UNIVERSITATEA BABEs-BOLYAI CLUJ-NAPOCA

FACULTATEA DE sTIINE ECONOMICE sI GESTIUNEA AFACERILOR

PROIECT ECONOMETRIE
Variatia produsului intern brut (PIB) n functie de
veniturile populatiei si nivelul preturilor
STUDENT:
sTEFANACHE CRISTINA-MARIA
ANUL III SPE GRUPA
031
2007

CUPRINS
1. Scopul studiului
2. Modelul liniar unifactorial: PIB in functie de venituri
2.1. Analiza regresiei
2.2. Variabilele folosite
2.3. Testarea parametrilor
2.4. Corelarea
2.5. Autocorelarea
2.6. Analiza reziduurilor si predictiilor
2.6.1. Media reziduurilor
2.6.2. Distributia erorilor fata de model
2.6.3. Testarea normalitatii reziduurilor
2.7. Variante constante (homoscedasticitatea)
3. Modelul liniar unifactorial: PIB in functie de nivelul preturilor
3.1. Analiza regresiei
3.2. Variabilele folosite
3.3. Testarea parametrilor
3.4. Corelarea
3.5. Autocorelarea
3.6. Analiza reziduurilor si predictiilor
3.6.1. Media reziduurilor
3.6.2. Distributia erorilor fata de model
3.6.3. Testarea normalitatii reziduurilor
3.7. Variante constante (homoscedasticitatea)
4. Modelul liniar multifactorial: PIB in functie de nivelul veniturilor si al preturilor
4.1. Analiza regresiei

4.2. Corelarea
4.2.1. Eliminarea fenomenului de corelare a factorilor
4.2.2. Regresia in functie de factorii F1 si F2
4.3. Corelatia partiala
4.4. Autocorelarea erorilor
4.4.1. Eliminarea fenomenului de autocorelare
4.5. Testarea parametrilor
4.6. Legatura intre reziduuri si variabilele factor
4.7. Analiza reziduurilor si predictiilor
4.7.1. Media reziduurilor
4.7.2. Distributia erorilor fata de model
4.7.3. Testarea normalitatii reziduurilor

4.8. Testarea ipotezelor liniare privind parametrii

4.8.1. Testul lui Ramsey
4.8.2. Testul lui Chaw
4.9. Variante constante (homoscedasticitatea)
4.10. Puterea de previzionare a modelului
5. Concluzii

1. Scopul studiului
Acest proiect isi propune sa gaseasca corelatia dintre nivelul produsului intern brut (PIB) in functie de nivelul
veniturilor personale si al preturilor. Se va urmari influenta veniturilor, precum si a preturilor asupra produsului intern
brut. Modelul econometric se va construi pe baza datelor obtinute de pe site-ul guvernului SUA (site-ul de unde au
fost preluate datele este: http://www.bea.gov/bea/dn/nipaweb/NIPATableIndex.asp). Aceste date sunt structurate pe
ani, incepand cu anul 1929 pana in 2006.
Se va studia influenta celor 2 factori separat: influenta veniturilor asupra nivelului produsului intern brut, apoi
influenta indicelui preturilor asupra aceluiasi produs intern brut, urmand ca mai apoi sa se testeze modelele astfel
obtinute, testari prelucrate cu ajutorul programului STATA9.
Variabila endogena considerata este produsul intern brut(PIB) si variabilele exogene sunt veniturile
populatiei si indicele preturilor.
Modelul econometric are urmatoarea forma:

Yt = + 1 * X1 + 2 * X2 + ut

2. Modelul liniar unifactorial: PIB in functie de venituri

Modelul econometric liniar simplu va avea urmatoarea forma :
Yt = + 1 * X1 + u1

2.1. Analiza regresiei

Pe baza datelor prelucrate in STATA se obtin urmatoarele informatii:
. regress PIB venit
Source |

SS

df

MS

Number of obs =

-------------+------------------------------

F( 1,

Model | 1.2210e+10

1 1.2210e+10

Residual | 3782509.88

76 49769.8668

Prob > F

.
= 0.0000

R-squared

-------------+-----------------------------Total | 1.2210e+10

76) =

78

= 0.9997

Adj R-squared = 0.9997

77 158616055

Root MSE

= 223.09

-----------------------------------------------------------------------------PIB |

Coef. Std. Err.

