă, este într-o anumită măsură
subiectivă şi, ca atare, are aplicabilitate limitată. De aceea, au fost construite teste statistice care să
identifice heteroscedasticitatea erorilor. Cele mai cunoscute sunt: testul Goldfeld–Quandt, testul
Breusch–Pagan şi testul White.
Heteroscedasticitatea erorilor
90
Unitatea de
învăţare 6
6.2.1. Testul Goldfeld–Quandt
Procedura Goldfeld–Quandt este folosită pentru testarea ipotezei nule H0, care presupune lipsa
heteroscedasticităţii erorilor, contra ipotezei alternative H1, care admite faptul că dispersia erorilor
este corelată cu valorile uneia dintre variabilele explicative (de exemplu, dispersia erorilor creşte pe
măsură ce cresc valorile acelei variabile explicative care este considerată ca fiind relevantă). Pentru
aplicarea testului se admite faptul că o astfel de variabilă explicativă relevantă poate fi identificată.
6.2.2. Testul Breusch-Pagan
Testul Breusch-Pagan se bazează pe multiplicatorii Lagrange. Să presupunem că dispersia
erorilor 2tσ nu este constantă ci este asociată cu un număr p de variabile Z1, Z2, …, Zp (câteva, sau
toate dintre aceste variabile pot fi selectate dintre variabilele explicative X ale modelului de
regresie). Considerăm modelul, în forma generală
Yt = a0 + a1X1t + a2X2t + ... + akXkt + et, t = 1, 2, ..., n
şi
2
t = α0 + α1Z1t + α2Z2t + … + αpZpt,
unde
2
t = Var(et).
Dacă
α1 = α2 = ... = αp = 0,
atunci dispersia estimatorilor este constantă 0
2 t şi erorile nu sunt heteroscedastice. De aceea,
prin procedura propusă de Breusch şi Pagan se testează ipoteza nulă H0: α1 = α2 = ... = αp = 0,
contra ipotezei alternative H1: există cel puţin o valoare αi nenulă (i ≠ 0).
6.2.3. Testul White
Procedura White este următoarea:
1. Se estimează ecuaţia de regresie prin metoda celor mai mici pătrate şi se calculează
ut = Yt –(â0 + â1X1t + â2X2t + ... + âkXkt), t = 1, 2, ..., n
2. Se calculează modelul
2tu = α0 + α1Z1t + α2Z2t + … + αpZpt + εt,
pentru care se calculează coeficientul de determinare multiplă R2. Dacă oricare dintre parametrii
α este semnificativ, valoarea coeficientului de determinare R2 va fi semnificativă.
3. Dacă 05.022
pnR atunci fenomenul de heteroscedasticitate a erorilor este prezent cu o
probabilitate de 95%.
Heteroscedasticitatea erorilor
91
Unitatea de
învăţare 6
6.3. Atenuarea heteroscedasticităţii
Atenuarea fenomenului de heteroscedasticitate a erorilor presupune construirea unor proceduri
prin care să fie calculaţi estimatori nedeplasaţi, consistenţi şi eficienţi ai parametrilor modelului.
În primul rând, dacă modelul nu este bine specificat, în sensul că în specificarea modelului a
fost exclusă o variabilă explicativă semnificativă, atunci este posibil ca erorile să fie
heteroscedastice. Aceasta deoarece eroarea din modelul redus substituie variabila omisă din model,
astfel încât dispersia erorilor depinde de valorile variabilei neincluse în specificarea modelului.
Atenuarea heteroscedasticităţii se poate realiza, în această situaţie, printr-o specificare corectă a
modelului.
6.4. Aplicaţii – testarea şi atenuarea heteroscadasticităţii
6.4.1. Testul Goldfeld–Quandt pentru modelul unifactorial
Pentru exemplificarea procedurii de identificare a fenomenului de heteroscedasticitate a erorilor
prin testul Goldfeld–Quandt presupunem că sunt înregistrate următoarele date referitoare la legătura
dintre veniturile populaţiei şi volumul economiilor, într-un eşantion de volum n = 20. Modelul
linear unifactorial este dat prin ecuaţia: Yt = a0 + a1Xt + et, t = 1, 2, ..., 25, unde Xt reprezintă
veniturile populaţiei la momentul t, iar Yt – volumul economiilor.
Datele înregistrate pentru 20 momente diferite de timp sunt în tabelul 4-1:
Tabelul 4-1: Testul Goldfeld–Quandt, modelul unifactorial
Nr.crt. Veniturile populaţiei
(X)
Volumul economiilor
(Y)
1 100 20
2 110 25
3 120 28
4 125 30
5 130 33
6 140 35
7 150 36
8 155 42
9 170 44
Heteroscedasticitatea erorilor
92
Unitatea de
învăţare 6
Nr.crt. Veniturile populaţiei
(X)
Volumul economiilor
(Y)
10 170 42
11 180 45
12 185 50
13 190 47
14 200 48
15 205 52
16 210 58
17 215 54
18 220 55
19 220 58
20 225 60
Aplicarea testului Goldfeld–Quandt presupune, în primul rând, aranjarea observaţiilor în
ordinea crescătoare a valorilor factorului care ar putea explica apariţia fenomenului de
heteroscedasticitate a erorilor. În al doilea rând, se divide volumul eşantionului în două părţi egale,
după eliminarea observaţiilor situate în mijlocul eşantionului.
Deoarece numărul de observaţii din eşantion nu este mare (20 observaţii), nu s-au eliminat
observaţiile mediane, astfel încât prima parte a eşantionului cuprinde primele 10 înregistrări (pentru
t de la 1 la 10), iar cea de-a doua parte, ultimele 10 înregistrări (pentru t de la 11 la 20).
Tabelul 4-2: Selectarea seriilor pentru aplicarea
procedurii Goldfeld–Quandt,
modelul unifactorial
Seria 1 Seria 2
t Xt Yt t Xt Yt
1 100 20 11 180 45
2 110 25 12 185 50
3 120 28 13 190 47
4 125 30 14 200 48
Heteroscedasticitatea erorilor
93
Unitatea de
învăţare 6
5 130 33 15 205 52
6 140 35 16 210 58
7 150 36 17 215 54
8 155 42 18 220 55
9 170 44 19 220 58
10 170 42 20 225 60
Potrivit algoritmului Goldfeld–Quandt, se aplică metoda celor mai mici pătrate pentru calculul
estimatorilor separat pentru cele două serii de date.
Astfel, pornind de la seria 1, se estimează parametrii modelului M–1:
M – 1: Yt = a0 + a1Xt + et, t = 1, 2, ..., 10
şi, separat, pornind de la seria 2 se estimează parametrii modelului M–2:
M – 1: Yt = a0 + a1Xt + et, t = 11, 12, ..., 20
Modelul M–1 este estimat prin metoda celor mai mici pătrate, pornind de la eşantionul prezentat
în tabelul 4-2 sub denumirea de "seria 1". Au fost obţinute următoarele rezultate:
M – 1: Ŷt = -10.3869 + 0.3203∙Xt.
Rezolvarea în detaliu este prezentată în tabelul EViews următor:
Variabila dependentă: Y
Metoda de rezolvare: Metoda celor mai mici pătrate
Eşantionul: 1 10
Observaţii incluse: 10
Parametrii Estimatorii Ab.std. t-Statistic alfa
C -10.38688 3.082584 -3.369538 0.0098
X 0.320342 0.022192 14.43516 0.0000
R2 0.963027 Media var.exog. 33.50000
R2
ajustat 0.958405 Ab.std.var.exog. 7.891627
Ab.std.regresie 1.609479 Akaike info criterion 3.966555
Suma pătratelor rezid. 20.72338 Schwarz criterion 4.027072
Log likelihood -17.83277 F-statistic 208.3739
Durbin-Watson stat 2.070122 Prob(F-statistic) 0.000001
Heteroscedasticitatea erorilor
94
Unitatea de
învăţare 6
Seriile de date şi elementele utilizate în calculul testului sunt descrise, în detaliu în tabelul 4-3.
Tabelul 4-3: Testul Goldfeld–Quandt,
modelul unifactorial M–1
t Xt Yt Ŷt ut 2tu
1 100 20 21.6473 -1.6473 2.7137
2 110 25 24.8508 0.1492 0.0223
3 120 28 28.0542 -0.0542 0.0029
4 125 30 29.6559 0.3441 0.1184
5 130 33 31.2576 1.7424 3.0359
6 140 35 34.4610 0.5390 0.2905
7 150 36 37.6644 -1.6644 2.7704
8 155 42 39.2662 2.7338 7.4739
9 170 44 44.0713 -0.0713 0.0051
10 170 42 44.0713 -2.0713 4.2903
Suma 1370 335 335.0000 0.0000 20.7234
Modelul M–2 este estimat prin metoda celor mai mici pătrate, pornind de la eşantionul prezentat în
tabelul 4-2 sub denumirea de "seria 2". Au fost obţinute următoarele rezultate:
M – 2: Ŷt = -6.97778 + 0.291111∙Xt.
Rezolvarea în detaliu este prezentată în tabelul EViews următor:
Variabila dependentă: Y
Metoda de rezolvare: Metoda celor mai mici pătrate (vezi modulele anterioare)
Eşantionul: 11 20
Observaţii incluse: 10
Parametrii Estimatorii Ab.std t-Statistic alfa
C -6.977778 10.55038 -0.661377 0.5270
X 0.291111 0.051328 5.671580 0.0005
R2 0.800831 Media var.exog. 52.70000
R2
ajustat 0.775934 Ab.std.var.exog. 5.143496
Heteroscedasticitatea erorilor
95
Unitatea de
învăţare 6
Ab.std.regresie 2.434703 Akaike info criterion 4.794383
Suma pătratelor rezid. 47.42222 Schwarz criterion 4.854900
Log likelihood -21.97191 F-statistic 32.16682
Durbin-Watson stat 2.160603 Prob(F-statistic) 0.000470
Seriile de date şi elementele utilizate în calculul testului sunt descrise, în detaliu în tabelul 4-4.
Tabelul 4-4: Testul Goldfeld–Quandt,
modelul unifactorial M–2
t Xt Yt Ŷt ut 2
tu
11 180 45 45.4222 -0.4222 0.1783
12 185 50 46.8778 3.1222 9.7483
13 190 47 48.3333 -1.3333 1.7778
14 200 48 51.2444 -3.2444 10.5264
15 205 52 52.7000 -0.7000 0.4900
16 210 58 54.1556 3.8444 14.7798
17 215 54 55.6111 -1.6111 2.5957
18 220 55 57.0667 -2.0667 4.2711
19 220 58 57.0667 0.9333 0.8711
20 225 60 58.5222 1.4778 2.1838
Suma 2050 527 527.0000 0.0000 47.4222
Pornind de la rezultatele obţinute, se calculează:
29.27234.20
4222.4710
1
2
20
11
2
1
2
t
t
t
t
c
u
u
VTR
VTRF
Din tabelul distribuţiei F, pentru un prag de încredere α = 0.05, se determină
F10-2,10-2(0.05) = F8,8(0.05) = 3.44
Rezultă
Fc = 2.29 < 3.44 = F8,8(0.05)
Heteroscedasticitatea erorilor
96
Unitatea de
învăţare 6
deci, erorile et din modelul iniţial nu sunt heteroscedastice.
6.4.2. Testul Goldfeld–Quandt pentru modelul multifactorial
Pentru aplicarea testului Goldfeld–Quandt în cazul modelului multifactorial de regresie lineară
sunt utilizate datele referitoare la legătura dintre dinamica veniturilor populaţiei (X1t), evoluţia ratei
reale a dobânzii pasive (X2t) şi dinamica depozitelor bancare (Yt). Aceste date sunt prezentate în
tabelul 4-5.
Tabelul 4-5: Testul Goldfeld–Quandt, modelul multifactorial
Nr.crt.
Dinamica
veniturilor
populaţiei
(X1t)
Evoluţia ratei
reale a
dobânzii
pasive
(X2t)
Dinamica
depozitelor
bancare
(Yt)
1 0.5 4.1 0.3
2 1.0 4.2 0.8
3 1.2 4.0 0.3
4 -0.3 4.1 -0.5
5 2.1 3.8 0.8
6 2.3 4.2 1.4
7 1.2 3.8 0.2
8 1.0 3.9 0.7
9 0.8 3.9 0.0
10 0.0 3.8 -0.7
11 -0.6 3.8 -1.0
12 2.2 3.8 1.3
13 1.4 4.2 1.0
Heteroscedasticitatea erorilor
97
Unitatea de
învăţare 6
Nr.crt.
Dinamica
veniturilor
populaţiei
(X1t)
Evoluţia ratei
reale a
dobânzii
pasive
(X2t)
Dinamica
depozitelor
bancare
(Yt)
14 2.0 3.9 1.2
15 2.3 4.2 1.7
16 1.1 3.8 0.4
17 0.8 3.9 0.6
18 -0.5 4.1 -0.9
19 -1.4 3.9 -1.4
20 0.2 4.1 -0.2
21 1.8 4.2 1.5
22 2.2 3.8 0.9
23 2.1 4.1 1.0
24 1.5 4.2 0.7
25 1.8 3.8 1.2
Modelul linear bi-factorial se scrie:
Yt = a0 + a1X1t + a2X2t + et.
Vectorul estimatorilor  se calculează după relaţia:  = (X'X)-1
X'Y.
Aplicarea testului Goldfeld–Quandt presupune, în primul rând, aranjarea observaţiilor în
ordinea crescătoare a valorilor factorului care ar putea explica apariţia fenomenului de
heteroscedasticitate a erorilor. Presupunem că acest factor ar putea fi: dinamica veniturilor
populaţiei (X1t). În tabelul următor s-a realizat acest lucru.
Nr.crt. X1t X2t Yt
1 -1.4 3.9 -1.4
2 -0.6 3.8 -1.0
3 -0.5 4.1 -0.9
Heteroscedasticitatea erorilor
98
Unitatea de
învăţare 6
Nr.crt. X1t X2t Yt
4 -0.3 4.1 -0.5
5 0.0 3.8 -0.7
6 0.2 4.1 -0.2
7 0.5 4.1 0.3
8 0.8 3.9 0.0
9 0.8 3.9 0.6
10 1.0 4.2 0.8
11 1.0 3.9 0.7
12 1.1 3.8 0.4
13 1.2 4.0 0.3
14 1.2 3.8 0.2
15 1.4 4.2 1.0
16 1.5 4.2 0.7
17 1.8 4.2 1.5
18 1.8 3.8 1.2
19 2.0 3.9 1.2
20 2.1 3.8 0.8
21 2.1 4.1 1.0
22 2.2 3.8 1.3
23 2.2 3.8 0.9
24 2.3 4.2 1.4
25 2.3 4.2 1.7
În al doilea rând, se divide volumul eşantionului în două părţi egale, după eliminarea
observaţiilor situate în mijlocul eşantionului. Egalitatea celor două părţi nu reprezintă o condiţie
obligatorie a procedurii Goldfeld–Quandt.
Concret, din eşantionul prezentat în tabelul precedent s-a eliminat observaţia numerotată cu
t = 13, astfel încât prima parte a eşantionului cuprinde primele 12 înregistrări (pentru t de la 1 la
12), iar cea de-a doua parte, ultimele 12 înregistrări (pentru t de la 14 la 25).