P>|t|

[95% Conf. Interval]

-------------+---------------------------------------------------------------venit | 1.185684 .0023939 495.30 0.000

1.180916

1.190452

_cons |

106.9188

241.1832

174.051 33.70646

5.16 0.000

-----------------------------------------------------------------------------Se observa ca varianta explicata de model, ESS=1.2210e+10, este mult mai mare deat cea reziduala,
RSS=3782509.88, ceea ce ne ofera o prima informatie asupra faptului ca modelul este reprezentativ si ca o mare
parte din informatia produsului intern brut este data de catre factorul ales,
nivelul veniturilor. Impartind ESS/TSS, adica 1.2210e+10/1.2210e+10 se obtine R-sqared = 0.9997, care arata ca
informatia explicata de factor este in proportie de 99.97, ceea ce inseamna ca factorul este reprezentativ.
De asemenea tesul F, care testeaza eficienta modelului, raspunde la intrebarea "variabila independenta
prezice bine variabila dependenta?". Avand in vedere ca valoarea obtinuta pentru F este 0, se poate aprecia ca
modelul este reprezentativ si poate fi folosit pentru estimatii viitoare.
Avand aceste informatii in vedere se poate determina forma modelului. Astfel:

PIB = 174.051 + 1.185684 * venit + 3782509.88

Asadar, atunci cand venitul creste cu 1 miliard dolari, PIB-ul la nivelul SUA creste cu 1.18 miliarde dolari. Insa,
pentruca nivelul produsului intern brut sa fie mai mare de 0 este nevoie de un nivel al veniturilor de peste 146.79
miliarde dolari (174.051/1.185684).
O prima analiza a parametrilor estimati ne arata ca acestia sunt viabili. Este testata egalitatea parametrilor cu
0, iar avand in vedere ca intervalul de incredere nu cuprinde valoarea 0 inseamna ca parametrii nu iau niciodata
valoarea 0.
Norul de puncte care analizeaza legatura dintre PIB si nivelul veniturilor este prezentat in graficul urmator:

2.2. Variabilele folosite

. codebook PIB venit
-----------------------------------------------------------------------------------------------------------------------PIB

(unlabeled)

-----------------------------------------------------------------------------------------------------------------------type: numeric (float)

range: [449,44007]
unique values: 78
mean: 11227.7
std. dev: 12594.3

units: 1
missing .: 0/78

percentiles:

10%
703

1792

25%

50%

4361

75%

19517

90%

33181

-----------------------------------------------------------------------------------------------------------------------venit

(unlabeled)

-----------------------------------------------------------------------------------------------------------------------type: numeric (float)

range: [373,36632]

units: 1

unique values: 78

missing .: 0/78

mean: 9322.58
std. dev: 10620.3
percentiles:

10%
556

1388

25%

50%

3404.5

75%

16255

90%

27933

Studiul variabilelor ne arata ca acestea sunt cantitative si ca nu exista date lipsa. Acest lucru arata ca variabilele pot fi
folosite in regresie, deoarece la o prima vedere nu prezinta erori.

2.3. Testarea parametrilor

. testparm venit
( 1) venit = 0
F( 1,

76) = 2.5e+05

Prob > F =

0.0000

Intrucat valoarea F este 0, ipoteza nula "parametrul variabilei venit este 0" este respinsa, asadar parametrul este
diferit de 0.

2.4. Corelarea
. correlate PIB venit
(obs=78)
|

PIB

venit

-------------+-----------------PIB | 1.0000

venit | 0.9998 1.0000

Inca o data se demonstreaza corelarea dintre PIB si venit. Aceasta corelatie este foarte mare 0.9998, deci factorul
considerat poate explica in mare masura variatia variabilei dependente.

2.5. Autocorelarea
Prin aplicarea testului Breusch-Godfrey putem determina existenta unei autocorelari la nivelul modelului:
. estat bgodfrey
Breusch-Godfrey LM test for autocorrelation
--------------------------------------------------------------------------lags(p) |

chi2

df

Prob > chi2

-------------+------------------------------------------------------------1

37.453

0.0000

--------------------------------------------------------------------------H0: no serial correlation

Avand in vedere ca valoarea ,hi patrat' este 0, ipoteza nula de inexistenta autocorelarii este respinsa. Asadar modelul
prezinta o autocorelare.
. estat dwatson
Durbin-Watson d-statistic( 2,

78) = 0 .5973365

Testul Durbin-Watson arata existenta unei autocorelari la nivelul modelului, intrucat valoarea coeficientului este
destul de apropiata de 0, ceea ce arata o corelare directa intre erori.

2.6. Analiza reziduurilor si predictiilor

2.6.1. Media reziduurilor
. ttest r==0
One-sample t test
-----------------------------------------------------------------------------Variable |

Obs

Mean

Std. Err. Std. Dev. [95% Conf. Interval]

---------+-------------------------------------------------------------------r|

78 -2.41e-07

25.09559

221.6382

-49.9717

------------------------------------------------------------------------------

49.9717

mean = mean(r)
Ho: mean = 0

t = -0.0000
degrees of freedom =

Ha: mean < 0

Ha: mean != 0

Pr(T < t) = 0.5000

Pr(|T| > |t|) = 1.0000

77

Ha: mean > 0

Pr(T > t) = 0.5000

Testarea mediei rezidurilor egala cu 0 arata ca aceasta nu e diferita semnficativ de 0.

2.6.2. Distributia erorilor fata de model

Din acest grafic se observa ca erorile sunt normal distribuite.

2.6.3. Testarea normalitatii reziduurilor

Din acest grafic se observa ca reziduurile sunt normal distribuite.

In continuare prezentam cateva teste prin care se verifica aceeasi normalitate a reziduurilor. Aceste teste propun
analiza asimetriei, respectiv a boltirii pentru a stabili distribtia normala a reziduurilor.
. sktest r
Skewness/Kurtosis tests for Normality
------- joint -----Variable | Pr(Skewness) Pr(Kurtosis) adj chi2(2)

Prob>chi2

-------------+------------------------------------------------------r|

0.000

0.000

23.93

0.0000

- erorile nu sunt distribuite normal

- erorile sunt distribuite normal

Prob>chi2 = 0.05 > 0.0000

se respinge, erorile sunt distribuite normal.

. swilk r
Shapiro-Wilk W test for normal data

Variable |

Obs

Prob>z

-------------+------------------------------------------------r

78

0.89337

7.169

Prob>z = 0.05 > 0.00001

4.310 0.00001

se respinge, erorile sunt distribuite normal.

. sfrancia r
Shapiro-Francia W' test for normal data
Variable |

Obs

W'

V'

Prob>z

-------------+------------------------------------------------r

78

0.88143

8.755

Prob>z = 0.05 >0.00002

4.105 0.00002

se respinge, erorile sunt distribuite normal.

2.7. Variante constante (homoscedasticitatea)

Testul White
. estat imtest,white
White's test for Ho: homoskedasticity
against Ha: unrestricted heteroskedasticity
chi2(2)

26.20

Prob > chi2 =

0.0000

Cameron & Trivedi's decomposition of IM-test

--------------------------------------------------Source

chi2

df

---------------------+---------------------------Heteroskedasticity |

26.20

0.0000

Skewness |

8.35

0.0038

Kurtosis

2.52

0.1126

---------------------+-----------------------------

Total

37.07

0.0000

--------------------------------------------------H0: modelul este homoscedastic

H1: modelul nu este homoscedastic
calc = 26.20
tab = 5.99 (sunt 2 grade de libertate)
calc > tab => H0 se respinge, deci modelul nu este homoscedastic.

3. Modelul liniar unifactorial: PIB in functie de nivelul preturilor

Modelul econometric liniar simplu va avea urmatoarea forma :
Yt = + 2 * X2 + u2

3.1. Analiza regresiei

Pe baza datelor prelucrate in STATA se obtin urmatoarele informatii:
. regress PIB indicepret
Source |

SS

df

MS

Number of obs =

-------------+------------------------------

F( 1,

Model | 1.1899e+10

1 1.1899e+10

Residual | 314856781

76 4142852.38

Total | 1.2213e+10

76) = 2872.07

Prob > F
R-squared

-------------+------------------------------

= 0.0000
= 0.9742

Adj R-squared = 0.9739

77 158616055

Root MSE

= 2035.4

-----------------------------------------------------------------------------PIB |

Coef. Std. Err.

P>|t|

[95% Conf. Interval]

-------------+---------------------------------------------------------------indicepret | 362.0339 6.755405

78

53.59 0.000

348.5793

375.4884

_cons | -4378.348 371.3653 -11.79 0.000

-5117.986

-3638.71

------------------------------------------------------------------------------

Se observa ca varianta explicata de model, ESS=1.1899e+10, este mult mai mare deat cea reziduala,
RSS=314856781, ceea ce ne ofera o prima informatie asupra faptului ca modelul este reprezentativ si ca o mare
parte din informatia produsului intern brut este data de catre factorul ales,
indicele preturilor. Impartind ESS/TSS, adica 1.1899e+10/1.2213e+10 se obtine R-sqared = 0.9742, care arata ca
informatia explicata de factor este in proportie de 97.42, ceea ce inseamna ca factorul este reprezentativ.
De asemenea tesul F, care testeaza eficienta modelului, raspunde la intrebarea "variabila independenta
prezice bine variabila dependenta?". Avand in vedere ca valoarea obtinuta pentru F este 0, se poate aprecia ca
modelul este reprezentativ si poate fi folosit pentru estimatii viitoare.
Avand aceste informatii in vedere se poate determina forma modelului. Astfel:

PIB =

-4378.348

+ 362.0339 * indicepret + 314856781

Asadar, atunci cand pretul creste cu 1 miliard dolari, PIB-ul la nivelul SUA creste cu 362.0339 miliarde dolari.
O prima analiza a parametrilor estimati ne arata ca acestia sunt viabili. Este testata egalitatea parametrilor cu
0, iar avand in vedere ca intervalul de incredere nu cuprinde valoarea 0 inseamna ca parametrii nu iau niciodata
valoarea 0.
Norul de puncte care analizeaza legatura dintre PIB si nivelul preturilor este prezentat in graficul urmator:

3.2. Variabilele folosite

. codebook PIB indicepret
------------------------------------------------------------------------------------------------------------------------

PIB

(unlabeled)

-----------------------------------------------------------------------------------------------------------------------type: numeric (float)

range: [449,44007]

units: 1

unique values: 78

missing .: 0/78

mean: 11227.7
std. dev: 12594.3
percentiles:

10%
703

25%

1792

50%

4361

75%

19517

90%

33181

-----------------------------------------------------------------------------------------------------------------------indicepret

(unlabeled)

-----------------------------------------------------------------------------------------------------------------------type: numeric (float)

range: [8.91,116.568]
unique values: 78

units: .001
missing .: 0/78

mean: 43.1065
std. dev: 34.3363
percentiles:

10%
9.81

25%

50%

16.364 24.4065

75%

73.204

90%

97.868

Studiul variabilelor ne arata ca acestea sunt cantitative si ca nu exista date lipsa. Acest lucru arata ca variabilele pot fi
folosite in regresie, deoarece la o prima vedere nu prezinta erori.

3.3. Testarea parametrilor

. testparm indicepret
( 1) indicepret = 0
F( 1,

76) = 2872.07

Prob > F =

0.0000

Intrucat valoarea F este 0, ipoteza nula "parametrul variabilei indicepret este 0" este respinsa, asadar parametrul este
diferit de 0.

3.4. Corelarea
. correlate PIB indicepret
(obs=78)
|

PIB indice~t

-------------+-----------------PIB | 1.0000
indicepret | 0.9870 1.0000
Inca o data se demonstreaza corelarea dintre PIB si indicele preturilor. Aceasta corelatie este foarte mare 0.9870,
deci factorul considerat poate explica in mare masura variatia variabilei dependente.

3.5. Autocorelarea
Prin aplicarea testului Breusch-Godfrey putem determina existenta unei autocorelari la nivelul modelului:
. estat bgodfrey
Breusch-Godfrey LM test for autocorrelation
--------------------------------------------------------------------------lags(p) |

chi2

df

Prob > chi2

-------------+------------------------------------------------------------1

76.050

0.0000

--------------------------------------------------------------------------H0: no serial correlation

Avand in vedere ca valoarea ,hi patrat' este 0, ipoteza nula de inexistenta autocorelarii este respinsa. Asadar modelul
prezinta o autocorelare.
. estat dwatson
Durbin-Watson d-statistic( 2,

78) = .0368163

Testul Durbin-Watson arata existenta unei autocorelari la nivelul modelului, intrucat valoarea coeficientului este
destul de apropiata de 0, ceea ce arata o corelare directa intre erori.

3.6. Analiza reziduurilor si predictiilor

3.6.1. Media reziduurilor
. ttest rpret==0

One-sample t test
-----------------------------------------------------------------------------Variable |

Obs

Mean

Std. Err. Std. Dev. [95% Conf. Interval]

---------+-------------------------------------------------------------------rpret |

78 -7.60e-06

228.9622

2022.14 -455.9221

455.9221

-----------------------------------------------------------------------------mean = mean(rpret)

t = -0.0000

Ho: mean = 0

degrees of freedom =

Ha: mean < 0

Pr(T < t) = 0.5000

Ha: mean != 0

Pr(|T| > |t|) = 1.0000

77

Ha: mean > 0

Pr(T > t) = 0.5000

Testarea mediei rezidurilor egala cu 0 arata ca aceasta este diferita semnificativ de 0.

3.6.2. Distributia erorilor fata de model

Din acest grafic se observa ca erorile nu sunt normal distribuite.

3.6.3. Testarea normalitatii reziduurilor

Din acest grafic se observa ca reziduurile nu sunt normal distribuite.

In continuare prezentam cateva teste prin care se verifica aceeasi normalitate a reziduurilor. Aceste teste propun
analiza asimetriei, respectiv a boltirii pentru a stabili distribtia normala a reziduurilor.
. sktest rpret
Skewness/Kurtosis tests for Normality
------- joint -----Variable | Pr(Skewness) Pr(Kurtosis) adj chi2(2)

Prob>chi2

-------------+------------------------------------------------------rpret

0.182

0.188

3.64

0.1620

- erorile nu sunt distribuite normal

- erorile sunt distribuite normal

Prob>chi2 = 0.05 < 0.1620

se accepta, erorile nu sunt distribuite normal.

. swilk rpret
Shapiro-Wilk W test for normal data

Variable |

Obs

Prob>z

-------------+------------------------------------------------rpret |

78

0.97213

1.874

Prob>z = 0.05 < 0.08477

1.374 0.08477

se accepta, erorile nu sunt distribuite normal.