01:50
Heteroscedasticitatea erorilor
99
Unitatea de
învăţare 6
Tabelul 4-6: Selectarea seriilor pentru
aplicarea procedurii Goldfeld–Quandt,
modelul multifactorial
Seria 1 Seria 2
t X1t X2t Yt t X1t X2t Yt
1 -1.4 3.9 -1.4 14 1.2 3.8 0.2
2 -0.6 3.8 -1.0 15 1.4 4.2 1.0
3 -0.5 4.1 -0.9 16 1.5 4.2 0.7
4 -0.3 4.1 -0.5 17 1.8 4.2 1.5
5 0.0 3.8 -0.7 18 1.8 3.8 1.2
6 0.2 4.1 -0.2 19 2.0 3.9 1.2
7 0.5 4.1 0.3 20 2.1 3.8 0.8
8 0.8 3.9 0.0 21 2.1 4.1 1.0
9 0.8 3.9 0.6 22 2.2 3.8 1.3
10 1.0 4.2 0.8 23 2.2 3.8 0.9
11 1.0 3.9 0.7 24 2.3 4.2 1.4
12 1.1 3.8 0.4 25 2.3 4.2 1.7
Potrivit algoritmului Goldfeld–Quandt, se aplică metoda celor mai mici pătrate pentru calculul
estimatorilor separat pentru cele două serii de date. Astfel, pornind de la seria 1, se estimează
parametrii modelului
M–1: Yt = a0 + a1X1t + a2X2t + et, t = 1, 2, ..., 12
şi, separat, pornind de la seria 2 se estimează parametrii modelului
M–2: Yt = a0 + a1X1t + a2X2t + et, t = 14, 15, ..., 25.
Modelul M–1 este estimat prin metoda celor mai mici pătrate, pornind de la eşantionul prezentat
în tabelul 4-6 sub denumirea de "seria 1". Au fost obţinute următoarele rezultate:
M – 1: Ŷt = -3.6176 + 0.8805∙X1t + 0.8240∙X2t.
Rezolvarea în detaliu cu ajutorul programului EViews este prezentată în tabelul următor.
Variabila dependentă: Y
Metoda de rezolvare: Metoda celor mai mici pătrate
Data: 11/20/03 Ora: 12:22
Heteroscedasticitatea erorilor
100
Unitatea de
învăţare 6
Eşantionul: 1 12
Observaţii incluse: 12
Parametrii Estimatorii Ab.std t-Statistic alfa
C -3.617605 1.805439 -2.003725 0.0761
X1 0.880510 0.082618 10.65757 0.0000
X2 0.823990 0.455063 1.810718 0.1036
R2 0.929610 Media var.exog. -0.158333
R2
ajustat 0.913968 Ab.std.var.exog. 0.737882
Ab.std.regresie 0.216430 Akaike info criterion -0.010782
Suma pătratelor rezid. 0.421577 Schwarz criterion 0.110444
Log likelihood 3.064694 F-statistic 59.42960
Durbin-Watson stat 2.248162 Prob(F-statistic) 0.000007
Seriile de date şi elementele utilizate în calculul testului sunt descrise, în detaliu în tabelul 4-7.
Tabelul 4-7: Testul Goldfeld–Quandt, modelul multifactorial M–1
t X1t X2t Yt Ŷt ut 2tu
1 -1.4 3.9 -1.4 -1.6368 0.2368 0.0561
2 -0.6 3.8 -1.0 -1.0147 0.0147 0.0002
3 -0.5 4.1 -0.9 -0.6795 -0.2205 0.0486
4 -0.3 4.1 -0.5 -0.5034 0.0034 0.0000
5 0.0 3.8 -0.7 -0.4864 -0.2136 0.0456
6 0.2 4.1 -0.2 -0.0631 -0.1369 0.0187
7 0.5 4.1 0.3 0.2010 0.0990 0.0098
8 0.8 3.9 0.0 0.3004 -0.3004 0.0902
9 0.8 3.9 0.6 0.3004 0.2996 0.0898
10 1.0 4.2 0.8 0.7237 0.0763 0.0058
11 1.0 3.9 0.7 0.4765 0.2235 0.0500
12 1.1 3.8 0.4 0.4821 -0.0821 0.0067
Heteroscedasticitatea erorilor
101
Unitatea de
învăţare 6
t X1t X2t Yt Ŷt ut 2tu
Suma 2.6 47.6 -1.9 -1.9000 0.0000 0.4216
Modelul M–2 este estimat prin metoda celor mai mici pătrate, pornind de la eşantionul prezentat
în tabelul 4-2 sub denumirea de "seria 2". Au fost obţinute următoarele rezultate:
M – 2: Ŷt = -3.967 + 0.77354∙X1t+ 0.9097∙X2t.
Rezolvarea în detaliu cu ajutorul programului EViews este prezentată în tabelul următor.
Variabila dependentă: Y
Metoda de rezolvare: Metoda celor mai mici pătrate
Data: 11/20/03 Ora: 12:47
Eşantionul: 14 25
Observaţii incluse: 12
Parametrii Estimatorii Ab.std t-Statistic alfa
C -3.967000 1.740501 -2.279229 0.0486
X1 0.735366 0.220423 3.336162 0.0087
X2 0.909669 0.417831 2.177123 0.0574
R2 0.630303 Media var.exog. 1.075000
R2
ajustat 0.548148 Ab.std.var.exog. 0.402549
Ab.std.regresie 0.270593 Akaike info criterion 0.435916
Suma pătratelor rezid. 0.658985 Schwarz criterion 0.557143
Log likelihood 0.384502 F-statistic 7.672123
Durbin-Watson stat 1.933999 Prob(F-statistic) 0.011358
Seriile de date şi elementele utilizate în calculul testului sunt descrise, în detaliu în tabelul 4-8.
Tabelul 4-8: Testul Goldfeld–Quandt, modelul multifactorial M–2
t X1t X2t Yt Ŷt ut 2tu
14 1.2 3.8 0.2 0.4 -0.1722 0.0296
15 1.4 4.2 1.0 0.9 0.1169 0.0137
16 1.5 4.2 0.7 1.0 -0.2567 0.0659
Heteroscedasticitatea erorilor
102
Unitatea de
învăţare 6
t X1t X2t Yt Ŷt ut 2tu
17 1.8 4.2 1.5 1.2 0.3227 0.1042
18 1.8 3.8 1.2 0.8 0.3866 0.1495
19 2.0 3.9 1.2 1.1 0.1486 0.0221
20 2.1 3.8 0.8 1.0 -0.2340 0.0548
21 2.1 4.1 1.0 1.3 -0.3069 0.0942
22 2.2 3.8 1.3 1.1 0.1925 0.0370
23 2.2 3.8 0.9 1.1 -0.2075 0.0431
24 2.3 4.2 1.4 1.5 -0.1450 0.0210
25 2.3 4.2 1.7 1.5 0.1550 0.0240
Suma 22.9 48.0 12.9 12.9 0.0000 0.6590
Pornind de la rezultatele obţinute, se calculează:
56.14216.0
6590.012
1
2
25
14
2
1
2
t
t
t
t
c
u
u
VTR
VTRF
Din tabelul distribuţiei F, pentru un prag de încredere α = 0.05, se determină
F12-2,12-2(0.05) = F10,10(0.05) = 2.98
Rezultă
Fc = 1.56 < 2.98 = F10,10(0.05)
deci, erorile et din modelul iniţial nu sunt heteroscedastice.
Heteroscedasticitatea erorilor
103
Unitatea de
învăţare 6
Test de evaluare a cunoştinţelor
Timp estimat: 20 minute
1. Care este definiţia heteroscedaticităţii?
2. Care sunt consecinţele ignorării heteroscedasticităţii?
3. Care sunt cele mai cunoscute teste pentru identificarea heteroscedasticităţii?
Observaţie: Răspunsurile la acest test se pot consulta la finalul unităţii de învăţare.
Heteroscedasticitatea erorilor
104
Unitatea de
învăţare 6
Proprietatea erorile de a nu avea o dispersie constantă se numeşte
heteroscedasticitate.
Consecinţe ale ignorării fenomenului de heteroscedasticitate a
erorilor
a. Estimatorii parametrilor din model sunt nedeplasaţi şi
consistenţi.
b. Estimatorii parametrilor din model nu sunt eficienţi.
c. Estimatorii calculaţi pentru dispersia şi covarianţa
parametrilor sunt deplasaţi, nu sunt consistenţi şi nu sunt
eficienţi.
d. Testul t Student aplicat pentru analiza semnificaţiei
estimatorilor nu este valid.
e. Estimatorii parametrilor nu au proprietatea de maximă
verosimilitate.
Heteroscedasticitatea erorilor
105
Unitatea de
învăţare 6
Lucrări obligatorii
1. Jula N., Jula D., 2010, Modelare economică. Modele econometrice şi de optimizare,
Editura Mustang, Bucureşti, pag. 171-179; 183-193
2. Jula D., 2003, Introducere în econometrie, Editura Professional Consulting, Bucureşti
3. Jula N., 2004, Modelarea deciziilor financiar-monetare, Editura Bren, Bucureşti
4. Jula N., 2006, Modelare economică – elemente de econometrie aplicată, Editura Mustang,
Bucureşti
5. Jula N., 2006, Modelare economică – econometrie aplicată, Editura Cartea Studenţească,
Bucureşti
6. Jula N., Jula D., 2009, Modelare economică. Econometrie financiară, Editura Mustang,
Bucureşti
7. Pecican E.S., 1996, Macroeconometrie. Politici economice guvernamentale şi econometrie,
Editura Economică, Bucureşti
Lucrări complementare
1. Andrei T., 2003, Statistică şi econometrie, Editura Economică, Bucureşti
2. Greene W.H., 2000, Econometric analysis, fourth edition, Prentice Hall, New Jersey
3. Maddala G.S., 2001, Introduction to econometrics, third edition, Wiley, New York
4. Taşnadi A., 2001, Econometrie, Editura ASE, Bucureşti
5. Tănăsoiu O., Iacob A.I., 1999, Econometrie aplicată, Editura Arteticart, Bucureşti.
6. Zaman C., 1998, Econometrie, Editura Pro Democraţia, Bucureşti
7. Dobrescu E., 2000, Macromodelul economiei româneşti de tranziţie, Editura Expert,
Bucureşti
Heteroscedasticitatea erorilor
106
Unitatea de
învăţare 6
1. Proprietatea erorile de a nu avea o dispersie constantă se numeşte heteroscedasticitate.
2. Consecinţe ale ignorării fenomenului de heteroscedasticitate a erorilor
a. Estimatorii parametrilor din model sunt nedeplasaţi şi consistenţi.
b. Estimatorii parametrilor din model nu sunt eficienţi (există estimatori care au o
dispersie mai mică).
c. Estimatorii calculaţi pentru dispersia şi covarianţa parametrilor sunt deplasaţi, nu
sunt consistenţi şi nu sunt eficienţi.
d. Testul t Student aplicat pentru analiza semnificaţiei estimatorilor nu este valid. Dacă
dispersia erorilor şi variaţia factorului explicativ sunt pozitiv corelate, atunci
dispersia corectă a parametrului a1 este subestimată, astfel încât calculele sugerează
o precizie a estimării mai bună decât este în realitate.
e. Estimatorii parametrilor nu au proprietatea de maximă verosimilitate.
3. Cele mai cunoscute sunt: testul Goldfeld–Quandt, testul Breusch–Pagan şi testul White.
Testarea şi atenuarea heteroscedasticităţii erorilor - Testul White
107
Unitatea de
învăţare 7
Unitea de învăţare 7 : TESTAREA ŞI ATENUAREA
HETEROSCEDASTICITĂŢII ERORILOR - TESTUL WHITE
Cuprins:
Testul White pentru modelul unifactorial
Testul White pentru modelul multifactorial
Introducere
După parcurgerea unităţii veţi fi în măsură să răspundeţi la întrebările:
• Cum se testează heteroscedasticitatea prin testul White?
• Cum se atenuează hetersocedasticitateaî în cazul în care aceasta este depistată?
Obiectivele/competenţele unităţii de învăţare
Testarea heteroscedasticiţii folosind testul White.
Durata medie de parcurgere acestei unităţi de învăţare este de 2 ore şi 10
minute.
Testarea şi atenuarea heteroscedasticităţii erorilor - Testul White
108
Unitatea de
învăţare 7
TESTAREA ŞI ATENUAREA HETEROSCEDASTICITĂŢII
ERORILOR - TESTUL WHITE
7.1. Testul White pentru modelul unifactorial
Pentru exemplificarea modului de testare a heteroscedasticităţii erorilor analizăm legătura dintre
economiile populaţiei20
(simbolizate EP) şi câştigul salarial mediu nominal net lunar (lei/persoană)
– simbolul utilizat SNN, în perioada ianuarie 1997 – august 2003. Datele sunt prezentate în tabelul
4-9.
Tabelul 4-9: Evoluţia economiilor populaţiei şi a câştigului salarial în perioada 1997-2003
Luna
Economiile
populaţiei
– mil.lei (EP)
Câştigul salarial
(mediu nominal net)
– mil.lei/pers (SNN)
EPt D(EPt) SNNt D(SNNt)
Ianuarie - 97 9.368 – 0.397 –
Februarie - 97 10.017 0.649 0.456 0.059
Martie - 97 10.981 0.965 0.507 0.051
Aprilie - 97 12.052 1.071 0.592 0.085
Mai - 97 13.491 1.439 0.568 -0.024
Iunie - 97 14.566 1.075 0.581 0.013
Iulie - 97 15.405 0.839 0.622 0.041
August - 97 15.766 0.361 0.651 0.029
Septembrie - 97 16.287 0.521 0.710 0.060
Octombrie - 97 16.934 0.647 0.797 0.087
Noiembrie - 97 17.701 0.767 0.821 0.024
Decembrie - 97 20.166 2.464 0.940 0.120
Ianuarie - 98 20.793 0.628 0.884 -0.056
20
Datele sunt extrase din Bilanţul monetar agregat al băncilor – pasive interne – depozite ale clienţilor nebancari – Economii ale populaţiei (milioane lei, la sfârşitul perioadei) – Banca Naţională a României, Buletin lunar, 1/1997-9/2003.