. sfrancia rpret
Shapiro-Francia W' test for normal data
Variable |

Obs

W'

V'

Prob>z

-------------+------------------------------------------------rpret |

78

0.97054

2.175

Prob>z = 0.05 < 0.06305

1.530 0.06305

se accepta, erorile nu sunt distribuite normal.

3.7. Variante constante (homoscedasticitatea)

Testul White
. estat imtest,white
White's test for Ho: homoskedasticity
against Ha: unrestricted heteroskedasticity
chi2(2)

34.21

Prob > chi2 =

0.0000

Cameron & Trivedi's decomposition of IM-test

--------------------------------------------------Source

chi2

df

---------------------+----------------------------Heteroskedasticity |
Skewness
Kurtosis

|
|

34.21

0.0000

18.18

0.0000

1.06

0.3037

---------------------+----------------------------Total

53.44

0.0000

--------------------------------------------------H0: modelul este homoscedastic

H1: modelul nu este homoscedastic
calc = 34.21
tab = 5.99 (sunt 2 grade de libertate)
calc > tab => H0 se respinge, deci modelul nu este homoscedastic.
Din cele observate si testate pana acum se observa ca acest model este heteroscedastic, erorile sunt
autocorelate, nu urmeaza legea normala, iar media acestora este semnificativ diferita de 0. Asadar renuntam la acest
model si in continuare ne propunem sa gasim un model care sa explice variatia produsului intern brut in functie de
amandoi factorii prezentati pana acum : veniturile si preturile.

4. Modelul liniar multifactorial: PIB in functie de nivelul veniturilor

si al preturilor
4.1. Analiza regresiei
. regress PIB venit indicepret
Source |

SS

df

MS

Number of obs =

-------------+------------------------------

F( 2,

Model | 1.2210e+10

2 6.1049e+09

Residual | 3594817.54

75 47930.9005

Prob > F

.
= 0.0000

R-squared

-------------+-----------------------------Total | 1.2213e+10

75) =

78

= 0.9997

Adj R-squared = 0.9997

77 158616055

Root MSE

= 218.93

-----------------------------------------------------------------------------PIB |

Coef. Std. Err.

P>|t|

[95% Conf. Interval]

-------------+---------------------------------------------------------------venit | 1.157639 .0143654

80.59 0.000

1.129022

1.186257

indicepret | 8.792613 4.443268

1.98 0.052

-.0588302

17.64406

_cons | 56.47864 68.00137

0.83 0.409

-78.98703

191.9443

-----------------------------------------------------------------------------La fel ca in cazul modelelor unifactoriale, si aici se observa o puternica informatie detinuta de cei 2 factori. Asadar
variatia modelului este 1.2210e+10 , net mai mare decat cea reziduala, ceea ce conduce la un R patrat foarte mare
de 0.9997. Aceasta inseamna ca informatia explicata de factori este in proportie de 99.97%.

De asemenea, o prima analiza a modelului il anunta valid, astfel ca valoarea F este 0, ceea ce inseamna ca modelul
este reprezentativ si poate conduce la viitoare prognoze.
Forma modelului este data de coeficientii parametrilor:
PIB = 56.47864

+ 1.157639 * venit + 8.792613* indicepret + 3594817.54

Asadar, la o modificare cu 1 miliard dolari a veniturilor, PIB-ul va creste cu 1.15 miliarde dolari, iar la o
modificare a preturilor cu 1 miliard dolari, PIB-ul va creste cu 8.79 miliarde dolari.
P>|t| arata ca parametrii coeficientilor sunt valizi, ca factorii alesi sun valabili, in sensul ca coeficientii
corespunzatori acestora nu pot lua valoarea 0. Acest lucru ne arata si intervalul de incredere, care nu il
cuprinde pe 0.

4.2. Corelarea
. correlate PIB venit indicepret
(obs=78)
|

PIB

venit indice~t

-------------+--------------------------PIB | 1.0000
venit

| 0.9998 1.0000

indicepret | 0.9870 0.9865 1.0000

Din analiza tabelului de corelatii se observa puternica corelatie dintre variabila dependenta si fiecare factor, dar si
puternica corelatie dintre factori, ceea ce slabeste din validitatea modelului regresional.

4.2.1. Eliminarea fenomenului de corelare a factorilor

Pentru a elimina fenomenul de corelare a factorilor se va realiza analiza componentelor principale, rezultand doua
variabile noi, in functie de cele anterior avute. Astfel:
. pca venit indicepret
Principal components/correlation

Number of obs

78

Number of comp. =
Trace
Rotation: (unrotated = principal)

Rho

-------------------------------------------------------------------------Component | Eigenvalue Difference

Proportion Cumulative

-------------+-----------------------------------------------------------Comp1

1.98654

1.97308

Comp2

.0134622

0.9933
0.0067

0.9933
1.0000

-------------------------------------------------------------------------Principal components (eigenvectors)

-----------------------------------------------Variable |

Comp1

Comp2 | Unexplained

-------------+--------------------+------------venit | 0.7071

0.7071 |

indicepret | 0.7071 -0.7071 |

0
0

-----------------------------------------------Noile componente ale modelului vor fi:

F1 = 0.7071*venit + 0.7071*indicepret
F2 = 0.7071*venit - 0.7071*indicepret

4.2.2. Regresia in functie de factorii F1 si F2

. regress PIB f1 f2

=
=

2
2

1.0000

Source |

SS

df

MS

Number of obs =

-------------+------------------------------

F( 2,

Model | 1.2210e+10

2 6.1049e+09

Residual | 3594812.52

75 47930.8336

Prob > F

.
= 0.0000

R-squared

-------------+-----------------------------Total | 1.2213e+10

75) =

78

= 0.9997

Adj R-squared = 0.9997

77 158616055

Root MSE

= 218.93

-----------------------------------------------------------------------------PIB |

Coef. Std. Err.

P>|t|

[95% Conf. Interval]

-------------+---------------------------------------------------------------f1 | 7.036149 3.131896

2.25 0.028

.7970917

13.27521

f2 | -5.398985 3.151939

-1.71 0.091

-11.67797

.8799989

_cons | 56.47501 68.00173

0.83 0.409

-78.99139

191.9414

-----------------------------------------------------------------------------Se observa ca si in acest caz se mentin valorile ridicate ale variantei explicite cat si a R. Asadar si acest model este
reprezentativ si trece de primele teste.
Forma modelului este:
PIB = 56.47501 + 7.036149*f1 -5.398985*f2
Inlocuind cu valorile initiale ale factorilor vom avea:
PIB = 56.47501 + 1.1576378 * venit + 1.1576378 * indicepret

4.3. Corelatia partiala

. pcorr PIB venit indicepret
(obs=78)
Partial correlation of PIB with

Variable |

Corr.

Sig.

-------------+-----------------venit | 0.9943

0.000

indicepret | 0.2228

0.052

Daca se ia in considerare doar actiunea factorului

rezulta ca acesta influenteaza variabila Y in proportie de 0.9943.

(venit), celalalt factor ramanand constant, atunci

Daca se ia in considerare doar actiunea factorului

(indicepret), celalalt factor ramanand constant, atunci
rezulta ca acesta influenteaza variabila Y in proportie de 0.2228.

4.4. Autocorelarea erorilor

. estat dwatson
Durbin-Watson d-statistic( 3,

78) = .6110033

Testul Durbin-Watson arata existenta unei autocorelari la nivelul modelului, intrucat valoarea coeficientului este
destul de apropiata de 0, ceea ce arata o corelare directa intre erori.
. estat bgodfrey
Breusch-Godfrey LM test for autocorrelation
--------------------------------------------------------------------------lags(p) |

chi2

df

Prob > chi2

-------------+------------------------------------------------------------1

36.481

0.0000

--------------------------------------------------------------------------H0: no serial correlation

Avand in vedere ca valoarea ,hi patrat' este 0, ipoteza nula de inexistenta autocorelarii este respinsa. Asadar modelul
prezinta o autocorelare.

4.4.1. Eliminarea fenomenului de autocorelare

Pentru a corecta autocorelarea erorilor cu ajutorul STATA se va rula testul Prais-Winston, specificandu-se de
asemenea optiunea Cochran-Orcutt.

Datele obtinute vor fi vizibil diferite fata de cele originale:

. prais PIB f1 f2 ,corc
Iteration 0: rho = 0.0000
Iteration 1: rho = 0.7081
Iteration 2: rho = 0.7167

Iteration 3: rho = 0.7181

Iteration 4: rho = 0.7183
Iteration 5: rho = 0.7183
Iteration 6: rho = 0.7183
Iteration 7: rho = 0.7183
Iteration 8: rho = 0.7183
Cochrane-Orcutt AR(1) regression -- iterated estimates
Source |

SS

df

MS

Number of obs =

-------------+-----------------------------Model | 1.1755e+09
Residual | 1903471.11

F( 2,

2 587761035

= 0.0000

R-squared

-------------+-----------------------------Total | 1.1774e+09

74) =22850.00

Prob > F

74 25722.5825

77

= 0.9984

Adj R-squared = 0.9983

76 15492441.3

Root MSE

= 160.38

-----------------------------------------------------------------------------PIB |

Coef. Std. Err.