Testarea şi atenuarea heteroscedasticităţii erorilor - Testul White
109
Unitatea de
învăţare 7
Luna
Economiile
populaţiei
– mil.lei (EP)
Câştigul salarial
(mediu nominal net)
– mil.lei/pers (SNN)
EPt D(EPt) SNNt D(SNNt)
Februarie - 98 21.891 1.098 0.879 -0.006
Martie - 98 22.426 0.536 0.954 0.076
Aprilie - 98 23.380 0.954 1.045 0.091
Mai - 98 24.429 1.049 0.999 -0.046
Iunie - 98 25.153 0.724 1.041 0.041
Iulie - 98 25.797 0.644 1.099 0.058
August - 98 26.368 0.570 1.123 0.024
Septembrie - 98 26.627 0.259 1.140 0.017
Octombrie - 98 27.306 0.679 1.171 0.031
Noiembrie - 98 28.227 0.921 1.192 0.021
Decembrie - 98 30.967 2.739 1.360 0.169
Ianuarie - 99 32.484 1.517 1.241 -0.119
Februarie - 99 32.959 0.475 1.294 0.053
Martie - 99 32.110 -0.849 1.411 0.117
Aprilie - 99 30.943 -1.167 1.480 0.068
Mai - 99 29.674 -1.269 1.460 -0.019
Iunie - 99 30.215 0.541 1.514 0.053
Iulie - 99 32.209 1.994 1.604 0.090
August - 99 33.221 1.012 1.624 0.020
Septembrie - 99 34.178 0.957 1.630 0.006
Octombrie - 99 34.710 0.532 1.657 0.027
Noiembrie - 99 35.086 0.376 1.752 0.095
Decembrie - 99 39.238 4.152 1.990 0.238
Testarea şi atenuarea heteroscedasticităţii erorilor - Testul White
110
Unitatea de
învăţare 7
Luna
Economiile
populaţiei
– mil.lei (EP)
Câştigul salarial
(mediu nominal net)
– mil.lei/pers (SNN)
EPt D(EPt) SNNt D(SNNt)
Ianuarie - 00 40.735 1.497 1.726 -0.264
Februarie - 00 41.922 1.187 1.748 0.022
Martie - 00 42.988 1.066 1.907 0.159
Aprilie - 00 43.039 0.051 2.136 0.229
Mai - 00 42.599 -0.440 2.030 -0.106
Iunie - 00 43.253 0.654 2.104 0.074
Iulie - 00 43.624 0.371 2.172 0.068
August - 00 43.090 -0.534 2.220 0.048
Septembrie - 00 42.328 -0.762 2.273 0.053
Octombrie - 00 41.095 -1.233 2.357 0.084
Noiembrie - 00 40.827 -0.268 2.497 0.140
Decembrie - 00 44.549 3.722 2.912 0.414
Ianuarie - 01 45.829 1.280 2.738 -0.174
Februarie - 01 46.923 1.094 2.596 -0.142
Martie - 01 48.382 1.459 2.819 0.223
Aprilie - 01 49.755 1.374 3.025 0.206
Mai - 01 50.697 0.942 2.915 -0.110
Iunie - 01 52.348 1.651 2.981 0.066
Iulie - 01 53.138 0.790 3.124 0.142
August - 01 54.030 0.892 3.135 0.011
Septembrie - 01 55.327 1.297 3.125 -0.010
Octombrie - 01 56.761 1.434 3.210 0.086
Noiembrie - 01 58.670 1.909 3.314 0.104
Testarea şi atenuarea heteroscedasticităţii erorilor - Testul White
111
Unitatea de
învăţare 7
Luna
Economiile
populaţiei
– mil.lei (EP)
Câştigul salarial
(mediu nominal net)
– mil.lei/pers (SNN)
EPt D(EPt) SNNt D(SNNt)
Decembrie - 01 63.706 5.037 3.660 0.345
Ianuarie - 02 65.542 1.836 3.672 0.012
Februarie - 02 67.766 2.224 3.464 -0.207
Martie - 02 70.378 2.612 3.666 0.202
Aprilie - 02 72.443 2.065 3.966 0.299
Mai - 02 73.852 1.409 3.795 -0.170
Iunie - 02 75.447 1.594 3.806 0.011
Iulie - 02 77.508 2.061 3.919 0.113
August - 02 79.337 1.829 3.898 -0.021
Septembrie - 02 79.946 0.609 3.855 -0.043
Octombrie - 02 82.290 2.344 3.967 0.112
Noiembrie - 02 83.837 1.547 4.038 0.071
Decembrie - 02 88.894 5.057 4.526 0.488
Ianuarie - 03 90.509 1.615 4.731 0.205
Februarie - 03 92.753 2.244 4.452 -0.279
Martie - 03 93.098 0.345 4.638 0.186
Aprilie - 03 94.126 1.029 4.955 0.318
Mai - 03 93.633 -0.494 4.729 -0.226
Iunie - 03 93.926 0.293 4.706 -0.023
Iulie - 03 93.961 0.035 4.864 0.158
August - 03 94.990 1.029 4.808 -0.056
Sursa datelor: Banca Naţională a României, Buletin lunar, 1/1997-9/2003, Bucureşti
Testarea şi atenuarea heteroscedasticităţii erorilor - Testul White
112
Unitatea de
învăţare 7
Econometric, datele nu pot fi incluse într-o ecuaţie de regrese, în forma în care apar în tabel.
Demonstrarea acestei afirmaţii se bazează pe analiza staţionarităţii seriilor de date. Justificarea
economică ar fi următoarea: ambele serii sunt influenţate de dinamica preţurilor din economie
(inflaţie), astfel încât înscrierea lor în aceeaşi bandă crescătoare nu înseamnă automat prezenţă unei
relaţii de cauzalitate între serii. Pur şi simplu, este posibil ca seriile să urmeze o tendinţă
asemănătoare datorită inflaţiei. Din această cauză, s-a eliminat tendinţa prin diferenţierea seriilor:
D(EPt) = EPt – EPt-1
D(SNNt) = SNNt – SNNt-1.
Seriile astfel obţinute sunt staţionare. În aceste condiţii, econometric, se testează legătura dintre
seriile staţionare D(EPt) şi D(SNNt). Admitem pentru început ipoteza că între cele două variabile
există o legătură lineară.
D(EP) = a0 + a1D(SNN) + et
Estimarea acestei ecuaţii prin metoda celor mai mici pătrate duce la obţinerea următoarelor
rezultate:
SNNDEPD 904.0132961.023.3903487.0
(în paranteză, sub estimatori sunt abaterile medii standard).
Testele statistice pentru semnificaţia estimatorilor sunt:
795.6132961
903487.00ˆ at
573.3904.0
23.31ˆ
at
Figura 4-2: Evoluţia economiilor populaţiei şi a câştigului salarial, în perioada 1997-2003
0
1
2
3
4
5
6
ian
ua
rie-9
7
iun
ie-9
7
no
iem
brie
-97
ap
rilie-9
8
se
pte
mb
rie-9
8
feb
rua
rie-9
9
iulie
-99
de
cem
brie
-99
ma
i-00
octo
mb
rie-0
0
ma
rtie-0
1
au
gu
st-0
1
ian
ua
rie-0
2
iun
ie-0
2
no
iem
brie
-02
ap
rilie-0
3
0
10
20
30
40
50
60
70
80
90
100
Economiile populaţiei (mil.lei) –
scara din dreapta
Câştigul salarial
(mil.lei/pers.) –scara din stânga
Testarea şi atenuarea heteroscedasticităţii erorilor - Testul White
113
Unitatea de
învăţare 7
Pentru testarea heteroscedasticităţii erorilor se utilizează testul White. Calculul modelului pentru
seriile din tabelul 4-9 duce la rezultatele prezentate în tabelul 4-10.
D(EP) = 0.903487 + 3.23∙D(SNN)
Tabelul 4-10: Calculele de bază pentru aplicarea testului White, modelul unifactorial*)
t D(SNNt) D(EPt) D(EPt)c ut ut2
D(SNNt)2
1 – – – – – –
2 0.0594 0.6490 1.0954 -0.4464 0.1992 0.0035
3 0.0507 0.9646 1.0673 -0.1027 0.0105 0.0026
4 0.0848 1.0707 1.1775 -0.1068 0.0114 0.0072
5 -0.0242 1.4386 0.8253 0.6134 0.3762 0.0006
6 0.0133 1.0750 0.9465 0.1285 0.0165 0.0002
7 0.0408 0.8392 1.0351 -0.1959 0.0384 0.0017
8 0.0289 0.3610 0.9969 -0.6359 0.4044 0.0008
9 0.0596 0.5210 1.0960 -0.5750 0.3306 0.0036
10 0.0870 0.6473 1.1843 -0.5370 0.2883 0.0076
11 0.0236 0.7672 0.9799 -0.2126 0.0452 0.0006
12 0.1197 2.4642 1.2899 1.1742 1.3788 0.0143
13 -0.0561 0.6278 0.7224 -0.0946 0.0089 0.0031
14 -0.0058 1.0976 0.8847 0.2129 0.0453 0.0000
15 0.0757 0.5355 1.1479 -0.6124 0.3750 0.0057
16 0.0912 0.9539 1.1980 -0.2441 0.0596 0.0083
17 -0.0463 1.0487 0.7541 0.2946 0.0868 0.0021
18 0.0414 0.7242 1.0372 -0.3130 0.0980 0.0017
19 0.0579 0.6438 1.0906 -0.4467 0.1996 0.0034
20 0.0243 0.5704 0.9821 -0.4117 0.1695 0.0006
21 0.0171 0.2592 0.9586 -0.6994 0.4892 0.0003
22 0.0310 0.6794 1.0035 -0.3242 0.1051 0.0010
Testarea şi atenuarea heteroscedasticităţii erorilor - Testul White
114
Unitatea de
învăţare 7
t D(SNNt) D(EPt) D(EPt)c ut ut2
D(SNNt)2
23 0.0206 0.9213 0.9700 -0.0487 0.0024 0.0004
24 0.1688 2.7393 1.4485 1.2908 1.6662 0.0285
25 -0.1193 1.5174 0.5181 0.9993 0.9985 0.0142
26 0.0533 0.4748 1.0757 -0.6009 0.3611 0.0028
27 0.1171 -0.8487 1.2817 -2.1304 4.5388 0.0137
28 0.0683 -1.1671 1.1241 -2.2912 5.2497 0.0047
29 -0.0192 -1.2694 0.8414 -2.1108 4.4556 0.0004
30 0.0531 0.5411 1.0749 -0.5338 0.2849 0.0028
31 0.0904 1.9939 1.1953 0.7986 0.6377 0.0082
32 0.0203 1.0123 0.9691 0.0432 0.0019 0.0004
33 0.0058 0.9573 0.9221 0.0352 0.0012 0.0000
34 0.0270 0.5317 0.9908 -0.4592 0.2108 0.0007
35 0.0946 0.3765 1.2090 -0.8325 0.6931 0.0089
36 0.2385 4.1517 1.6738 2.4780 6.1403 0.0569
37 -0.2641 1.4967 0.0505 1.4461 2.0912 0.0697
38 0.0221 1.1873 0.9747 0.2126 0.0452 0.0005
39 0.1589 1.0662 1.4168 -0.3506 0.1229 0.0253
40 0.2289 0.0505 1.6427 -1.5922 2.5351 0.0524
41 -0.1062 -0.4396 0.5605 -1.0000 1.0001 0.0113
42 0.0740 0.6537 1.1424 -0.4887 0.2389 0.0055
43 0.0683 0.3711 1.1242 -0.7531 0.5672 0.0047
44 0.0484 -0.5339 1.0598 -1.5937 2.5398 0.0023
45 0.0526 -0.7616 1.0734 -1.8350 3.3673 0.0028
46 0.0842 -1.2335 1.1755 -2.4090 5.8034 0.0071
47 0.1403 -0.2678 1.3566 -1.6244 2.6387 0.0197
Testarea şi atenuarea heteroscedasticităţii erorilor - Testul White
115
Unitatea de
învăţare 7
t D(SNNt) D(EPt) D(EPt)c ut ut2
D(SNNt)2
48 0.4141 3.7215 2.2409 1.4807 2.1924 0.1715
49 -0.1735 1.2801 0.3430 0.9371 0.8782 0.0301
50 -0.1418 1.0943 0.4455 0.6488 0.4210 0.0201
51 0.2230 1.4585 1.6238 -0.1653 0.0273 0.0497
52 0.2059 1.3737 1.5685 -0.1948 0.0380 0.0424
53 -0.1098 0.9420 0.5487 0.3933 0.1547 0.0121
54 0.0662 1.6509 1.1173 0.5336 0.2847 0.0044
55 0.1422 0.7900 1.3629 -0.5729 0.3282 0.0202
56 0.0115 0.8921 0.9406 -0.0485 0.0023 0.0001
57 -0.0103 1.2970 0.8702 0.4268 0.1822 0.0001
58 0.0855 1.4335 1.1797 0.2538 0.0644 0.0073
59 0.1038 1.9088 1.2389 0.6700 0.4488 0.0108
60 0.3454 5.0368 2.0191 3.0176 9.1062 0.1193
61 0.0119 1.8356 0.9419 0.8937 0.7987 0.0001
62 -0.2072 2.2239 0.2342 1.9897 3.9590 0.0429
63 0.2021 2.6118 1.5561 1.0557 1.1144 0.0408
64 0.2994 2.0651 1.8706 0.1945 0.0378 0.0897
65 -0.1704 1.4094 0.3531 1.0563 1.1158 0.0290
66 0.0110 1.5945 0.9389 0.6555 0.4297 0.0001
67 0.1130 2.0613 1.2684 0.7929 0.6287 0.0128
68 -0.0210 1.8286 0.8358 0.9929 0.9858 0.0004
69 -0.0434 0.6091 0.7632 -0.1541 0.0237 0.0019
70 0.1125 2.3444 1.2668 1.0776 1.1612 0.0127
71 0.0707 1.5472 1.1318 0.4153 0.1725 0.0050
72 0.4875 5.0570 2.4781 2.5789 6.6505 0.2377
Testarea şi atenuarea heteroscedasticităţii erorilor - Testul White
116
Unitatea de
învăţare 7
t D(SNNt) D(EPt) D(EPt)c ut ut2
D(SNNt)2
73 0.2051 1.6146 1.5658 0.0488 0.0024 0.0421
74 -0.2789 2.2442 0.0026 2.2416 5.0246 0.0778
75 0.1859 0.3446 1.5038 -1.1592 1.3437 0.0345
76 0.3176 1.0288 1.9292 -0.9004 0.8108 0.1009
77 -0.2260 -0.4938 0.1737 -0.6674 0.4455 0.0511
78 -0.0234 0.2934 0.8278 -0.5345 0.2857 0.0005
79 0.1579 0.0352 1.4135 -1.3783 1.8997 0.0249
80 -0.0558 1.0289 0.7232 0.3057 0.0935 0.0031
*) Prin D(EP)c am simbolizat valorile calculate pe baza ecuaţiei de regresie pentru variabila
endogenă D(EP)
Potrivit metodei White, se realizează o regresie de tipul:
tttt SNNDSNNDu 2
210
2 )()(
Rezultatele sunt următoarele:
22 )(421.25)(457.0641.0ˆttt SNNDSNNDu .
Coeficientul de determinare R2, calculat pentru modelul precedent este:
R2 = 0.2729,
iar blocul nR2 din testul White se calculează astfel:
nR2 = 79 ∙0.2729 = 21.56.
Se testează ipoteza nulă
H0: α1 = α2 = 0 (lipsa heteroscedasticităţii).
Valoarea testului 99.52
2 , pentru un prag de semnificaţie α = 0.05 (un grad de încredere de
95%). Cum
nR2 = 21.56 > 2
299.5 ,
rezultă că ipoteza H0 este respinsă, adică se poate afirma, cu un grad de încredere de 95% faptul că
erorile et din modelul iniţial sunt heteroscedastice. Aceleaşi rezultate pot fi obţinute prin utilizarea
programului EViews:
White Heteroskedasticity Test:
F-statistic 14.26234 Probabilitatea 0.000006
nR2
21.55902 Probabilitatea 0.000021
Testarea şi atenuarea heteroscedasticităţii erorilor - Testul White
117
Unitatea de
învăţare 7
Test Equation – variabila dependentă: u2
Metoda de rezolvare: Metoda celor mai mici pătrate
Eşantionul: 1997:02 2003:08, Observaţii incluse: n = 79
Parametrii Estimatorii Ab.std. t-Statistic alfa
C 0.640700 0.206192 3.107297 0.0027
D(SNN) -0.457366 1.536016 -0.297762 0.7667
(D(SNN))2 25.42088 5.393215 4.713492 0.0000
R2
0.272899 Media var.endog. 1.165073
R2 – ajustat 0.253765 Ab.std.var.endog. 1.838512
Ab.std.regr. 1.588197 Akaike info criterion 3.800311
Suma pătratelor rezid. 191.7001 Schwarz criterion 3.890290
Log likelihood -147.1123 F-statistic 14.26234
Durbin-Watson stat 1.322522 Prob(F-statistic) 0.000006
Pentru eliminarea fenomenului de heteroscedasticitate se procedează la transformarea modelul
iniţial
D(EP)t = a0 + a1D(SNN)t + et,
în modelul:
t
t
tt
t
SNND
ea
SNNDa
SNND
EPD 10
1)(
Rezultatele sunt următoarele:
Variabila dependentă: )(
)(
SNND
EPD
Metoda de estimare: Metoda celor mai mici pătrate
Eşantionul (ajustat): 1997:02 2003:08
Observaţii incluse: 79 după ajustare
Coeficienţii Estimatorii Ab.std. t-Statistic Prob.
Testarea şi atenuarea heteroscedasticităţii erorilor - Testul White
118
Unitatea de
învăţare 7
)(
1
SNND 1.018483 0.060994 16.69807 0.0000
constanta -0.722544 2.499231 -0.289106 0.7733
R2 0.783602 Media var.endogene 9.456939
R2 ajustat 0.780791 Ab.std.var.endogene 46.01198
Ab.std.regresie 21.54268 Akaike info criterion 9.002939
Suma pătratelor erorilor 35734.69 Schwarz criterion 9.062925
Log likelihood -353.6161 F-statistic 278.8255
Durbin-Watson stat 1.966436 Prob(F-statistic) 0.000000
Reziduurile din această ecuaţie nu sunt heteroscedastice. Prin estimarea unei ecuaţii de regresie
de tipul
t
tt
tSNNDSNND
u 2210
2
)(
1
)(
1
se obţine:
2
2
)(
1036317.0
)(
13344.36895.424
tt
tSNNDSNND
u
Pentru ecuaţia precedentă
R2 = 0.016056,
deci
nR2 = 0.268424 < 5.99 = )05.0(2
2 .
Aceasta înseamnă că erorile din ecuaţia de regresie nu sunt heteroscedastice, cu un grad de
încredere mai mare de 95%. Rezultatele în detaliu sunt prezentate în tabelul următor:
Variabila dependentă: (RES2)2
Metoda de estimare: Metoda celor mai mici pătrate
Eşantionul (ajustat): 1997:02 2003:08
Observaţii incluse: 79 după ajustare
Coeficienţii Estimatorii Ab.std. t-Statistic Prob.
constanta 424.6895 211.1689 2.011137 0.0479
Testarea şi atenuarea heteroscedasticităţii erorilor - Testul White
119
Unitatea de
învăţare 7
)(
1
SNND -3.334400 4.918515 -0.677928 0.4999
2)(
1
SNND 0.036317 0.039584 0.917466 0.3618
R2 0.01606 Media var.endogene 452.34
R2 ajustat -0.00984 Ab.std.var.endogene 1726.4
Ab.std.regresie 1734.85 Akaike info criterion 17.793
Suma pătratelor erorilor 2.29E+08 Schwarz criterion 17.882
Log likelihood -699.802 F-statistic 0.6200
Durbin-Watson stat 1.940234 Prob(F-statistic) 0.5406
7.2. Testul White pentru modelul multifactorial
Pentru testarea prezenţei fenomenului de heteroscedasticitate a erorilor în cazul unui model
multifactorial de regresie lineară este utilizat exemplul numeric prezentat în capitolul 2, tabelul 2-2.
Să presupunem că printr-o cercetare selectivă s-au înregistrat următoarele date privind:
– dinamica veniturilor populaţiei (X1t),
– evoluţia ratei reale a dobânzii pasive (X2t) şi
– dinamica depozitelor bancare (Yt):
Nr.crt.
Veniturile
populaţiei
(X1t)
Rata reală a
dobânzii pasive
(X2t)
Depozitele
bancare
(Yt)
1 0.5 4.1 0.3
2 1.0 4.2 0.8
3 1.2 4.0 0.3
4 -0.3 4.1 -0.5
5 2.1 3.8 0.8
6 2.3 4.2 1.4
7 1.2 3.8 0.2
Testarea şi atenuarea heteroscedasticităţii erorilor - Testul White
120
Unitatea de
învăţare 7
Nr.crt.
Veniturile
populaţiei
(X1t)
Rata reală a
dobânzii pasive
(X2t)
Depozitele
bancare
(Yt)
8 1.0 3.9 0.7
9 0.8 3.9 0.0
10 0.0 3.8 -0.7
11 -0.6 3.8 -1.0
12 2.2 3.8 1.3
13 1.4 4.2 1.0
14 2.0 3.9 1.2
15 2.3 4.2 1.7
16 1.1 3.8 0.4
17 0.8 3.9 0.6
18 -0.5 4.1 -0.9
19 -1.4 3.9 -1.4
20 0.2 4.1 -0.2
21 1.8 4.2 1.5
22 2.2 3.8 0.9
23 2.1 4.1 1.0
24 1.5 4.2 0.7
25 1.8 3.8 1.2
Modelul linear bi-factorial se scrie:
Yt = a0 + a1X1t + a2X2t + et.
Vectorul estimatorilor  se calculează prin relaţia:
 = (X'X)-1
X'Y.
Au fost determinate următoarele valori
Testarea şi atenuarea heteroscedasticităţii erorilor - Testul White
121
Unitatea de
învăţare 7
860999.0
75722.0
78693.3
A
deci
Ŷt = -3.78693 + 0.75722∙X1t + 0.860999∙X2t, pentru t = 1, 2, …, 25 şi
ut = Yt – Ŷt.
Rezultatele estimării sunt preluate din în tabelul 2-2. În tabelul 4-11 sunt incluse, în plus faţă de
coloanele tabelului 2-2, blocurile necesare pentru aplicarea testului White privind
heteroscedasticitatea erorilor.
Tabelul 4-11: Calculele de bază pentru aplicarea
testului White, modelul multifactorial
t X1t X2t Yt Ŷt ut 2
tu 2
1tX 2
2tX X1X2
1 0.5 4.1 0.3 0.1218 0.1782 0.0318 0.25 16.81 2.05
2 1.0 4.2 0.8 0.5865 0.2135 0.0456 1.00 17.64 4.20
3 1.2 4.0 0.3 0.5657 -0.2657 0.0706 1.44 16.00 4.80
4 -0.3 4.1 -0.5 -0.4840 -0.0160 0.0003 0.09 16.81 -1.23
5 2.1 3.8 0.8 1.0750 -0.2750 0.0756 4.41 14.44 7.98
6 2.3 4.2 1.4 1.5709 -0.1709 0.0292 5.29 17.64 9.66
7 1.2 3.8 0.2 0.3935 -0.1935 0.0375 1.44 14.44 4.56
8 1.0 3.9 0.7 0.3282 0.3718 0.1382 1.00 15.21 3.90
9 0.8 3.9 0.0 0.1767 -0.1767 0.0312 0.64 15.21 3.12
10 0.0 3.8 -0.7 -0.5151 -0.1849 0.0342 0.00 14.44 0.00
11 -0.6 3.8 -1.0 -0.9695 -0.0305 0.0009 0.36 14.44 -2.28
12 2.2 3.8 1.3 1.1507 0.1493 0.0223 4.84 14.44 8.36
13 1.4 4.2 1.0 0.8894 0.1106 0.0122 1.96 17.64 5.88
14 2.0 3.9 1.2 1.0854 0.1146 0.0131 4.00 15.21 7.80
15 2.3 4.2 1.7 1.5709 0.1291 0.0167 5.29 17.64 9.66
16 1.1 3.8 0.4 0.3178 0.0822 0.0068 1.21 14.44 4.18
17 0.8 3.9 0.6 0.1767 0.4233 0.1791 0.64 15.21 3.12
Testarea şi atenuarea heteroscedasticităţii erorilor - Testul White
122
Unitatea de
învăţare 7
t X1t X2t Yt Ŷt ut 2
tu 2
1tX 2
2tX X1X2
18 -0.5 4.1 -0.9 -0.6354 -0.2646 0.0700 0.25 16.81 -2.05
19 -1.4 3.9 -1.4 -1.4891 0.0891 0.0079 1.96 15.21 -5.46
20 0.2 4.1 -0.2 -0.1054 -0.0946 0.0090 0.04 16.81 0.82
21 1.8 4.2 1.5 1.1923 0.3077 0.0947 3.24 17.64 7.56
22 2.2 3.8 0.9 1.1507 -0.2507 0.0629 4.84 14.44 8.36
23 2.1 4.1 1.0 1.3333 -0.3333 0.1111 4.41 16.81 8.61
24 1.5 4.2 0.7 0.9651 -0.2651 0.0703 2.25 17.64 6.30
25 1.8 3.8 1.2 0.8479 0.3521 0.1240 3.24 14.44 6.84
∑ 26.7 99.6 11.3 11.3000 0.0000 1.2952 54.09 397.46 106.74
Pentru modelul multifactorial de regresie lineară multifactorială se scrie:
tttttttt XXXXXXu 215
2
24
2
1322110
2
unde
ut = Yt – (â0 + â1X1t + â2X2t), 25,1t
Ipoteza nulă
H0: α1 = α2 = α2 = α2 = α5 = 0
(lipsa fenomenului de heteroscedasticitate a erorilor et) este respinsă dacă 05.0χnR 25
2 .
Rezolvarea prin metoda celor mai mici pătrate a modelului descris de ecuaţia de regresie
precedentă, pe baza datelor din tabelul 4-11 duce la obţinerea următoarelor rezultate:
tttt
ttt
XXXX
XXu
21
2
2
2
1
21
2
025.0029.101.0
156.8067.0095.16ˆ
Coeficientul de determinare R2, calculat pentru modelul precedent este: R
2 = 0.2196. În aceste
condiţii, blocul nR2 se calculează astfel:
nR2 = 25∙0.2196 = 5.49.
În tabelul χ2, pentru pragul α = 0.05 şi 5 grade de libertate se identifică
0705.1105.02
5 .
Deoarece
nR2 = 5.49 < 05.00705.11 2
5 ,
ipoteza nulă
Testarea şi atenuarea heteroscedasticităţii erorilor - Testul White
123
Unitatea de
învăţare 7
H0: α1 = α2 = α2 = α2 = α5 = 0
(lipsa fenomenului de heteroscedasticitate a erorilor et din modelul linear bi-factorial) nu se
respinge. Cu alte cuvinte, erorile et nu sunt heteroscedastice.
Rezultate identice pot fi obţinute direct, prin utilizarea programului EViews. În detaliu, aceste
rezultate sunt prezentate în tabelul următor:
White Heteroskedasticity Test:
F-statistic 1.069431 Probabilitatea 0.407971
nR2 5.490533 Probabilitatea 0.358985
Test Equation:
Variabila dependentă: u2
Metoda de rezolvare: Metoda celor mai mici pătrate
Eşantionul: 1 25
Observaţii incluse: 25
Variabile Estimatori Ab.std. t-statistic alfa
C -16.09519 11.24317 -1.431553 0.1685
X1 -0.067375 0.274951 -0.245043 0.8090
X12 -0.009548 0.008989 -1.062213 0.3015
X1X2 0.025277 0.070422 0.358935 0.7236
X2 8.155651 5.661626 1.440514 0.1660
X22 -1.029061 0.712198 -1.444910 0.1648
R2 0.219621 Media var. exogene 0.051807
R2 ajustat 0.014259 Ab.std.var.exog. 0.047464
Ab.std.regresie 0.047124 Akaike info criterion -3.066503
Suma pătrate
resid.
0.042193 Schwarz criterion -2.773973
Log likelihood 44.33129 F-statistic 1.069431
Testarea şi atenuarea heteroscedasticităţii erorilor - Testul White
124
Unitatea de
învăţare 7
Variabile Estimatori Ab.std. t-statistic alfa
Durbin-
Watson stat
1.702749 Prob(F-statistic) 0.407971
Testarea şi atenuarea heteroscedasticităţii erorilor - Testul White
125
Unitatea de
învăţare 7
Test de evaluare a cunoştinţelor
Timp estimat: 30 minute
1. Când este respinsă ipoteza lipsei fenomenului de hetersoscedasticitate?
2. Utilizaţi software-ul Microsoft Excel pentru a rezolva o problemă de regresie, model
multifactorial, utilizând testul White pentru depistarea heteroscedasticităţii.
Observaţie: Răspunsurile la acest test se pot consulta la finalul unităţii de învăţare.
Testarea şi atenuarea heteroscedasticităţii erorilor - Testul White
126
Unitatea de
învăţare 7
Ipoteza lipsei fenomenului de heteroscedasticitate a erorilor
et este respinsă dacă
05.02
5
2 nR .
Testarea şi atenuarea heteroscedasticităţii erorilor - Testul White
127
Unitatea de
învăţare 7
Lucrări obligatorii
1. Jula N., Jula D., 2010, Modelare economică. Modele econometrice şi de optimizare,
Editura Mustang, Bucureşti, pag. 177-183; 194-209
2. Jula D., 2003, Introducere în econometrie, Editura Professional Consulting, Bucureşti
3. Jula N., 2004, Modelarea deciziilor financiar-monetare, Editura Bren, Bucureşti
4. Jula N., 2006, Modelare economică – elemente de econometrie aplicată, Editura Mustang,
Bucureşti
5. Jula N., 2006, Modelare economică – econometrie aplicată, Editura Cartea Studenţească,
Bucureşti
6. Jula N., Jula D., 2009, Modelare economică. Econometrie financiară, Editura Mustang,
Bucureşti
7. Pecican E.S., 1996, Macroeconometrie. Politici economice guvernamentale şi econometrie,
Editura Economică, Bucureşti
Lucrări complementare
1. Andrei T., 2003, Statistică şi econometrie, Editura Economică, Bucureşti
2. Greene W.H., 2000, Econometric analysis, fourth edition, Prentice Hall, New Jersey
3. Maddala G.S., 2001, Introduction to econometrics, third edition, Wiley, New York
4. Taşnadi A., 2001, Econometrie, Editura ASE, Bucureşti
5. Tănăsoiu O., Iacob A.I., 1999, Econometrie aplicată, Editura Arteticart, Bucureşti.
6. Zaman C., 1998, Econometrie, Editura Pro Democraţia, Bucureşti
7. Dobrescu E., 2000, Macromodelul economiei româneşti de tranziţie, Editura Expert,
Bucureşti
Testarea şi atenuarea heteroscedasticităţii erorilor - Testul White
128
Unitatea de
învăţare 7
1. Ipoteza lipsei fenomenului de heteroscedasticitate a erorilor et este respinsă dacă
05.02
5
2 nR .
Autocorelarea erorilor
129
Unitatea de
învăţare 8
Unitatea de învăţare 8: AUTOCORELAREA ERORILOR
Cuprins:
Consecinţe ale autocorelării erorilor
Testarea autocorelării erorilor
o Testul Durbin – Watson
o Testul Lagrange
Atenuarea fenomenului de autocorelare a erorilor
o Procedura Cochrane – Orcutt
o Procedura Hildreth – Lu
Introducere
După parcurgerea unităţii veţi fi în măsură să răspundeţi la întrebările:
• Care sunt consecinţele autocorelării erorilor?
• Care sunt principalele teste pentru depistarea autocorelării?
• Cum se realizează atenuarea acesti fenomen?
Obiectivele/competentele unităţii de învăţare
Autocorelarea erorilor - consecinţe, testare, atenuare
Teste pentru depistarea autocorelării
Proceduri pentru anularea autocorelării
Durata medie de parcurgere acestei unităţi de învăţare este de 1 oră şi 40 minute.
Autocorelarea erorilor
130
Unitatea de
învăţare 8
AUTOCORELAREA ERORILOR
În prezenţa autocorelării erorilor este afectată calitatea estimatorilor calculaţi prin metoda celor
mai mici pătrate pentru parametrii modelului de regresie. În modelele economice de regresie
lineară se întâlnesc des situaţii în care erorile sunt autocorelate. În special, autocorelarea erorilor
apare în modelele construite pentru seriile de timp. Principalele cauze care determină fenomenul
respectiv sunt:
(1) omiterea din model a unor variabile explicative cu influenţă semnificativă asupra variabilei
endogene;
(2) ignorarea prezenţei unor relaţii nelineare între variabile şi
(3) imposibilitatea evitării unor erori de măsurare.
8.1. Consecinţe ale autocorelării erorilor
Dacă fenomenul de autocorelare a erorilor din modelul de regresie lineară este ignorat, iar
pentru estimarea parametrilor se foloseşte metoda celor mai mici pătrate, atunci, sintetic,
consecinţele ignorării fenomenului de autocorelare a erorilor sunt următoarele:
Consecinţe ale ignorării fenomenului de autocorelare a erorilor
a. Estimatorii parametrilor din model sunt nedeplasaţi şi consistenţi.
b. Estimatorii parametrilor din model nu sunt eficienţi şi nu au proprietatea de maximă
verosimilitate.
c. Estimatorii calculaţi pentru dispersia şi covarianţa parametrilor sunt deplasaţi, nu sunt
consistenţi şi nu sunt eficienţi.
d. Testul t statistic (Student) aplicat pentru analiza semnificaţiei estimatorilor nu este valid.
e. Valorile t-Student calculate pentru estimarea semnificaţiei parametrilor sunt supradimensionate.
f. Abaterea standard a erorilor este subdimensionată faţă de valoarea .
8.2. Testarea autocorelării erorilor
Deoarece autocorelarea erorilor afectează calitatea estimatorilor, testarea – şi, dacă este cazul,
atenuarea – fenomenului respectiv reprezintă un pas important în validarea modelului.
Autocorelarea erorilor
131
Unitatea de
învăţare 8
8.2.1. Testul Durbin – Watson
Testul Durbin – Watson este cea mai cunoscută procedură utilizată pentru identificarea
autocorelării de ordinul întâi a erorilor din modelele de regresie lineară. Statistica Durbin – Watson
se calculează astfel:
n
t
t
n
t
tt
u
uu
dw
1
2
2
2
1
unde ut sunt valorile variabilei reziduale din ecuaţia de regresie lineară, ecuaţie estimată pornind de
la datele din eşantionul selectat.
8.2.2. Testul Lagrange
Testul construit pe baza multiplicatorilor Lagrange pentru identificarea fenomenului de
autocorelare a erorilor (testul LM) a fost propus de Breusch21
şi Godfrey22
. Acest test nu este
restricţionat la autocorelarea de ordinul I a erorilor şi rămâne valid în prezenţa regresorilor
construiţi pornind de la starea variabilei dependente în perioadele trecute. În consecinţă, are o
aplicabilitate mai mare decât testul Durbin – Watson.
8.3. Atenuarea fenomenului de autocorelare a erorilor
Nu există nici o procedură care să garanteze eliminarea autocorelării erorilor, deoarece sursa
fenomenului respectiv este dificil de identificat cu exactitate. De aceea, procedurile aplicate atunci
când prezenţa autocorelării este semnalată prin testele specifice, urmăresc o cât mai bună atenuare a
fenomenului respectiv.
8.3.1. Procedura Cochrane – Orcutt
Metoda construită de Cochrane şi Orcutt pentru atenuarea fenomenului de autocorelare a
erorilor presupune aplicarea unei proceduri iterative de estimare a coeficientului de corelaţiei de
ordinul I. Procedura Cochrane – Orcutt se aplică pentru modelul
Yt = a0 + a1X1t + … + akXkt + et, iar
et = ρet-1 + εt (modelul AR(1), t=1..n)
Procedura Cochrane – Orcutt converge destul de repede şi, în majoritatea cazurilor, nu necesită
un număr mare de iteraţii. Din nefericire însă, metoda Cochrane – Orcutt de atenuare a autocorelării
erorilor nu garantează obţinerea unei valori ρ care să ducă la minimizarea pătratelor reziduurilor,
deoarece tehnica iterativă descrisă poate să ducă la un minim local şi nu la un minim global.
21
Breusch T., 1978, Testing foe autocorelation in dinamic linear models, în Australian Economic Papers, 17, pag. 334-355 22
Godfrey L.G., 1988, Specification Tests in Econometrics, Cambridge University Press
Autocorelarea erorilor
132
Unitatea de
învăţare 8
8.3.2. Procedura Hildreth – Lu
De regulă, numărul iteraţiilor din procedura Hildreth – Lu este mare, adică aplicarea procedurii
Hildreth – Lu necesită rezolvarea unui număr mare de modele de regresie. Din acest punct de
vedere, procedura Hildreth – Lu este mai laborioasă decât Cochrane – Orcutt.
Autocorelarea erorilor
133
Unitatea de
învăţare 8
Test de evaluare a cunoştinţelor
Timp estimat: 20 minute
1. Ce reprezintă autocorelarea erorilor?
2. Care sunt consecinţle ignorării autocorelării?
3. Cum se calculează statistica Durbin-Watson?
Observaţie: Răspunsurile la acest test se pot consulta la finalul unităţii de învătare.
Autocorelarea erorilor
134
Unitatea de
învăţare 8
Autocorelarea erorilor presupune existenţa unei covarianţe
nenule între erorile din ecuaţia de regresie.
Testul Durbin – Watson este cea mai cunoscută procedură utilizată
pentru identificarea autocorelării de ordinul întâi a erorilor din
modelele de regresie lineară. Statistica Durbin – Watson se
calculează astfel:
n
t
t
n
t
tt
u
uu
dw
1
2
2
2
1
unde ut sunt valorile variabilei reziduale din ecuaţia de regresie
lineară, ecuaţie estimată pornind de la datele din eşantionul
selectat.
Nu există nici o procedură care să garanteze eliminarea
autocorelării erorilor, deoarece sursa fenomenului respectiv este
dificil de identificat cu exactitate. De aceea, procedurile aplicate
atunci când prezenţa autocorelării este semnalată prin testele
specifice, urmăresc o cât mai bună atenuare a fenomenului
respectiv.
Autocorelarea erorilor
135
Unitatea de
învăţare 8
Lucrări obligatorii
1. Jula N., Jula D., 2010, Modelare economică. Modele econometrice şi de optimizare,
Editura Mustang, Bucureşti, pag. 212-236
2. Jula D., 2003, Introducere în econometrie, Editura Professional Consulting, Bucureşti
3. Jula N., 2004, Modelarea deciziilor financiar-monetare, Editura Bren, Bucureşti
4. Jula N., 2006, Modelare economică – elemente de econometrie aplicată, Editura Mustang,
Bucureşti
5. Jula N., 2006, Modelare economică – econometrie aplicată, Editura Cartea Studenţească,
Bucureşti
6. Jula N., Jula D., 2009, Modelare economică. Econometrie financiară, Editura Mustang,
Bucureşti
7. Pecican E.S., 1996, Macroeconometrie. Politici economice guvernamentale şi econometrie,
Editura Economică, Bucureşti
Lucrări complementare
1. Andrei T., 2003, Statistică şi econometrie, Editura Economică, Bucureşti
2. Greene W.H., 2000, Econometric analysis, fourth edition, Prentice Hall, New Jersey
3. Maddala G.S., 2001, Introduction to econometrics, third edition, Wiley, New York
4. Taşnadi A., 2001, Econometrie, Editura ASE, Bucureşti
5. Tănăsoiu O., Iacob A.I., 1999, Econometrie aplicată, Editura Arteticart, Bucureşti.
6. Zaman C., 1998, Econometrie, Editura Pro Democraţia, Bucureşti
7. Dobrescu E., 2000, Macromodelul economiei româneşti de tranziţie, Editura Expert,
Bucureşti
Autocorelarea erorilor
136
Unitatea de
învăţare 8
1. Autocorelarea erorilor presupune existenţa unei covarianţe nenule între erorile din ecuaţia
de regresie.
2. Consecinţe ale ignorării fenomenului de autocorelare a erorilor
a. Estimatorii parametrilor din model sunt nedeplasaţi şi consistenţi.
b. Estimatorii parametrilor din model nu sunt eficienţi şi nu au proprietatea de maximă
verosimilitate.
c. Estimatorii calculaţi pentru dispersia şi covarianţa parametrilor sunt deplasaţi, nu
sunt consistenţi şi nu sunt eficienţi.
d. Testul t statistic (Student) aplicat pentru analiza semnificaţiei estimatorilor nu este
valid.
e. Valorile t-Student calculate pentru estimarea semnificaţiei parametrilor sunt
supradimensionate, ceea ce sugerează o semnificaţie a parametrilor mai mare decât
este în realitate.
f. Abaterea standard a erorilor este subdimensionată faţă de valoarea reală şi, în
consecinţă, coeficientul de determinare R2 este supradimensionat, ceea ce indică o
ajustare mai bună decât este în realitate.
3. Statistica Durbin – Watson se calculează astfel:
n
t
t
n
t
tt
u
uu
dw
1
2
2
2
1
unde ut sunt valorile variabilei reziduale din ecuaţia de regresie lineară, ecuaţie estimată
pornind de la datele din eşantionul selectat.
Testarea fenomenului de autocorelare a erorilor
137
Unitatea de
învăţare 9
Unitatea de învăţare 9: APLICAŢII – TESTAREA FENOMENULUI
DE AUTOCORELARE A ERORILOR
Cuprins:
Aplicarea testului Durbin – Watson
o Modelul linear unifactorial
o Modelul linear multifactorial
Aplicarea testului Lagrange
o Modelul linear unifactorial
o Modelul linear multifactorial
Introducere
După parcurgerea unităţii veţi fi în măsură să răspundeţi la întrebările:
• Cum se utilizeaza testul Durbin-Watson pentru depistarea autocorelării?
• Cum se atenuează fenomenul de autocorelare?
Obiectivele/competenţele unităţii de învăţare
Utilizarea testului Durbin-Watson pentru testarea autocorelării erorilor
Durata medie de parcurgere acestei unităţi de învăţare este de 1 oră şi
40 minute.
Testarea fenomenului de autocorelare a erorilor
138
Unitatea de
învăţare 9
APLICAŢII – TESTAREA FENOMENULUI DE AUTOCORELARE
A ERORILOR
9.1. Aplicarea testului Durbin – Watson
Modelul linear unifactorial
Pentru exemplificarea procedurii de identificare a fenomenului de autocorelare a erorilor prin
testul Durbin – Watson analizăm legătura dintre veniturile populaţiei şi volumul economiilor.
Datele înregistrate pentru 20 momente diferite de timp sunt prezentate în tabelul 2-1 şi sunt reluate
în tabelul 5-1.
Tabelul 5-1: Autocorelarea erorilor:
evoluţia veniturilor populaţiei (X) şi a volumului economiilor (Y)
t Xt Yt t Xt Yt
1 100 20 11 180 45
2 110 25 12 185 50
3 120 28 13 190 47
4 125 30 14 200 48
5 130 33 15 205 52
6 140 35 16 210 58
7 150 36 17 215 54
8 155 42 18 220 55
9 170 44 19 220 58
10 170 42 20 225 60
Modelul unifactorial de regresie lineară este descris prin ecuaţia următoare:
Yt = a0 + a1Xt + et, t = 1, 2, …, 20
unde Xt reprezintă veniturile populaţiei, iar Yt – volumul economiilor.
Estimatorii ecuaţiei, calculaţi prin metoda celor mai mici pătrate, sunt prezentaţi în ecuaţia
următoare:
Testarea fenomenului de autocorelare a erorilor
139
Unitatea de
învăţare 9
Ŷt = -6.40793 + 0.28952∙Xt.
Calculele pentru testarea autocorelării erorilor (testul Durbin-Watson) sunt prezentate în tabelul
5-2.
Tabelul 5-2: Calculele de bază pentru
aplicarea testului Durbin – Watson, modelul unifactorial
t Xt Yt Ŷt ut 2tu (ut – ut-1)
2
1 100 20 22.5441 -2.5441 6.4723 –
2 110 25 25.4393 -0.4393 0.1930 4.4302
3 120 28 28.3345 -0.3345 0.1119 0.0110
4 125 30 29.7821 0.2179 0.0475 0.3051
5 130 33 31.2297 1.7703 3.1340 2.4099
6 140 35 34.1249 0.8751 0.7658 0.8014
7 150 36 37.0201 -1.0201 1.0406 3.5918
8 155 42 38.4677 3.5323 12.4773 20.7243
9 170 44 42.8105 1.1895 1.4150 5.4887
10 170 42 42.8105 -0.8105 0.6569 4.0000
11 180 45 45.7057 -0.7057 0.4980 0.0110
12 185 50 47.1533 2.8467 8.1038 12.6195
13 190 47 48.6009 -1.6009 2.5628 19.7811
14 200 48 51.4961 -3.4961 12.2226 3.5918
15 205 52 52.9437 -0.9437 0.8905 6.5147
16 210 58 54.3913 3.6087 13.0228 20.7243
17 215 54 55.8389 -1.8389 3.3815 29.6764
18 220 55 57.2865 -2.2865 5.2280 0.2003
19 220 58 57.2865 0.7135 0.5091 9.0000
20 225 60 58.7341 1.2659 1.6025 0.3051
∑ 342
0
86
2 862.0000 0.0000 74.3359 144.1869
Testarea fenomenului de autocorelare a erorilor
140
Unitatea de
învăţare 9
Potrivit testului Durbin – Watson,
94.1
3359.74
1869.144
1
2
2
2
1
n
t
t
n
t
tt
u
uu
dw .
Deoarece dw < 2, înseamnă că nu există riscul unei autocorelări negative, astfel încât, în
asemenea situaţii se justifică testul unilateral Durbin – Watson pentru autocorelarea pozitivă a
erorilor: se acceptă ipoteza lipsei de autocorelare a erorilor dacă dw > dU. Pentru testul unilateral
valorile din tabelul Durbin-Watson, în cazul k = 1 şi n = 20 sunt: dL = 1.20 şi dU = 1.41. Deoarece
dw = 1.94 > 1.41 = dU se acceptă ipoteza nulă, H0: lipsa autocorelării de ordinul I al erorilor.
Modelul linear multifactorial
Pentru testarea prezenţei fenomenului de autocorelare de gradul I a erorilor în cazul unui model
multifactorial de regresie lineară este analizat următorul exemplu numeric.
Să presupunem că printr-o cercetare selectivă s-au obţinut datele prezentate în tabelul 5-3
privind dinamica veniturilor populaţiei (X1t), evoluţia ratei reale a dobânzii pasive (X2t) şi
dinamica depozitelor bancare (Yt) în 25 intervale succesive de timp (datele reprezintă modificările
procentuale ale variabilelor analizate şi sunt preluate din tabelul 2-2). Admitem ipoteza că dinamica
depozitelor bancare depinde linear de dinamica veniturilor şi de evoluţia ratei reale a dobânzii
pasive, astfel încât modelul econometric, construit pe baza acestor ipoteze este:
Yt = a0 + a1X1t + a2X2t + et,
Modelul a fost calculat prin metoda celor mai mici pătrate şi au fost determinate următoarele
valori ale estimatorilor Â:
 = (X'X)-1X'Y =
860999.0
75722.0
78693.3
În aceste condiţii:
Ŷt = -3.78693 + 0.75722∙X1t + 0.860999∙X2t. pentru t = 1, 2, …, 25
şi
ut = Yt – Ŷt.
Tabelul 5-3: Calculele de bază pentru
aplicarea testului Durbin – Watson,
modelul multifactorial
t X1t X2t Yt Ŷt ut ut2 (ut-ut-1)
2
1 0.5 4.1 0.3 0.1218 0.1782 0.0318 –
Testarea fenomenului de autocorelare a erorilor
141
Unitatea de
învăţare 9
t X1t X2t Yt Ŷt ut ut2 (ut-ut-1)
2
2 1.0 4.2 0.8 0.5865 0.2135 0.0456 0.0012
3 1.2 4.0 0.3 0.5657 -0.2657 0.0706 0.2297
4 -0.3 4.1 -0.5 -0.4840 -0.0160 0.0003 0.0624
5 2.1 3.8 0.8 1.0750 -0.2750 0.0756 0.0671
6 2.3 4.2 1.4 1.5709 -0.1709 0.0292 0.0108
7 1.2 3.8 0.2 0.3935 -0.1935 0.0375 0.0005
8 1.0 3.9 0.7 0.3282 0.3718 0.1382 0.3196
9 0.8 3.9 0.0 0.1767 -0.1767 0.0312 0.3009
10 0.0 3.8 -0.7 -0.5151 -0.1849 0.0342 0.0001
11 -0.6 3.8 -1.0 -0.9695 -0.0305 0.0009 0.0238
12 2.2 3.8 1.3 1.1507 0.1493 0.0223 0.0323
13 1.4 4.2 1.0 0.8894 0.1106 0.0122 0.0015
14 2.0 3.9 1.2 1.0854 0.1146 0.0131 0.0000
15 2.3 4.2 1.7 1.5709 0.1291 0.0167 0.0002
16 1.1 3.8 0.4 0.3178 0.0822 0.0068 0.0022
17 0.8 3.9 0.6 0.1767 0.4233 0.1791 0.1163
18 -0.5 4.1 -0.9 -0.6354 -0.2646 0.0700 0.4731
19 -1.4 3.9 -1.4 -1.4891 0.0891 0.0079 0.1251
20 0.2 4.1 -0.2 -0.1054 -0.0946 0.0090 0.0338
21 1.8 4.2 1.5 1.1923 0.3077 0.0947 0.1619
22 2.2 3.8 0.9 1.1507 -0.2507 0.0629 0.3119
23 2.1 4.1 1.0 1.3333 -0.3333 0.1111 0.0068
24 1.5 4.2 0.7 0.9651 -0.2651 0.0703 0.0047
25 1.8 3.8 1.2 0.8479 0.3521 0.1240 0.3810
∑ 26.7 99.6 11.3 11.3 0.0000 1.2952 2.6669
Testarea fenomenului de autocorelare a erorilor
142
Unitatea de
învăţare 9
Potrivit testului Durbin – Watson, se calculează dw = 2.059 La fel ca în cazul modelului
unifactorial de regresie lineară, pentru a testa ipoteza H0: ρ = 0 (lipsa autocorelării erorilor), contra
ipotezei alternative H1: ρ ≠ 0 (prezenţa fenomenului de autocorelare a erorilor) se aplică testul
Durbin – Watson unilateral. Din tabelele testului bilateral Durbin – Watson, pentru un nivel de
semnificaţie ales la 5%, volumul eşantionului n = 25 şi numărul de variabile explicative din model
k = 2, se identifică valorile critice dL = 1.21 şi dU = 1.55. Deoarece dw = 2.059 se găseşte între
dU = 1.55 şi 4 – dU = 2.45, se acceptă ipoteza nulă, H0: lipsa autocorelării de ordinul I al erorilor.
9.2. Aplicarea testului Lagrange
Modelul linear unifactorial
Pentru exemplificarea procedurii de identificare a fenomenului de autocorelare a erorilor prin
testul Lagrange analizăm legătura dintre veniturile populaţiei şi volumul economiilor. Datele
înregistrate pentru 20 momente diferite de timp sunt prezentate în tabelul 2-1 şi sunt reluate în
tabelul 5-2. Pentru modelul linear unifactorial:
Yt = a0 + a1Xt + et, t = 1, 2, …, 20
calculat prin metoda celor mai mici pătrate, estimatorii parametrilor sunt prezentaţi în ecuaţia
următoare:
Ŷt = -6.40793 + 0.28952∙Xt.
Aplicarea procedurii Lagrange presupune regresia reziduurilor ut în funcţie de o constantă şi de
variabilele Xt, ut-1, ut-2, …, ut-p. Rezolvarea ecuaţiei de regresie de tipul
ut = b0 + b1X1t + … + bkXkt + ρ1ut-1 + ρ2ut-2 + … + ρput-p + vt
s-a realizat pentru p = 5,
ut = b0 + b1X1t + ρ1ut-1 + ρ2ut-2 + … + ρ5ut-5 + vt
conform procedurii cunoscute, pe baza datelor din tabelul 5-4.
Tabelul 5-4: Testul Lagrange pentru autocorelarea erorilor,
modelul unifactorial de regresie lineară
t ut Xt ut-1 ut-2 ut-3 ut-4 ut-5
1 -2.5441 100 – – – – –
2 -0.4393 110 -2.5441 – – – –
3 -0.3345 120 -0.4393 -2.5441 – – –
Testarea fenomenului de autocorelare a erorilor
143
Unitatea de
învăţare 9
t ut Xt ut-1 ut-2 ut-3 ut-4 ut-5
4 0.2179 125 -0.3345 -0.4393 -2.5441 – –
5 1.7703 130 0.2179 -0.3345 -0.4393 -2.5441 –
6 0.8751 140 1.7703 0.2179 -0.3345 -0.4393 -2.5441
7 -1.0201 150 0.8751 1.7703 0.2179 -0.3345 -0.4393
8 3.5323 155 -1.0201 0.8751 1.7703 0.2179 -0.3345
9 1.1895 170 3.5323 -1.0201 0.8751 1.7703 0.2179
10 -0.8105 170 1.1895 3.5323 -1.0201 0.8751 1.7703
11 -0.7057 180 -0.8105 1.1895 3.5323 -1.0201 0.8751
12 2.8467 185 -0.7057 -0.8105 1.1895 3.5323 -1.0201
13 -1.6009 190 2.8467 -0.7057 -0.8105 1.1895 3.5323
14 -3.4961 200 -1.6009 2.8467 -0.7057 -0.8105 1.1895
15 -0.9437 205 -3.4961 -1.6009 2.8467 -0.7057 -0.8105
16 3.6087 210 -0.9437 -3.4961 -1.6009 2.8467 -0.7057
17 -1.8389 215 3.6087 -0.9437 -3.4961 -1.6009 2.8467
18 -2.2865 220 -1.8389 3.6087 -0.9437 -3.4961 -1.6009
19 0.7135 220 -2.2865 -1.8389 3.6087 -0.9437 -3.4961
20 1.2659 225 0.7135 -2.2865 -1.8389 3.6087 -0.9437
Pentru estimarea prezentată, coeficientul de determinare multiplă este R2 = 0.491127. Pornind
de la aceste rezultate, se calculează
2Rpn = (20-5)∙0.491127 = 9.82254.
Valoarea din tabelele distribuţiei teoretice 05.02
5 este 11.0705. În aceste condiţii,
05.02
5
2 Rpn ,
deci se admite ipoteza nulă
H0: ρ1 = ρ2 = ρ3 = ρ4 = ρ5 = 0,
potrivit căreia, erorile nu sunt autocorelate, cel puţin până la ordinul 5. Rezultate similare pot fi
obţinute direct, prin apelarea la programul EViews:
Testarea fenomenului de autocorelare a erorilor
144
Unitatea de
învăţare 9
Breusch-Godfrey Serial Correlation LM Test:
F-statistic 2.509335 Probabilitatea 0.084255
nR2 9.822549 Probabilitatea 0.080422
Test Equation – Variabila dependentă: u
Metoda de rezolvare: Metoda celor mai mici pătrate
Variabile Estimatori Ab.std. t-Statistic alfa
C 0.503237 1.719056 0.292740 0.7743
X -0.003521 0.009822 -0.358489 0.7257
ut-1 0.126344 0.252467 0.500438 0.6251
ut-2 -0.235887 0.233917 -1.008424 0.3317
ut-3 0.093004 0.243309 0.382246 0.7085
ut-4 0.435680 0.249664 1.745068 0.1045
ut-5 -0.483220 0.292692 -1.650952 0.1227
R2 0.491127 Media var.depend. -1.87E-15
R2 ajustat 0.256263 Ab.std.var.dep. 1.977983
Ab.std. regresie 1.705816 Akaike info criterion 4.175182
Suma pătrate erori 37.82752 Schwarz criterion 4.523688
Log likelihood -34.75182 F-statistic 2.091112
Durbin-Watson stat 1.829053 Prob(F-statistic) 0.124756
Modelul linear multifactorial
Pentru modelul de regresie lineară multiplă, procedura de testare a fenomenului de autocorelare
a erorilor prin metoda multiplicatorilor Lagrange este similară.
Pentru modelul
Yt = a0 + a1X1t + a2X2t + et,
calculat prin metoda celor mai mici pătrate au fost determinate următoarele valori ale estimatorilor
Â:
Testarea fenomenului de autocorelare a erorilor
145
Unitatea de
învăţare 9
Ŷt = -3.78693 + 0.75722∙X1t + 0.860999∙X2t,
pentru t = 1, 2, …, 25.
Testăm, la fel ca în cazul modelului unifactorial, ipoteza că erorile urmează un proces
autoregresiv de ordinul 5. Pentru aceasta, se construieşte ecuaţia
ut = b0 + b1X1t b2X2t + ρ1ut-1 + ρ2ut-2 + … + ρ5ut-5 + vt, pentru t = 6, 7, 25.
Rezolvarea modelului multifactorial de regresie lineară se realizează prin metoda celor mai mici
pătrate, potrivit procedurii obişnuite.
Tabelul 5-5: Testul Lagrange pentru autocorelarea erorilor,
modelul multifactorial de regresie lineară
t ut X1t X2t ut-1 ut-2 ut-3 ut-4 ut-5
1 0.1782 0.5 4.1 – – – – –
2 0.2135 1.0 4.2 0.1782 – – – –
3 -0.2657 1.2 4.0 0.2135 0.1782 – – –
4 -0.0160 -0.3 4.1 -0.2657 0.2135 0.1782 – –
5 -0.2750 2.1 3.8 -0.0160 -0.2657 0.2135 0.1782 –
6 -0.1709 2.3 4.2 -0.2750 -0.0160 -0.2657 0.2135 0.1782
7 -0.1935 1.2 3.8 -0.1709 -0.2750 -0.0160 -0.2657 0.2135
8 0.3718 1.0 3.9 -0.1935 -0.1709 -0.2750 -0.0160 -0.2657
9 -0.1767 0.8 3.9 0.3718 -0.1935 -0.1709 -0.2750 -0.0160
10 -0.1849 0.0 3.8 -0.1767 0.3718 -0.1935 -0.1709 -0.2750
11 -0.0305 -0.6 3.8 -0.1849 -0.1767 0.3718 -0.1935 -0.1709
12 0.1493 2.2 3.8 -0.0305 -0.1849 -0.1767 0.3718 -0.1935
13 0.1106 1.4 4.2 0.1493 -0.0305 -0.1849 -0.1767 0.3718
14 0.1146 2.0 3.9 0.1106 0.1493 -0.0305 -0.1849 -0.1767
15 0.1291 2.3 4.2 0.1146 0.1106 0.1493 -0.0305 -0.1849
16 0.0822 1.1 3.8 0.1291 0.1146 0.1106 0.1493 -0.0305
17 0.4233 0.8 3.9 0.0822 0.1291 0.1146 0.1106 0.1493
18 -0.2646 -0.5 4.1 0.4233 0.0822 0.1291 0.1146 0.1106
Testarea fenomenului de autocorelare a erorilor
146
Unitatea de
învăţare 9
t ut X1t X2t ut-1 ut-2 ut-3 ut-4 ut-5
19 0.0891 -1.4 3.9 -0.2646 0.4233 0.0822 0.1291 0.1146
20 -0.0946 0.2 4.1 0.0891 -0.2646 0.4233 0.0822 0.1291
21 0.3077 1.8 4.2 -0.0946 0.0891 -0.2646 0.4233 0.0822
22 -0.2507 2.2 3.8 0.3077 -0.0946 0.0891 -0.2646 0.4233
23 -0.3333 2.1 4.1 -0.2507 0.3077 -0.0946 0.0891 -0.2646
24 -0.2651 1.5 4.2 -0.3333 -0.2507 0.3077 -0.0946 0.0891
25 0.3521 1.8 3.8 -0.2651 -0.3333 -0.2507 0.3077 -0.0946
Rezultatele obţinute sunt următoarele
ût = 0.12 – 0.05X1t + 0.043X2t + 0.06ut-1 – 0.165ut-2 – 0.37ut-3 + 0.39ut-4 – 0.14ut-5
Pentru această estimare, valoarea coeficientului de determinare multiplă este R2 = 0.229706.
Pornind de la aceste rezultate, se calculează
(n – p)R2 = (25-5)∙0.229706 = 4.59
Valoarea din tabelele distribuţiei teoretice 05.02
5 este 11.0705. În aceste condiţii,
(n – p)R2 < 05.02
5 ,
deci se admite ipoteza nulă
H0: ρ1 = ρ2 = ρ3 = ρ4 = ρ5 = 0.
Rezultatele complete, obţinute prin utilizarea programului EViews sunt următoarele:
Breusch-Godfrey Serial Correlation LM Test:
F-statistic 1.013901 Probabilitatea 0.439844
nR2 5.742659 Probabilitatea 0.332070
Test Equation – Variabila dependentă: u
Metoda de rezolvare: Metoda celor mai mici pătrate
Variabile Estimatori Ab.std. t-Statistic alfa
C -0.120982 1.281733 -0.094390 0.9259
X1 -0.051365 0.057379 -0.895174 0.3832
X2 0.043434 0.324293 0.133936 0.8950
Testarea fenomenului de autocorelare a erorilor
147
Unitatea de
învăţare 9
Variabile Estimatori Ab.std. t-Statistic alfa
ut-1 0.059695 0.242073 0.246600 0.8082
ut-2 -0.164876 0.264976 -0.622229 0.5420
ut-3 -0.370266 0.277283 -1.335335 0.1994
ut-4 0.391204 0.271416 1.441344 0.1677
ut-5 -0.140877 0.295483 -0.476769 0.6396
R2 0.229706 Media var.depend. -4.49E-16
R2 ajustat -0.087473 Ab.std.var.dep. 0.232305
Ab.std. regresie 0.242252 Akaike info criterion 0.256664
Suma pătrate erori 0.997666 Schwarz criterion 0.646704
Log likelihood 4.791700 F-statistic 0.724215
Durbin-Watson stat 1.965000 Prob(F-statistic) 0.653888
Obs. Valoarea calculată în EViews este nR2 = 5.742659, în locul valorii teoretice (n –
p)R2 = 4.59.
Testarea fenomenului de autocorelare a erorilor
148
Unitatea de
învăţare 9
Test de evaluare a cunoştinţelor
Timp estimat: 20 minute
1. Atenuaţi fenomenul de autocorelare a erorilor folosind procedura Durbin-Watson, bazându-
vă pe un model linear unifactorial construit pornind de la teoria economică dintr-un
domeniu la alegere.
Observaţie: Răspunsurile la acest test se pot consulta la finalul unităţii de învătare.
Testarea fenomenului de autocorelare a erorilor
149
Unitatea de
învăţare 9
La fel ca în cazul modelului unifactorial, şi la
modelul multifactorial de regresie lineară, pentru a
testa ipoteza H0: ρ = 0 (lipsa autocorelării erorilor),
contra ipotezei alternative H1: ρ ≠ 0 (prezenţa
fenomenului de autocorelare a erorilor) se aplică
testul Durbin – Watson unilateral
Statistica Durbin-Watson se calculează:
n
t
t
n
t
tt
u
uu
dw
1
2
2
2
1
Testarea fenomenului de autocorelare a erorilor
150
Unitatea de
învăţare 9
Lucrări obligatorii
1. Jula N., Jula D., 2010, Modelare economică. Modele econometrice şi de optimizare,
Editura Mustang, Bucureşti, pag. 212-236
2. Jula D., 2003, Introducere în econometrie, Editura Professional Consulting, Bucureşti
3. Jula N., 2004, Modelarea deciziilor financiar-monetare, Editura Bren, Bucureşti
4. Jula N., 2006, Modelare economică – elemente de econometrie aplicată, Editura Mustang,
Bucureşti
5. Jula N., 2006, Modelare economică – econometrie aplicată, Editura Cartea Studenţească,
Bucureşti
6. Jula N., Jula D., 2009, Modelare economică. Econometrie financiară, Editura Mustang,
Bucureşti
7. Pecican E.S., 1996, Macroeconometrie. Politici economice guvernamentale şi econometrie,
Editura Economică, Bucureşti
Lucrări complementare
1. Andrei T., 2003, Statistică şi econometrie, Editura Economică, Bucureşti
2. Greene W.H., 2000, Econometric analysis, fourth edition, Prentice Hall, New Jersey
3. Maddala G.S., 2001, Introduction to econometrics, third edition, Wiley, New York
4. Taşnadi A., 2001, Econometrie, Editura ASE, Bucureşti
5. Tănăsoiu O., Iacob A.I., 1999, Econometrie aplicată, Editura Arteticart, Bucureşti.
6. Zaman C., 1998, Econometrie, Editura Pro Democraţia, Bucureşti
7. Dobrescu E., 2000, Macromodelul economiei româneşti de tranziţie, Editura Expert,
Bucureşti
Testarea fenomenului de autocorelare a erorilor
151
Unitatea de
învăţare 9
1. Vezi interpretarea statisticii DW, prezentată în acest modul şi în bibliografie.
Utilizarea modelelor econometrice în prognoză
152
Unitatea de
învăţare 10
Unitatea de învăţare 10: UTILIZAREA MODELELOR
ECONOMETRICE ÎN PROGNOZĂ
Cuprins:
Prognoza în cazul modelului unifactorial de regresie lineară
Prognoza în cazul modelului multifactorial de regresie lineară
Exemple de calcul
o Modelul linear unifactorial
o Modelul linear multifactorial
Introducere
După parcurgerea unităţii veţi fi în măsură să răspundeţi la întrebările:
• Cum se realizează prognoza în cazul modelului unifactorial de regresie lineară?
• Cum se realizează prognoza în cazul modelului multifactorial de regresie
lineară?
Obiectivele/competenţele unităţii de învăţare
Cum se realizează prognoza în cazul modelului unifactorial de regresie lineară,
respectiv multifactorial
Durata medie de parcurgere acestei unităţi de învăţare este de 2 ore.
Utilizarea modelelor econometrice în prognoză
153
Unitatea de
învăţare 10
UTILIZAREA MODELELOR ECONOMETRICE ÎN PROGNOZĂ
În sens econometric, prognoza reprezintă o anticipare cantitativă a unor evenimente sau condiţii
viitoare, pornind de la un set de informaţii disponibile.
10.1. Prognoza în cazul modelului unifactorial de regresie lineară
Se presupunem că legătura dintre două variabile Y şi X poate fi modelată printr-o ecuaţie de
regresie lineară de tipul Yt = a0 + a1Xt + et, t = 1, 2, ..., n, relaţie în care erorile sunt normal
distribuite, de medie nulă, nu sunt heteroscedastice, nu sunt autocorelate şi sunt independente în
raport cu variabila explicativă Xt.
Se demonstrează că un indicator nedeplasat pentru dispersia erorilor de prognoză este:
2
2
122 11
XX
XX
nss
t
n
uf
Construirea unui indicator nedeplasat pentru dispersia erorilor de prognoză permite calculul
unui interval de prognoză pentru Yn+1, pornind de la relaţia:
fnnnfnn stYYstY ;211;21ˆˆ
unde tn-2;α este valoarea din distribuţia teoretică t-Student, testul bilateral, pentru n-2 grade de
libertate (n fiind dimensiunea eşantionului), valoare corespunzătoare unui grad de încredere de
(1-α).
10.2. Prognoza în cazul modelului multifactorial de regresie lineară
Să presupunem că modelul de regresie lineară conţine k regresori (variabile explicative) şi este
estimat pornind de la o selecţie de volum n:
Y = XA + e
unde Y este un vector de dimensiuni n×1, care are drept componente valorile variabilei endogene,
X este o matrice de dimensiuni n×(k+1), în care elementele din prima coloană sunt egale cu unu, iar
fiecare dintre celelalte k coloane conţine valorile înregistrate pentru una dintre variabilele
explicative, A este vectorul de dimensiuni (k+1)×1 al parametrilor modelului, iar e este vectorul
erorilor, de dimensiuni n×1. Se demonstrează că, dacă sunt respectate ipotezele obişnuite privind
erorile şi variabilele explicative, atunci vectorul estimatorilor calculaţi pentru parametrii modelului
prin metoda celor mai mici pătrate este dat de relaţia:
 = (X’X)-1
X’Y
Se poate demonstra că un estimator nedeplasat al dispersiei erorilor de prognoză, estimator
calculat pe baza datelor din eşantion este dat de expresia:
1
1
1
22 ''1
nnuf XXXXss
Utilizarea modelelor econometrice în prognoză
154
Unitatea de
învăţare 10
unde
1
1
2
2
kn
u
s
n
t
t
u
Intervalul de încredere pentru valorile de prognoză, calculat cu un grad de încredere de (1-α),
este dat de relaţia următoare:
fknnnfknn stYYstY ;111;11ˆˆ
,
unde tn-k-1;α este valoarea din distribuţia teoretică t-Student, testul bilateral, pentru n-k-1 grade de
libertate (n fiind dimensiunea eşantionului, iar k – numărul variabilelor exogene din model), valoare
corespunzătoare unui grad de încredere de (1-α).
10.3. Exemple de calcul
10.3.1. Modelul linear unifactorial
Pentru exemplificarea modului de calcul a prognozei reluăm cazul numeric studiat în capitolul
2, referitor la legătura dintre veniturile populaţiei şi volumul economiilor (tabelul 2-1). Scopul
analizei este realizarea unei prognoze a volumului economiilor pentru o familie care urmează un
comportament de consum asemănător celui specific populaţiei din care s-a extras eşantionul
prezentat în tabelul (2-1). Să presupunem că familia respectivă, numerotată cu 21, realizează un
venit X21 = 230. Pentru realizarea prognozei, se determină, în primul rând, valoarea Ŷ21, pe baza
ecuaţiei de regresie. Pentru exemplul analizat, ecuaţia de regresie este de forma:
Yt = a0 + a1Xt + et,
unde
– Yt este variabila endogenă (explicată) – volumul economiilor populaţiei,
– Xt este variabila exogenă (explicativă) – veniturile populaţiei,
– et este variabila de abatere (discrepanţa dintre valorile înregistrate şi cele anticipate pe baza
modelului), a0 şi a1 sunt parametrii modelului.
Aşa cum s-a demonstrat în capitolele anterioare, dacă modelul respectiv este estimat pornind de
la datele din tabelul 2-1, atunci erorile sunt normal distribuite, nu sunt heteroscedastice şi nu sunt
autocorelate.
Modelul calculat prin metoda celor mai mici pătrate pentru întreg eşantionul este:
Ŷt = -6.40793 + 0.28952∙Xt, pentru t = 1, 2 ,…, 25,
iar rezultatele estimării modelului sunt prezentate în tabelul 6-1.
Utilizarea modelelor econometrice în prognoză
155
Unitatea de
învăţare 10
Tabelul 6-1: Calcule de bază pentru prognoză
- modelul unifactorial
t Xt Yt Ŷt ut 2
tu 2XX t
1 100 20 22.5441 -2.5441 6.4723 5041
2 110 25 25.4393 -0.4393 0.1930 3721
3 120 28 28.3345 -0.3345 0.1119 2601
4 125 30 29.7821 0.2179 0.0475 2116
5 130 33 31.2297 1.7703 3.1340 1681
6 140 35 34.1249 0.8751 0.7658 961
7 150 36 37.0201 -1.0201 1.0406 441
8 155 42 38.4677 3.5323 12.4773 256
9 170 44 42.8105 1.1895 1.4150 1
10 170 42 42.8105 -0.8105 0.6569 1
11 180 45 45.7057 -0.7057 0.4980 81
12 185 50 47.1533 2.8467 8.1038 196
13 190 47 48.6009 -1.6009 2.5628 361
14 200 48 51.4961 -3.4961 12.2226 841
15 205 52 52.9437 -0.9437 0.8905 1156
16 210 58 54.3913 3.6087 13.0228 1521
17 215 54 55.8389 -1.8389 3.3815 1936
18 220 55 57.2865 -2.2865 5.2280 2401
19 220 58 57.2865 0.7135 0.5091 2401
20 225 60 58.7341 1.2659 1.6025 2916
∑ 3420 862 862.0000 0.0000 74.3359 30630
Utilizarea modelelor econometrice în prognoză
156
Unitatea de
învăţare 10
Pornind de la ecuaţia de regresie
Ŷt = -6.40793 + 0.28952∙Xt,
şi de la X21 = 230 se deduce
Ŷ21 = -6.40793 + 0.28952∙230 = 60.18167.
Abaterea standard a erorilor de prognoză se calculează astfel:
192154.2805538.42 ff ss
Din tabelul distribuţiei bilaterale t (Student), pentru n-2 = 18 grade de libertate şi un prag de
semnificaţie α = 0.05 se identifică t23;0.05 = 2.101 Intervalul de încredere pentru prognoză se
calculează potrivit formulei:
fnnnfnn stYYstY ;211;21ˆˆ
adică
60.18167 – 2.101∙2.192154 ≤ Yn+1 ≤ 60.18167 + 2.101∙2.192154
sau
55.576 ≤ Yn+1 ≤ 64.787
Interpretarea rezultatelor este următoarea: dacă o familie din populaţia analizată înregistrează un
venit X21 de 230 u.m., atunci, pentru familia respectivă, volumul economiilor va fi, în medie
Y21 = 60.182 u.m. Cu un grad de încredere de 95%, volumul economiilor se va situa între 55.567 şi
64.787 u.m. Aceasta înseamnă că dacă eşantionul selectat este reprezentativ pentru întreaga
populaţie şi se urmăresc, prin selecţii succesive un număr mare de familii care au un venit egal cu
230, atunci media volumul economiilor înregistrate va fi 60.182 şi doar 5% dintre valori se vor situa
în afara intervalului [55.567, 64.787].
10.3.2. Modelul linear multifactorial
Pentru exemplificarea modului de elaborare a prognozei pe baza modelului multifactorial de
regresie lineară se porneşte de la cazul numeric analizat în modulele anterioare, referitor la
dinamica veniturilor populaţiei (X1t), evoluţia ratei reale a dobânzii pasive (X2t) şi dinamica
depozitelor bancare (Yt) în 25 intervale succesive de timp (tabelul 2-2). Rezultatele estimării
modelului linear prin metoda celor mai mici pătrate pornind de la eşantionul prezentat în tabelul
(2-1) sunt următoarele:
Ŷt = -3.78693 + 0.75722∙X1t + 0.860999∙X2t.
Presupunem că la momentul t = 26, ritmul de creştere a veniturilor populaţiei este X1,26 = 3, iar
dinamica ratei reale a dobânzii pasive este X2,26 = 2. Valoarea medie a dinamicii depozitelor
bancare la momentul t = 26, respectiv prognoza Ŷ26 se determină astfel:
Ŷ26 = -3.78693 + 0.75722·3.0 + 0.860999·2.0 = 0.21
Pentru calculul dispersiei erorilor de prognoză se deduce, mai întâi, blocul Xn+1(X'X)-1
X'n+1.
Matricea (X'X)-1
şi valoarea 2us sunt preluate:
Utilizarea modelelor econometrice în prognoză
157
Unitatea de
învăţare 10
542.1022.0121.6
022.0039.0046.0
121.6046.0378.24
)'( 1XX
şi
0589.02 us
Atunci:
428.6'' 1
1
1
nn XXXX
Utilizând valorile determinate mai sus, se obţine:
3786.02 fs
Pornind de la valoarea dispersiei erorilor de prognoză, se calculează abaterea standard a erorilor
de prognoză astfel:
615.03786.02 ff ss
Intervalul de prognoză se determină, în această situaţie:
fknnnfknn stYYstY ;111;11ˆˆ
0.21 – t22;0.050.615 ≤ Y26 ≤ 0.21 + t22;0.050.615
unde valoarea t22;0.05 este preluată din repartiţia teoretică t Student, testul bilateral, pentru pragul de
semnificaţie α = 0.05 şi (25-2-1) = 22 grade de libertate: t22;0.05 = 2.074
Intervalul de prognoză este, în această situaţie, dat prin inegalitatea următoare:
0.21 – 2.0740.615 ≤ Y26 ≤ 0.21 + 2.0740.615
0.21 – 1.28 ≤ Y26 ≤ 0.21 + 1.28
adică
-1.07 ≤ Y26 ≤ 1.49
Utilizarea modelelor econometrice în prognoză
158
Unitatea de
învăţare 10
Test de evaluare a cunoştinţelor
Timp estimat: 20 minute
1. Ce reprezintă în sens econometric noţiunea de prognoză?
2. Ce presupune realizarea unei prognoze în cazul modelului unifactorial?
3. Care este intervalul de prognoză pentru modelul unifactorial?
Observaţie: Răspunsurile la acest test se pot consulta la finalul unităţii de învătare.
Utilizarea modelelor econometrice în prognoză
159
Unitatea de
învăţare 10
În sens econometric, prognoza reprezintă o anticipare cantitativă
a unor evenimente sau condiţii viitoare, pornind de la un set de
informaţii disponibile
Pentru modelul unifactorial, prognoza t+1 se calculează astfel:
Ŷn+1 = â0 + â1Xn+1
Intervalul de încredere:
fnnnfnn stYYstY ;211;21ˆˆ
Pentru modelul multifactorial,
Yn+1 = Xn+1A + en+1
Intervalul de încredere :
fknnnfknn stYYstY ;111;11ˆˆ
Utilizarea modelelor econometrice în prognoză
160
Unitatea de
învăţare 10
Lucrări obligatorii
1. Jula N., Jula D., 2010, Modelare economică. Modele econometrice şi de optimizare,
Editura Mustang, Bucureşti, pag. 252-260
2. Jula D., 2003, Introducere în econometrie, Editura Professional Consulting, Bucureşti
3. Jula N., 2004, Modelarea deciziilor financiar-monetare, Editura Bren, Bucureşti
4. Jula N., 2006, Modelare economică – elemente de econometrie aplicată, Editura Mustang,
Bucureşti
5. Jula N., 2006, Modelare economică – econometrie aplicată, Editura Cartea Studenţească,
Bucureşti
6. Jula N., Jula D., 2009, Modelare economică. Econometrie financiară, Editura Mustang,
Bucureşti
7. Pecican E.S., 1996, Macroeconometrie. Politici economice guvernamentale şi econometrie,
Editura Economică, Bucureşti
Lucrări complementare
1. Andrei T., 2003, Statistică şi econometrie, Editura Economică, Bucureşti
2. Greene W.H., 2000, Econometric analysis, fourth edition, Prentice Hall, New Jersey
3. Maddala G.S., 2001, Introduction to econometrics, third edition, Wiley, New York
4. Taşnadi A., 2001, Econometrie, Editura ASE, Bucureşti
5. Tănăsoiu O., Iacob A.I., 1999, Econometrie aplicată, Editura Arteticart, Bucureşti.
6. Zaman C., 1998, Econometrie, Editura Pro Democraţia, Bucureşti
7. Dobrescu E., 2000, Macromodelul economiei româneşti de tranziţie, Editura Expert,
Bucureşti
Utilizarea modelelor econometrice în prognoză
161
Unitatea de
învăţare 10
1. În sens econometric, prognoza reprezintă o anticipare cantitativă a unor evenimente sau
condiţii viitoare, pornind de la un set de informaţii disponibile.
2. Realizarea unei prognoze presupune anticiparea a două elemente. Pe de o parte, prognoza
implică determinarea valorii medii a variabilei Y la un moment viitor n+1, sau, mai general,
n+p (unde p ≥ 1), atunci când parametrii ecuaţiei de regresie sunt estimaţi pe baza unei
selecţii realizate la momentele 1, 2, …, n. Pe de altă parte, este necesar calculul împrăştierii
probabile a valorilor prognozate în jurul mediei estimate (calculul dispersiei erorilor de
prognoză).
3. Intervalul de prognoză în cazul modelului unifactorial este:
fnnnfnn stYYstY ;211;21ˆˆ
unde tn-2;α este valoarea din distribuţia teoretică t-Student, testul bilateral, pentru n-2 grade
de libertate (n fiind dimensiunea eşantionului), valoare corespunzătoare unui grad de
încredere de (1-α).
Bibliografie
162
Bibliografie
BIBLIOGRAFIE OBLIGATORIE
1. Jula N., Jula D., 2010, Modelare economică. Modele econometrice şi de optimizare, Editura
Mustang, Bucureşti
2. Jula D., 2003, Introducere în econometrie, Editura Professional Consulting, Bucureşti
3. Jula N., 2004, Modelarea deciziilor financiar – monetare. Elemente de econometrie aplicată,
Editura Bren, Bucureşti
4. Jula N., 2006, Modelare economică – econometrie aplicată, Editura Mustang, Bucureşti
5. Pecican E.-S., 1994, Econometrie, Editura All, Bucureşti
6. Tănăsoiu O., Iacob A.-I., 1999, Econometrie aplicată, Editura Arteticart, Bucureşti
7. Taşnadi Al., 2001, Econometrie aplicată, Editura ASE, Bucureşti
8. Zaman C., 1998, Econometrie, Pro Democraţia, Bucureşti
BIBLIOGRAFIE FACULTATIVĂ
1. Andrei T., 2003, Statistică şi econometrie, Editura Economică, Bucureşti
2. Ailenei D., 2002, Economia sectorului public, Editura Brent, Bucureşti
3. Bourbonnais R., 1997, Econométrie. Cours et exercises corrigés, Edition Dunod, Paris
4. Brillet J.-L, 1989, Techiques de modelisation, Collection ENSAE (École Nationale de la
Statistique et de l'Administration Économique), Paris
5. Dobrescu E., 2002, Tranziţia în România: abordări econometrice, Editura Economică,
Bucureşti
6. Greene W.H., 2000, Econometric Analysis, 3rd edition, Prentice-Hall.
7. Hansen B.E., 2002, Econometrics, University of Wisconsin, www.ssc.wisc.edu/~ bhansen
8. Johnston J., DiNardo J.E., 1997, Econometric Methods, 4th edition, McGraw-Hill.
9. Jula N., 2003, Statistică economică, Editura Bren, Bucureşti
10. Kmenta J., 1986, Elements of Econometrics, New York: Macmillan
11. Maddala G.S, 2001, Econometrics, New York: McGraw-Hill
12. Pârţachi I., Brăilă A., Şişcanu N., 1999, Econometrie aplicată, A.S.E.M., Chişinău
13. Pecican E.-S., 1996, Macroeconometrie - Politici economice guvernamentale şi econometrie,
Editura Economică, Bucureşti
14. Pindyck R.S., Rubinfeld D.L, 1991, Econometric Models and Economic Forecasts, McGraw-
Hill, Inc
15. Ramanathan R., 1992, Introductory Econometrics, Second Edition, The Dryden Press, Harcourt
Brace College Publishers, Orlando, USA
16. Thomas R.-L, 1997, Modern Econometrics: An Introduction, 2nd edition, Harlow, Longman
17. Vangrevelinghe G., 1973, Econométrie, Hermann, Paris
Anexe
163
Anexe
ANEXE STATISTICE
Tabelele distribuţiilor t – Student şi χ2 au fost calculate cu ajutorul programului Microsoft Excel
A. Valorile critice ale distribuţiei t – Student, testul bilateral
df α - testul bilateral
0.10 0.05 0.02 0.01 0.001
1 6.314 12.706 31.821 63.657 636.619
2 2.920 4.303 6.965 9.925 31.598
3 2.353 3.182 4.541 5.841 12.941
4 2.132 2.776 3.747 4.604 8.610
5 2.015 2.571 3.365 4.032 6.869
6 1.943 2.447 3.143 3.707 5.959
7 1.895 2.365 2.998 3.499 5.408
8 1.860 2.306 2.896 3.355 5.041
9 1.833 2.262 2.821 3.250 4.781
10 1.812 2.228 2.764 3.169 4.587
11 1.796 2.201 2.718 3.106 4.437
12 1.782 2.179 2.681 3.055 4.318
13 1.771 2.160 2.650 3.012 4.221
14 1.761 2.145 2.624 2.977 4.140
15 1.753 2.131 2.602 2.947 4.073
16 1.746 2.120 2.583 2.921 4.015
17 1.740 2.110 2.567 2.898 3.965
18 1.734 2.101 2.552 2.878 3.922
19 1.729 2.093 2.539 2.861 3.883
Anexe
164
Anexe
20 1.725 2.086 2.528 2.845 3.850
21 1.721 2.080 2.518 2.831 3.819
22 1.717 2.074 2.508 2.819 3.792
23 1.714 2.069 2.500 2.807 3.768
24 1.711 2.064 2.492 2.797 3.745
25 1.708 2.060 2.485 2.787 3.725
30 1.697 2.042 2.457 2.750 3.646
40 1.684 2.021 2.423 2.704 3.551
50 1.676 2.009 2.403 2.678 3.496
80 1.664 1.990 2.374 2.639 3.416
100 1.660 1.984 2.364 2.626 3.390
120 1.658 1.980 2.358 2.617 3.373
∞ 1.645 1.960 2.327 2.576 3.291
Anexe
165
Anexe
B. Valorile critice ale distribuţiei t – Student, testul unilateral
df α - testul unilateral
0.10 0.05 0.01 0.005 0.0005
1 3.078 6.314 31.821 63.657 636.619
2 1.886 2.920 6.965 9.925 31.598
3 1.638 2.353 4.541 5.841 12.941
4 1.533 2.132 3.747 4.604 8.610
5 1.476 2.015 3.365 4.032 6.869
6 1.440 1.943 3.143 3.707 5.959
7 1.415 1.895 2.998 3.499 5.408
8 1.397 1.860 2.896 3.355 5.041
9 1.383 1.833 2.821 3.250 4.781
10 1.372 1.812 2.764 3.169 4.587
11 1.363 1.796 2.718 3.106 4.437
12 1.356 1.782 2.681 3.055 4.318
13 1.350 1.771 2.650 3.012 4.221
14 1.345 1.761 2.624 2.977 4.140
15 1.341 1.753 2.602 2.947 4.073
16 1.337 1.746 2.583 2.921 4.015
17 1.333 1.740 2.567 2.898 3.965
18 1.330 1.734 2.552 2.878 3.922
19 1.328 1.729 2.539 2.861 3.883
20 1.325 1.725 2.528 2.845 3.850
21 1.323 1.721 2.518 2.831 3.819
22 1.321 1.717 2.508 2.819 3.792
23 1.319 1.714 2.500 2.807 3.768
Anexe
166
Anexe
24 1.318 1.711 2.492 2.797 3.745
25 1.316 1.708 2.485 2.787 3.725
30 1.310 1.697 2.457 2.750 3.646
40 1.303 1.684 2.423 2.704 3.551
50 1.299 1.676 2.403 2.678 3.496
80 1.292 1.664 2.374 2.639 3.416
100 1.290 1.660 2.364 2.626 3.390
120 1.289 1.658 2.358 2.617 3.373
∞ 1.282 1.645 2.327 2.576 3.291
Anexe
167
Anexe
C. Valorile critice ale distribuţiei χ2
Numărul
gradelor
de
libertate
0.99 0.95 0.9 0.1 0.05 0.01 0.005 0.001
1 0.000 0.004 0.016 2.706 3.841 6.635 7.879 10.828
2 0.020 0.103 0.211 4.605 5.991 9.210 10.597 13.816
3 0.115 0.352 0.584 6.251 7.815 11.345 12.838 16.266
4 0.297 0.711 1.064 7.779 9.488 13.277 14.860 18.467
5 0.554 1.145 1.610 9.236 11.070 15.086 16.750 20.515
6 0.872 1.635 2.204 10.645 12.592 16.812 18.548 22.458
7 1.239 2.167 2.833 12.017 14.067 18.475 20.278 24.322
8 1.646 2.733 3.490 13.362 15.507 20.090 21.955 26.125
9 2.088 3.325 4.168 14.684 16.919 21.666 23.589 27.877
10 2.558 3.940 4.865 15.987 18.307 23.209 25.188 29.588
11 3.053 4.575 5.578 17.275 19.675 24.725 26.757 31.264
12 3.571 5.226 6.304 18.549 21.026 26.217 28.300 32.909
13 4.107 5.892 7.042 19.812 22.362 27.688 29.820 34.528
14 4.660 6.571 7.790 21.064 23.685 29.141 31.319 36.123
15 5.229 7.261 8.547 22.307 24.996 30.578 32.801 37.697
16 5.812 7.962 9.312 23.542 26.296 32.000 34.267 39.252
17 6.408 8.672 10.085 24.769 27.587 33.409 35.719 40.790
18 7.015 9.390 10.865 25.989 28.869 34.805 37.157 42.312
19 7.633 10.117 11.651 27.204 30.144 36.191 38.582 43.820
20 8.260 10.851 12.443 28.412 31.410 37.566 39.997 45.315
21 8.897 11.591 13.240 29.615 32.671 38.932 41.401 46.797
22 9.542 12.338 14.041 30.813 33.924 40.289 42.796 46.268
Anexe
168
Anexe
23 10.196 13.091 14.848 32.007 35.172 41.638 44.181 49.728
24 10.856 13.848 15.659 33.196 36.415 42.980 45.559 51.179
25 11.524 14.611 16.473 34.382 37.652 44.314 46.928 52.618
26 12.198 15.379 17.292 35.563 38.885 45.642 48.290 54.052
27 12.879 16.151 18.114 36.741 40.113 46.963 49.645 55.476
28 13.565 16.928 18.939 37.916 41.337 48.278 50.993 56.893
29 14.256 17.708 19.768 39.087 42.557 49.588 52.336 58.302
30 14.953 18.493 20.599 40.256 43.773 50.892 53.672 59.703
Anexe
169
Anexe
D. Statistica Durbin – Watson
Valorile dL şi dU pentru testul Durbin-Watson unilateral, la un nivel de semnificaţie de 5%
n k = 1 k = 2 k = 3 k = 4 k = 5
dL dU dL dU dL dU dL dU dL dU
6 0.61 1.40
7 0.70 1.36 0.47 1.90
8 0.76 1.33 0.56 1.78 0.37 2.29
9 0.82 1.32 0.63 1.70 0.46 2.13 0.30 2.59
10 0.88 1.32 0.70 1.64 0.53 2.02 0.38 2.41 0.24 2.82
11 0.93 1.32 0.76 1.60 0.60 1.93 0.44 2.28 0.32 2.65
12 0.97 1.33 0.81 1.58 0.66 1.86 0.51 2.18 0.38 2.51
13 1.01 1.34 0.86 1.56 0.72 1.82 0.57 2.09 0.45 2.39
14 1.05 1.35 0.91 1.55 0.77 1.78 0.63 2.03 0.51 2.30
15 1.08 1.36 0.95 1.54 0.82 1.75 0.69 1.97 0.56 2.21
16 1.10 1.37 0.98 1.54 0.86 1.73 0.74 1.93 0.62 2.15
17 1.13 1.38 1.02 1.54 0.90 1.71 0.78 1.90 0.67 2.10
18 1.16 1.39 1.05 1.53 0.93 1.69 0.82 1.87 0.71 2.06
19 1.18 1.40 1.08 1.53 0.97 1.68 0.86 1.85 0.75 2.02
20 1.20 1.41 1.10 1.54 1.00 1.68 0.90 1.83 0.79 1.99
21 1.22 1.42 1.13 1.54 1.03 1.67 0.93 1.81 0.83 1.96
22 1.24 1.43 1.15 1.54 1.05 1.66 0.96 1.80 0.86 1.94
23 1.26 1.44 1.17 1.54 1.08 1.66 0.99 1.79 0.90 1.92
24 1.27 1.45 1.19 1.55 1.10 1.66 1.01 1.78 0.93 1.90
25 1.29 1.45 1.21 1.55 1.12 1.66 1.04 1.77 0.95 1.89
26 1.30 1.46 1.22 1.55 1.14 1.65 1.06 1.76 0.98 1.88
27 1.32 1.47 1.24 1.56 1.16 1.65 1.08 1.76 1.01 1.86
28 1.33 1.48 1.26 1.56 1.18 1.65 1.10 1.75 1.03 1.85
Anexe
170
Anexe
n k = 1 k = 2 k = 3 k = 4 k = 5
dL dU dL dU dL dU dL dU dL dU
29 1.34 1.48 1.27 1.56 1.20 1.65 1.12 1.74 1.05 1.84
30 1,35 1.49 1.28 1.57 1.21 1.65 1.14 1.74 1.07 1.83
31 1.36 1.50 1.30 1.57 1.23 1.65 1.16 1.74 1.09 1.83
32 1.37 1.50 1.31 1.57 1.94 1.65 1.18 1.73 1.11 1.82
33 1.38 1.51 1.32 1.58 1.26 1.65 1.19 1.73 1.13 1.81
34 1.39 1.51 1.33 1.58 1.27 1.65 1.21 1.73 1.15 1.81
35 1.40 1.52 1.34 1.58 1.28 1.65 1.22 1.73 1.16 1.80
36 1.41 1.52 1.35 1.59 1.29 1.65 1.24 1.73 1.18 1.80
37 1.42 1.53 1.36 1.59 1.31 1.66 1.25 1.72 1.19 1.80
38 1.43 1.54 1.37 1.59 1.32 1.66 1.26 1.72 1.21 1.79
39 1.43 1.54 1.38 1.60 1.33 1.66 1.27 1.72 1.22 1.79
40 1.44 1.54 1.39 1.60 1.34 1.66 1.29 1.72 1.23 1.79
45 1.48 1.57 1.43 1.62 1.38 1.67 1.34 1.72 1.29 1.78
50 1.50 1.59 1.46 1.63 1.42 1.67 1.38 1.72 1.34 1.77
55 1.53 1.60 1.49 1.64 1.45 1.68 1.41 1.72 1.38 1.77
60 1.55 1.62 1.51 1.65 1.48 1.69 1.44 1.73 1.41 1.77
65 1.57 1.63 1.54 1.66 1.50 1.70 1.47 1.73 1.44 1.77
70 1.58 1.64 1.55 1.67 1.52 1.70 1.49 1.74 1.46 1.77
75 1.60 1.65 1.57 1.68 1.54 1.71 1.51 1.74 1.49 1.77
80 1.61 1.66 1.59 1.69 1.56 1.72 1.53 1.74 1.51 1.77
85 1.62 1.67 1.60 1.70 1.57 1.72 1.55 1.75 1.52 1.77
90 1.63 1.68 1.61 1.70 1.59 1.73 1.57 1.75 1.54 1.78
95 1.64 1.69 1.62 1.71 1.60 1.73 1.58 1.75 1.56 1.78
100 1.65 1.69 1.63 1.72 1.61 1.74 1.59 1.76 1.57 1.78
n – numărul de observaţii;
k – numărul variabilelor explicative
Anexe
171
Anexe
Sursa:
J.Durbin and G.S.Watson, Testing for Serial Correlation in Least Squares Regression, in
Biometrika, vol. 38 (1951), pp.159-177 (pentru n 15)
Mukherjee Ch., White H., Wuyts M., 1998, Econometrics and data analysis for developing
countries, Routledge, London and New York (pentru n < 15)