P>|t|

[95% Conf. Interval]

-------------+---------------------------------------------------------------f1 | 9.545685 6.797692

1.40 0.164

-3.999012

23.09038

f2 | -7.921125 6.839497

-1.16 0.251

-21.54912

5.706871

_cons | 6.719343 164.2768

0.04 0.967

-320.6093

334.048

-------------+---------------------------------------------------------------rho | .7183342
-----------------------------------------------------------------------------Durbin-Watson statistic (original)

0.611004

Durbin-Watson statistic (transformed) 1.717177

Observam ca valoarea coeficinetului Durbin-Watson este peste 1 ceea ce inseamna ca nu mai exista o
autocorelare a erorilor. Se observa ca modelul este valid atat din punct de vedere al informatiei esplicate de factori,
cat si din punct de vedere al posibilitatii de predictie (F=0). De asemenea, coeficientii modelului sunt diferiti de 0.

4.5. Testarea parametrilor

. testparm f1 f2
( 1) f1 = 0
( 2) f2 = 0
F( 2,

75) = 1.3e+05

Prob > F =

0.0000 => parametrii sunt diferiti de 0

4.6. Legatura intre reziduuri si variabilele factor

Reziduurile nu trebuie sa fie corelate cu factorii
. correlate venit indicepret rmodel
(obs=78)
|

venit indice~t rmodel

-------------+--------------------------venit | 1.0000
indicepret | 0.9865 1.0000
rmodel | 0.0000 -0.0000 1.0000
Din tabelul de mai sus se observa ca variabilele factor (venitul si indicele preturilor) nu se coreleaza cu
reziduurile.

4.7. Analiza reziduurilor si predictiilor

4.7.1. Media reziduurilor
. ttest rmodel==0
One-sample t test
-----------------------------------------------------------------------------Variable |

Obs

Mean

Std. Err. Std. Dev. [95% Conf. Interval]

---------+-------------------------------------------------------------------rmodel |

78

3.89e-07

24.46501

216.0691 -48.71606

-----------------------------------------------------------------------------mean = mean(rmodel)
Ho: mean = 0

t = 0.0000
degrees of freedom =

77

48.71607

Ha: mean < 0

Ha: mean != 0

Pr(T < t) = 0.5000

Pr(|T| > |t|) = 1.0000

Ha: mean > 0

Pr(T > t) = 0.5000

Testarea mediei rezidurilor egala cu 0 arata ca aceasta este egala cu 0.

4.7.2. Distributia erorilor fata de model

Din acest grafic se observa ca erorile sunt normal distribuite.

4.7.3. Testarea normalitatii reziduurilor

Din acest grafic se observa ca reziduurile sunt normal distribuite.

In continuare prezentam cateva teste prin care se verifica aceeasi normalitate a reziduurilor. Aceste teste propun
analiza asimetriei, respectiv a boltirii pentru a stabili distribtia normala a reziduurilor.
. sktest rmodel
Skewness/Kurtosis tests for Normality
------- joint -----Variable | Pr(Skewness) Pr(Kurtosis) adj chi2(2)

Prob>chi2

-------------+------------------------------------------------------rmodel |

0.007

0.000

17.20

0.0002

- erorile nu sunt distribuite normal

- erorile sunt distribuite normal

Prob>chi2 = 0.05 > 0.0002

se respinge, erorile sunt distribuite normal.

4.8. Testarea ipotezelor liniare privind parametrii

4.8.1. Testul lui Ramsey

. estat ovtest
Ramsey RESET test using powers of the fitted values of PIB
Ho: model has no omitted variables
F(3, 72) =

10.67

Prob > F =

0.0000

- Y depinde doar de variabilele factor considerate

- Y depinde si de alte variabile

Fcalc = F(3, 72) = 10.67
Ftab = 2.74

se respinge, inseamna ca exista si alte variabile care explica variabila Y

Prob > F = 0.0000 < 0.05

se respinge

4.8.2. Testul lui Chaw

Presupunem ca impartim esantionul in 2 grupe: n1=65 si n2=13.
Estimam parametrii pentru prima grupa:
. regress PIB venit indicepret in 1/65

Source |

SS

df

MS

Number of obs =

-------------+------------------------------

F( 2,

Model | 3.4100e+09

2 1.7050e+09

Residual | 802265.002

62 12939.7581

-------------+-----------------------------Total | 3.4108e+09

Prob > F
R-squared

64 53293550.8

Coef. Std. Err.

.
= 0.0000
= 0.9998

Adj R-squared = 0.9998

Root MSE

-----------------------------------------------------------------------------PIB |

62) =

65

P>|t|

[95% Conf. Interval]

-------------+----------------------------------------------------------------

= 113.75

venit | 1.089366 .0209872

51.91 0.000

indicepret | 25.18873 5.367007

_cons | -95.6645 59.36767

4.69 0.000
-1.61 0.112

1.047414

1.131319

14.46024
-214.3388

35.91722
23.00978

-----------------------------------------------------------------------------Estimam parametrii pentru intreg esantionul:

. regress PIB venit indicepret
Source |

SS

df

MS

Number of obs =

-------------+------------------------------

F( 2,

75) =

Model | 1.2210e+10

2 6.1049e+09

Prob > F

Residual | 3594817.54

75 47930.9005

R-squared

-------------+-----------------------------Total | 1.2213e+10

77 158616055

Coef. Std. Err.

Root MSE

P>|t|

[95% Conf. Interval]

-------------+---------------------------------------------------------------venit | 1.157639 .0143654

80.59 0.000

1.129022

1.186257

indicepret | 8.792613 4.443268

1.98 0.052

-.0588302

17.64406

_cons | 56.47864 68.00137

0.83 0.409

-78.98703

191.9443

------------------------------------------------------------------------------

-parametrii celor doua grupe sunt constanti

- parametrii celor doua grupe nu sunt constanti

'

'

(e* * e* - e1 * e1 ) / n2
F=
'

e1 * e1 / (n1 - k)
= F(n2 , n1 - k) = F(13,65 - 2) = F(13,63) = 1.87
Fcalc = mare

.
= 0.0000
= 0.9997

Adj R-squared = 0.9997

-----------------------------------------------------------------------------PIB |

78

= 218.93

Ftab = 3.13

se respinge, parametrii celor doua grupe nu sunt constanti

4.9. Variante constante (homoscedasticitatea)

. estat hettest
Breusch-Pagan / Cook-Weisberg test for heteroskedasticity
Ho: Constant variance
Variables: fitted values of PIB
chi2(1)

13.37

Prob > chi2 = 0.0003

H0: modelul este heteroscedastic
H1: modelul nu este heteroscedastic
calc = 13.37
tab = 11.07 (sunt 5 grade de libertate)
calc > tab => H0 se respinge, deci modelul nu este heteroscedastic
. estat imtest,white
White's test for Ho: homoskedasticity
against Ha: unrestricted heteroskedasticity
chi2(5)

27.05

Prob > chi2 =

0.0001

Cameron & Trivedi's decomposition of IM-test

--------------------------------------------------Source

chi2

df

---------------------+----------------------------Heteroskedasticity |
Skewness
Kurtosis

|
|

27.05

0.0001

7.08

0.0290

1.22

0.2686

---------------------+----------------------------Total

35.35

0.0000

--------------------------------------------------H0: modelul este homoscedastic

H1: modelul nu este homoscedastic
calc = 27.05
tab = 11.07 (sunt 5 grade de libertate)
calc > tab => H0 se respinge, deci modelul nu este homoscedastic.

4.10. Puterea de previzionare a modelului

. anova PIB venit indicepret,partial
Number of obs =
Root MSE

78

Source | Partial SS

0
df

R-squared

= 1.0000

Adj R-squared =
MS

Prob > F

-----------+---------------------------------------------------Model | 1.2213e+10

77 158616055

|
venit | 1.2213e+10
indicepret |

77 158616055

|
Residual |

-----------+---------------------------------------------------Total | 1.2213e+10

77 158616055

Facand testul ANOVA acesta ne arata ca varianta totala este data de varianta explicta a modelului, iar varianta
reziduala este 0. aceasta inseamna ca modelul este vaid si poate fi folosit in previziune.
In continuare voi prezenta graficele suprapuse ale valorilor PIB-ului, asa cum au fost ele preluate din tabele si
asa cum au fost prezise de model. Astfel:
PIB-ul in functie de variatia veniturilor:

PIB-ul in functie de variatia preturilor:

PIB-ul prezis de modelul multifactorial, luand in considerare atat variatia veniturilor cat si variatia preturilor:

Comparand variantele celor doua variabile : PIB-ul in valori reale si PIB-ul in valori prezise se observa ca acestea au
variantele egale:
. sdtest PIB==pmodel
Variance ratio test
-----------------------------------------------------------------------------Variable |

Obs

Mean

Std. Err. Std. Dev. [95% Conf. Interval]

---------+-------------------------------------------------------------------PIB |

78

pmodel |

11227.68

78

1426.022

11227.68

12594.29

1425.812

8388.107

12592.43

14067.25

8388.525

14066.83

---------+-------------------------------------------------------------------combined |

156

11227.68

1005.018

12552.67

9242.38

-----------------------------------------------------------------------------ratio = sd(PIB) / sd(pmodel)

Ho: ratio = 1
Ha: ratio < 1

f = 1.0003
degrees of freedom = 77, 77

Ha: ratio != 1

Ha: ratio > 1

13212.98

Pr(F < f) = 0.5005

2*Pr(F > f) = 0.9990

Pr(F > f) = 0.4995

5. Concluzii
Analizand validitatea modelelor se observa ca acestea nu trec toate testele necesitand astfel diferite ajustari. Este
clar insa ca intr-o economie, variatia PIB-ului este determinata de variatia nivelului veniturilor si de variatia nivelului
preturilor. Asadar, variabila independenta, dupa cum ne arata si testele si modelele depinde in mare masura de cei
doi factori analizati.
Modelul PIB-ului in functie de venit si pret poate arata astfel: