Professional Documents
Culture Documents
Cursuri Eco
Cursuri Eco
Examen scris
Activitatea de la seminar: (30% din nota finală);
Examen final: (70% din nota finală).
Tematica (1)
X S Y
Modelele deterministe: y = f(x) (de exemplu: Q = wL) se utilizează frecvent în
practica economică în analiza pe factori a variaţiei, în timp sau spaţiu, a
fenomenelor social economice.
8
Regresia – scurt istoric al termenului
9
Modele
10
Modele deterministe
Modele probabiliste
Exprimă o relaţie exactă între
variabile ◼ Componenta
Teoretic, eroarea de previziune deterministă
este nulă
◼ Componenta aleatoare
◼ Eroarea de previziune
Exemplu:
este nenulă
Principiul al doilea al mecanicii
newtoniene: ◼ Componenta aleatoare
F = m.a poate fi datorată
factorilor obiectivi, ce
nu sînt incluşi în model
◼ Exemplu: Volumul
vînzărilor=10 *
Cheltuielile cu
publicitatea +
Componenta 11
aleatoare
Tipuri de modele probabiliste
Modele
Probabilistic
Probabilistic
probabiliste
Models
Models
Modele de
Regression
Regression Modele de
Correlation
Correlation Alte
Other
Other
regresie
Models
Models corelatie
Models
Models Models
Models
modele
12
Regresia – metodă de modelare a legăturilor
dintre variabile
În general, orice fenomen este rezultatul acţiunii unuia sau mai multor factori
Exprimarea matematică:
Y = f ( X 1 ,..., X n ) +
Simple Multiple
Non- Non-
Linear Linear
Linear Linear
15
Tipuri de modele de regresie
16
Modelul de regresie liniară simplă
17
Exemplu
practic
Există o legătură între
suprafaţa unor apartamente
din zona centrală şi preţul de
închiriere a acestora?
Selectăm aleator 25 de astfel
de apartamente la care
urmărim valorile celor două
variabile X – suprafaţa(m2) şi
Y – chiria lunară(RON).
18
Regresia folosind EXCEL
Accesăm meniul TOOLS>DATA ANALYSIS>REGRESSION
19
Regresia folosind EXCEL
Selectăm valorile variabilelor
20
21
Corelograma(Scatter plot)
2500
2000
Chiria(RON)
1500
1000
500
0
0 50 100 150 200 250
Suprafata(m2) 22
Modelul de regresie liniară simplă
Variabila
Variabila independentă
dependentă Panta dreptei de 23
(răspuns) (explicativă)
regresie
Regresie liniara (2)
Joi, 11 Martie 2021
1
Media şi dispersia variabilei dependente
2
• La nivelul populaţiei regresia se reduce la exprimarea
mediei condiţionate a lui Y:
Dreapta de regresie
Y
X
4
Modelul de regresie liniară la
nivelul populaţiei
Y Yi = 0 + 1X i + i Valoarea
observată
i = Eroarea
= 0 + 1X i
YX
(E(Y))
X
Valoarea 5
observată
Modelul de regresie liniară la
nivelul eşantionului
Yˆi = ˆ0 + ˆ1 X i
Yi = Valoarea estimată a lui Y pentru observaţia i
ˆ1
= Estimatorul pantei 1
6
Estimarea parametrilor modelului de regresie
Metoda celor mai mici pătrate(M.C.M.M.P.) –
Ordinary Least Squares(OLS sau LS)
Presupunem că avem n perechi de observaţii (x1,
y1), (x2, y2), …, (xn, yn).
Ideea este să minimizăm distanţa dintre valorile
estimate şi valorilen reale 2
( )
n
L = Yi − Yˆi = ˆ i2 = min
i =1 i =1
Ne reamintim că deci
7
Ilustrare grafică
n
LS m inim izează ˆ
i =1
i
2
= ˆ + ˆ + ˆ + ˆ
1
2 2
2
2
3
2
4
Y Y 2 = 0 + 1 X 2 + 2
^4
^2
^1 ^3
Yi = 0 + 1X i
X 8
Condiţiile de minim:
9
Estimatorii modelului de regresie
cov(X , Y )
b1 = 2
sx
b 0 = y − b1 x
10
Notaţii
Valoarea estimată:
Valoarea reziduală(reziduul):
11
Estimatorul dispersiei modelului
12
Proprietăţile estimatorilor modelului de regresie
− ˆ0 şi ˆ1 sînt estimatori nedeplasaţi ai parametrilor 0 şi 1
E ( ˆ ) = şi E ( ˆ ) =
0 0 1 1
ˆ 1 x 2
V( 0 ) = +
2
n S xx
2
V(ˆ1 ) =
S xx
n
unde S xx = ( xi − x ) 2 şi 2 este dispersia variabilei reziduale
i =1
Y Sample 1 Line
All Possible
Sample Slopes
Sample 2 Line
Sample 1: 2.5
Population Line
Sample 2: 1.6
X
Sample 3: 1.8
Sample 4: 2.1
Sampling Distribution : :
S^1 Very large number of
sample slopes
1 ^
1
14
Eroarea standard a estimatorilor
n
i
e 2
V ( ˆ
) n S xx 1 x 2
ˆ
-SE ( 0 ) = 0
= = ˆ +
2
df n−2 n S xx
Pentru termenul
ˆ0 − t / 2,n −2 SEliber(intercept)
( ˆ0 ) 0 ˆ0 + t / 2, n −2 SE ( ˆ0 )
1 x2 1 x 2
ˆ0 − t / 2,n −2 ˆ + 0 ˆ0 + t / 2,n −2 ˆ +
2 2
n S xx n S xx
Pentru panta dreptei de regresie(slope)
ˆ1 − t / 2,n−2 SE ( ˆ1 ) 1 ˆ1 + t / 2,n−2 SE ( ˆ1 )
x 2
x 2
ˆ1 − t / 2,n−2 ˆ
ˆ 1 1 + t / 2,n−2 ˆ
2 2
S xx S xx
unde n este estimatorul dispersiei modelului.
e 2
i
ˆ 2 = i =1
n−2
16
Teorema Gauss-Markov
Estimatorii obţinuţi prin metoda celor mai mici
pătrate sînt B.L.U.E. i.e. orice alt estimator liniar
are o dispersie mai mare decît cei obţinuţi prin
MCMMP.
Conform OLS, estimatorul pantei este o combinaţie liniară de valorile variabilei dependente:
n n n n
( y − y)( x − x) y ( x − x) − y ( x − x) y ( x − x)
i i i i i i i n
ˆ1 = i =1
n
= i =1
n
i =1
= i =1
n
= i yi
( x − x)
i =1
i
2
( x − x)
i =1
i
2
( x − x)
i =1
i
2 i =1
n n n n
Fie = qi yi = 0 qi + 1 qi xi + qi i un alt estimator liniar.
'
i =1 i =1 i =1 i =1
n n
Pentru ca E( ) = 1 , e necesar ca qi = 0 şi qi xi = 1.
'
i =1 i =1
n n
Rezultă = qi i + 1 , deci varianţa sa este V( ) =
' ' 2
q . 2
i
i =1 i =1
n
Fie vi = q −i i , atunci qi = i + vi şi avem V( ) = ' 2
(
i =1
i + vi ) 2 =
n n n
= 2
(
i =1
i
2
+ 2 i vi + v ) =
2
i
2
(
i =1
i
2
+v ) 2
i
2
i =1
i
2
= V ( ˆ1 ).*** QED 17
Exemplu-chiria ca funcţie de suprafaţă
ˆ ˆ
(Y i - Y ) = ( Y i - Y ) + (Y i - Y i )
19
Descompunerea variaţiei
Y
SSE =(Yi - Yi )2
_
SST = (Yi - Y)2
_
SSR = (Yi - Y)2 _
Y
X
X Xi
20
ANOVA pentru regresie
(Y i
− Y )2
= ˆ
(Yi − Y ) +
2
ˆ
(Y i − Y i ) 2
22
Coeficientul de determinaţie R2
Este o măsură a proporţiei varianţei explicate de
model n n
SSR i
( ˆ
y − y ) 2
i
e 2
R =
2
= i =1
= 1− i =1
0,1
SST ( y − y)
i
i
2
( y − y)
i
i
2
Standard Error : n
i
e 2
ˆ = i =1
n−2
24
Observaţii
25
Foarte important!!
Pentru modele de regresie fără termen liber, de tipul
y1 = 1 x1 + 1
, unde y2i = y1i + şi x2i = x1i +
y2 = 2 x2 + 2
Y R2 = 1, r = +1 Y R2 = 1, r = -1
^=b +b X
Yi 0 1 i
^=b +b X
Yi 0 1 i
X X
R 2 = .8, r = +0.9
Y Y R2 = 0, r = 0
^=b +b X
Y ^=b +b X
Y
i 0 1 i i 0 1 i
X X27
Tabelul ANOVA
Source of Sum of Squares df Mean F
Variation Square
n
SSR MSR
Regression SSR = ( yˆi − y ) 2
k-1 MSR=
i =1 k −1 MSE
n n
SSE
Error SSE = ( yi − yˆi ) = ei 2
2
n-k MSE=
i =1 i =1 n−k
SST = ( yi − y ) 2 SST
Total n-1
i n −1
SSR
Testul k-numărul de parametri ai
F = k − 1 ~ Fk −1, n − k modelului
SSE
n−k
este folosit la verificarea validităţii modelului. Un model este valid dacă proporţia
varianţei explicate prin model este semnificativă. Ipoteza nulă pentru testul F in cazul
acesta este cea de model nevalid. 28
Excel Output
SUMMARY OUTPUT
Regression Statistics
Multiple R 0.85
R Square 0.72
Adjusted R Square 0.71
Standard Error 194.70
Observations 25
ANOVA
df SS MS F Significance F
Regression 1 2267827.07 2267827.07 59.82347359 0.00
Residual 23 871898.93 37908.64913
Total 24 3139726
29
REGRESIA MULTIPLĂ
1
Regresie multipla
Coeficienti de
regresie
Variabila eroare
Variabila
Variabile Independente
Dependenta
2
Forma generală a modelului
x11 x1k
y1 k e1
x12 x2 b1
Y = , X = , e = , b =
y
n
k e n
x1n xn bk
Y = Xb + e
4
Estimarea parametrilor prin MCMMP
Minimizăm suma pătratelor erorilor de ajustare:
S ( bˆ ) = ei2 = ( yi − bˆ1 x1i − bˆ2 x2i − ... − bˆk xki ) 2 =
i i
( y
i
i
ˆ ' x )2 .
−b i
În dezvoltarea ultimei expresii s-a luat în considerare faptul că bˆ ' X ' Y este un scalar
real.
5
Estimarea parametrilor prin MCMMP
Derivînd în raport cu bˆ avem:
S (bˆ ) [Y 'Y − 2bˆ ' X 'Y + bˆ ' X ' X bˆ ] [ bˆ ' X ' X bˆ ]
= = −2 X ' Y + = −2 X 'Y + 2 X ' X bˆ = 0 .
bˆ bˆ bˆ
Din ipoteza V matricea X’X este nesingulară, deci estimatorul vectorului parametrilor
modelului de regresie multiplă este:
Generatori de cerere
Elemente de demografie
Cunoaşterea
Competiţia Clienţii Comunitatea Elemente fizice
pieţei
9
Exemplu (3)
⚫ Se folosesc date pentru un esantion de
100 hoteluri care apartin aceluiaşi lanţ, si
se foloseste urmatorul model :
Marja =b0 + b1Camere + b2Apropiere + b3Birouri +
b4G/Aerop. + b5Venit + b6Dist_oraş+e
10
Exemplu (4)
Regression Statistics
Multiple R 0,724611
R Square 0,525062
Adjusted R Square
0,49442 Marja = 72.455 - 0.008*Camere -1.646*Apropiere
Standard Error
5,512084 + 0.02*Birouri +0.212*G/Aerop
Observations 100
- 0.413*Venit + 0.225*Dist_oraş
ANOVA
df SS MS F Significance F
Regression 6 3123,832 520,6387 17,13581 3,03E-13
Residual 93 2825,626 30,38307
Total 99 5949,458
Coefficients
Standard Error t Stat P-value Lower 95% Upper 95%
Intercept 72,45461 7,893104 9,179483 1,11E-14 56,78049 88,12874
Camere -0,00762 0,001255 -6,06871 2,77E-08 -0,01011 -0,00513
Apropiere -1,64624 0,632837 -2,60136 0,010803 -2,90292 -0,38955
Birouri 0,019766 0,00341 5,795594 9,24E-08 0,012993 0,026538
G/Aerop. 0,211783 0,133428 1,587246 0,115851 -0,05318 0,476744
Venit -0,41312 0,139552 -2,96034 0,003899 -0,69025 -0,136
Dist_oras 0,225258 0,178709 1,260475 0,210651 -0,12962 0,580138 11
Exemplu (5)
• Utilizarea modelului
⚫ Predictie pentru un hotel cu
urmatoarele caracteristici:
3815 camere în raza de 5 km,
Cel mai apropiat competitor la 3.4 km,
1 prima
1 dacă
dacă dacă
dateletemperatura
1 dacăcondiţie
sunt
e licenţiat
culese aînfost
e satisfăcutăsubde10
înainte
Finanţe o
2000
I=
00 dacă
dacă atemperatura
0 dacă
dacădoua
edatele
licenţiat aînfost
condiţie
sunt de 10
altceva
eculese o sau mai mult
satisfăcută
după
decât 2000
Finanţe
13
Exemplu (1)
14
Exemplu (2)
⚫ Folosim modelul
y = b0 + b1(Kilometraj) + b2I1 + b3I2 + e
Regression Statistics
Multiple R 0.835482
R Square 0.69803
Adjusted R Square
0.688594
Standard Error
142.271
Observations 100
ANOVA
df SS MS F Significance F
Regression 3 4491749 1497250 73.97095 7.22E-25
Residual 96 1943141 20241.05
Total 99 6434890
Coefficients
Standard Error t Stat P-value Lower 95% Upper 95%
Intercept 6350.323 92.16653 68.90053 1.5E-83 6167.374 6533.272
Odometer -0.02777 0.002369 -11.7242 3.14E-20 -0.03247 -0.02307
I-1 45.24098 34.08443 1.327321 0.187551 -22.4161 112.8981
I-2 147.738 38.18499 3.869007 0.000199 71.94135 223.5347 16
Testarea ipotezelor statistice
1
Concepte (1)
Ipoteză statistică = ipoteza care se face cu privire la
parametrul unei repartiţii sau la legea de repartiţie pe
care o urmează anumite variabile aleatoare.
Ipoteză nulă (H0) = ipoteza care se consideră a priori
adevărată.
Ipoteză alternativă (H1) = o ipoteză care contrazice
ipoteza nulă. Ea va fi acceptată doar când există
suficiente dovezi în favoarea acesteia.
Dacă ipoteza nulă constă în afirmaţia că parametrul θ
al unei distribuţii este egal cu o anumită valoare θ0:
⚫ ipoteză alternativă simplă: θ = θ1
⚫ ipoteză alternativă compusă: { 1 , 2 ,..., k } 2
Concepte (2)
Testul statistic este utilizat drept criteriu de acceptare
sau de respingere a ipotezei nule
Regiunea critică, Rc = valorile numerice ale testului
statistic pentru care ipoteza nulă va fi respinsă.
⚫ este astfel aleasă încât probabilitatea ca ea să conţină testul
statistic, când ipoteza nulă este adevărată să fie α, cu α mic
(α=0.01 etc).
⚫ Dacă valoarea calculată a testului statisticic se află în
regiunea critică Rc, ipoteza H0 se respinge
⚫ regiunea critică este delimitată de valoarea critică, C –
punctul de tăietură în stabilirea acesteia.
3
Concepte (3)
Eroare de genul întâi = eroarea pe care o facem eliminînd o ipoteză nulă,
deşi este adevărată.
Riscul de genul întâi (α) = probabilitatea comiterii unei erori de genul
întâi; se numeşte nivel sau prag de semnificaţie.
Nivelul de încredere al unui test statistic este (1-α) iar în expresie
procentuală, (1-α)100 reprezintă probabilitatea ca rezultatele să fie
adevărate.
Eroare de genul al doilea = eroarea pe cere o facem acceptînd o ipoteză
nulă, deşi este falsă.
Probabilitatea (riscul) comiterii unei erori de genul al doilea este β.
Puterea testului statistic este (1-β).
P-value=cel mai mic nivel de semnificaţie la care poate fi respinsă ipoteza
nulă.
4
Concepte (4)
Ipoteza alternativă poate avea una din trei forme (pe care le vom exemplifica
pentru testarea egalităţii parametrului „media colectivităţii generale“, μ cu
valoarea μ0)
⚫ test bilateral:
H0: μ = μ0
H1: μ ≠ μ0 (μ < μ0 sau μ > μ0)
⚫ test unilateral dreapta:
H0 : μ = μ 0
H1: μ > μ0
⚫ test unilateral stânga:
H0: μ = μ0
H1 : μ < μ 0
5
Regiunea critică
− z / 2 μ z / 2 μ z − z μ
a) b) c)
Regiunea critică pentru a) test bilateral; b) test unilateral dreapta; c) test unilateral stînga
6
Concepte (5)
7
Concepte (6)
8
Etapele verificării ipotezelor
statistice
9
Efectuarea testului statistic
Condiţia esenţială în verificarea ipotezelor statistice este
că variabila de interes urmează o repartiţie normală:
X N ( , 2 )
Se extrage un eşantion aleator din respectiva populaţie
normală
x : ( x1 ,..., xn )
Pe baza eşantionului se calculează valoarea estimatorului
parametrului populaţiei de interes şi apoi valoarea
testului
Forma generală a testului statistic:
valoarea estimată - valoarea ipotetică
eroarea standard a estimatorului 10
Concepte (7)
Se fac presupuneri despre populaţia sau populaţiile ce
sunt eşantionate (normalitate etc.).
Se calculează apoi testul statistic şi se determină
valoarea sa numerică, pe baza datelor din eşantion.
Se desprind concluziile: ipoteza nulă este fie
acceptată, fie respinsă, astfel:
⚫ dacă valoarea numerică a testului statistic cade în regiunea
critică (Rc), respingem ipoteza nulă şi acceptăm ipoteza
alternativă. Această decizie este incorectă doar în 100 α %
din cazuri;
⚫ dacă valoarea numerică a testului nu se află în regiunea
critică (Rc), se acceptă ipoteza nulă H0. 11
Testarea semnificaţiei parametrilor
modelului liniar de regresie (1)
H0 : i = 0
H1 : i 0.
Dacă notăm ii = [(X'X)–1ii] termenul (i, i) din matricea (X’X)–1,
atunci dacă sunt satisfăcute ipotezele pe care se fundamentează modelul
regresiei multiple vom avea următoarele două rezultate:
−1
i → N i , ( X'X )ii
ˆ
iar
i − ˆi
zi = → N (0,1).
( X'X )ii
−1
= ( X'X )ii .
−1
ˆ 2 2
ˆi e
ˆi − i
ti =
e ( X ' X )ii urmează o repartiţie Student cu n-k
Atunci −1
grade de libertate.
Vom formula deci ipotezele:
Ho: ˆi = 0
H1: ˆ ≠0
i
Decizia:
Dacă tcalc>ttab se alege H1 . Altfel, acceptam H0
13
Exemplu (1)
15
Exemplu (3)
2, 78 −0,16 −0,17 −0, 05
−1 −0,16 0, 06 −0, 04 −0, 02
(X ' X ) = 0 −51, 64
−0,17 −0, 04 0, 05 0, 02
−0, 05 −0, 02 0, 02 0,11 ˆ = 1 = ( X
2
' X )−1 X 'Y =
6, 78
5,57
3 −4,19
n − k −1
2, 78
S = 174, 42*
2 0, 06 Punctaj = −51, 64 + 6, 78* Bac + 5,57 * Lic − 4,19* Gen +
0, 05
(22,02) (3,12) (3,05) (4,34)
0,11
16
Exemplu (4) – Testarea semnificaţiei
parametrilor de regresie
Calculam valorile testului t
ˆi − 0
ticalc =
pe care le comparăm cu valorilte teoretice a repartiţiei Student cu n-k
grade de libertate.
t ;n − k = t 0.05 ;47 = 2, 32
2 2
17
Exemplu (5) - Testarea semnificaţiei
parametrilor de regresie
18
Exemplu (6) - ANOVA
19
Ipotezele MCMMP
Y i
= + X i
2
Ipotezele modelului de regresie (2)
4. Variabilele independente Xi nu sunt puternic
corelate (nu prezintă multicoliniaritate).
Cazul ideal este acela in care coeficientul de
corelaţie dintre oricare două variabile
independente să fie nul. Existenţa coliniarităţii
face ca matricea (X’X) să nu fie inversabilă.
5. Variabilele independente sunt
nestochastice şi în eventualitatea în care am
repeta sondajul s-ar obţine aproximativ aceleaşi
valori.
6. Modelul de regresie este corect specificat (s-a
ales o funcţie potrivită) şi a rezultat un grad de
determinaţie suficient de mare.
3
Ipotezele modelului de regresie (3)
7. Erorile sînt normal distribuite cu
medie zero E(εi)=0 i.
8. Homoscedasticitatea (dispersie constantă).
4
Multicolinearitatea
5
Indicatori pentru semnalarea
coliniarităţii (1)
Coeficienţii de corelaţie din matricea de
corelaţie a variabilelor independente
inregistrează valori foarte ridicate (peste
0,85-0,90)
Gradul de determinaţie se apropie de 1 în
condiţiile în care parametrii de regresie nu
trec testul t
Dacă determinantul matricii (X’X) este
extrem de mic (în cazul coliniarităţii perfecte
el este egal cu 0)
6
Indicatori pentru semnalarea
coliniarităţii (2)
Criteriul Klein
◼ se determină raportul de corelaţie Ry2 şi
coeficienţii liniari de corelaţie a variabilelor
exogene rx / x
i j
, ij.
◼ două variabile exogene Xi şi Xj sunt coliniare dacă:
R y2 rx2i / x j
9
Înlăturarea efectului de
multicoliniaritate (2)
10
Autocorelarea erorilor
2
Cauzele de apariţie a autocorelării
erorilor (1)
Absenţa uneia sau mai multor variabile
explicative importante
◼ neincluderea uneia sau mai multor variabile
explicative importante poate genera
autocorelarea erorilor.
◼ exemplu: y i = a + bx1i + cx 2i + i
◼ variabila exogenă x3 este omisă variabilele
reziduale sunt autocorelate şi reziduul va fi
explicitat prin intermediul acestei variabile
omise: = + x + u
i 3i i
3
Cauzele de apariţie a autocorelării
erorilor (2)
Residual Residual
+
+ ++
+
+ + +
+ + +
0 + 0 + +
+ Time Time
+ + + + + +
+
+
+ ++ +
+
7
Autocorelatie de ordinul I pozitiva
Autocorelatie de ordinul I pozitiva
+ Reziduri
+
+
+
0
Timp
+
+ +
+
i i −1
( e − e ) 2
Statistica testului: DW = i =2
n
e
2
i
i =1
Numărătorul statisticii va fi scris sub forma echivalentă:
n 2 n n n n n
(e − e ) = e
i =2
i i −1
i =2
2
i − 2 ei ei −1 + e i −1 = 2 e − 2 ei ei −1 − e12 − en2 .
i =2 i =2
2
i =1
2
i
i =2
10
Decizia in cazul testului Durbin-Watson
0 d1 d2 2 4-d2 4-d1 4
11
Testul Durbin Watson
Testul Durbin-Watson pentru α= 5 %.
n k=1 k=2 k=3 k=4 k=5
d1 d2 d1 d2 d1 d2 d1 d2 d1 d2
15 1,08 1,36 0,95 1,54 0,82 1,75 0,69 1,97 0,56 2,21
20 1,20 1,41 1,10 1,94 1,00 1,68 0,90 1,83 0,79 1,99
30 1,35 1,49 1,28 1,57 1,21 1,65 1,14 1,74 1,07 1,83
40 1,44 1,54 1,39 1,60 1,34 1,66 1,29 1,72 1,23 1,79
50 1,50 1,59 1,46 1, 63 1,42 1,67 1,38 1,72 1,34 1,77
100 1,65 1,69 1,63 1,72 1,61 1,74 1,59 1,76 1,37 1,78
Sau:
https://web.stanford.edu/~clint/bench/dwcrit.htm
12
Metode de estimare a parametrilor în
cazul autocorelării (1)
Erorile prezintă o autocorelare de un anumit ordin
estimatorii parametrilor sunt nedeplasaţi şi consistenţi, dar
nu sunt eficienţi.
1. Se estimează parametrii modelului de regresie: Y=X+
prin metoda celor mai mici pătrate şi se obţine seria erorilor
(ei)i=1,n
2. Se consideră că erorile urmează un proces autoregresiv
de ordinul I:
n
e e
i = i −1 + u i
i i −1
= i =2
n
i −1
e 2
i =2
13
Metode de estimare a parametrilor în
cazul autocorelării (2)
p p
3. yi = 0 + j x ji + i yi − yi −1 = 0 (1 − ) + j ( x ji − x ji −1 ) + i − i −1
j =1 j =1
*
yi = yi − yi −1 p
*
y = 0 + j x*ji + i
Notând:
*
x ji = x ji − x ji −1 i
j =1
0 = 0 (1 − )
i → N (0, ) 2
14
Analiza variabilei reziduale în
modelarea econometrică
1000
800
consum
600
400
200
0
200 300 400 500 600 700 800 900 1000
venit
3
Necorelarea erorilor: E(ij)=0 ij
Această ipoteză nu implică faptul că yi şi yj sunt
necorelate, ci faptul că deviaţiile observaţiilor de la
valorile lor aşteptate sunt necorelate.
Ipoteza de normalitate a erorilor i
N(0,2)
Este o ipoteză de lucru, tehnică, ce permite
obţinerea unor estimatori “buni”.
Dacă ipotezele precedente sînt respectate,
vom obţine estimatori B.L.U.E. (Best
Linear Unbiased Estimators)
4
Variaţia erorilor în jurul dreptei de regresie
Y
X2
X1
X Dreapta de regresie 5
Daca varianta este constanta avem
homoscedasticitate
+
^y
++
Residual
+ +
+ + + ++
+
+ + + +
+ ++ + +
+ +
+ + + ++ ++ +
+ + + y^ ++
+ + + ++ +
+ + + + +
+ +++
+ +++
+
6
Variabila reziduala are varianta constanta:
Homoscedasticitate/Heteroscedasticitate
◼ Daca este incalcata conditia variantei
constante suntem in cazul heteroscedasticitatii.
+
^y
++
Residual
+
+ + + ++
+
+ + + ++ + +
+ + + +
+ + + ++ +
+ + + + y^
+ + ++ +
+ + +
+ + ++
+ + ++
9
Asimetria şi boltirea (recapitulare)
Coeficienţii lui Pearson
32 4
Cas = 1 = 3 Cbolt = 2 = 2
2 2
unde: unde:
( ) ( )
2
i −
4
−
2 = 2
= 4 =
i
n n
(momentul centrat de ordin 2)
(momentul centrat de ordinul 4)
( )
3
i −
3 =
n
(momentul centrat de ordin 3) În Excel =kurt(…)
În Excel =skew(…) 10
Exemplu (1)
La modelul prezentat la cursul anterior (în care era studiată
dependenţa dintre punctajul obţinut la admiterea ASE şi
media examenului de Bacalaureat, media anilor de liceu
precum şi genul candidaţilor distribuţia erorilor este
următoarea: 12
10
0 N = 50,00
-30,0 -20,0 -10,0 0,0 10,0 20,0
-25,0 -15,0 -5,0 5,0 15,0
11
VAR00001
Exemplu (2)
Valoarea statisticii JB :
12
Homescedasticitatea
k k
a) e = a j x j + b j x 2j + v
2
j =1 j =1
3
Testele statistice utilizate pentru depistarea
heteroscedasticităţii - Testul White (2)
3. Ipotezele testului:
H0: a1=...=ak=b1=...=bk=0 model homoscedastic
H1: a1 0 sau bj 0 model heteroscedastic
4. Statistica testului: LM=nR2→2;k-1
Observaţie:
◼ o creştere a lui r conduce la diminuarea puterii testului
◼ pentru un număr mare de variabile exogene se recomandă
modelul a)
◼ pentru un număr moderat de variabile exogene se recomandă
modelul b)
4
Metode de estimare a parametrilor în
cazul heteroscedasticităţii (1)
În cazul în care avem un număr suficient de mare
de valori putem împărţi datele în două serii şi
realiza modele pentru fiecare dintre ele separat
6
Invitatie – CEBSS (1):
Vom audia o prezentare cu multa modelare
econometrica
Cine? Liana Razmerita si Kai Hockerts
(Copenhagen Business School)
Joi 22 aprilie 2021 orele 14:00-15:00
Zoom link:
https://us02web.zoom.us/j/83387907164
Zoom Meeting ID: 833 8790 7164
Title: “Modeling Collaborative Intentions and
Behavior in Digital Environments: The Case of a
Massive Open Online Course (MOOC)” (based
on joint work with Kathrin Kirchner and Chee-
7
Wee Tan)
Invitatie CEBSS (2)
Abstract
Modern management education promotes active learning and
peer interaction through group work regarding it as a critical
aspect of the learning process. Given the rise of Massive Open
Online Courses (MOOCs) it is imperative to comprehend how
collaboration can be fostered in such digital learning
environments. Synthesizing theories on individual cognition
and collective interaction, we advance a research model of
individual and communal beliefs about collaboration as salient
drivers of collaborative intentions.
8
Invitatie CEBSS (3)
Continuare Abstract
Analytical results indicate that attitudes toward collaboration at
the outset of the course are predicted by collaborative outcome
expectancy and communal support expectancy, which in turn
are precipitated on participants’ perceived ability to work in
groups (collaborative process efficacy) and peer influence
(communal influence). Additionally, we show that collaborative
intentions influence collaborative behavior and its outcomes. In
particular, we find that group work engagement contributes to
three outcomes: a higher course retention of participants,
increased production of novel ideas and finally a better learning
experience. The models are validated with survey data collected
from a MOOC course. Findings from our study unravel individual
and communal factors affecting engagement in collaborative
processes and show the impact of collaboration on learning and
behavior within online learning environments. 9
Prognoze cu ajutorul
modelelor de regresie
1. Tipuri de predicţii
◼ Estimări punctuale
◼ Estimări pe intervale de încredere
2
Factori care afectează lungimea intervalului de încredere
1. Nivelul de încredere (1 - )
◼ Creşterea nivelului de încredere duce la
creşterea intervalului de încredere
2. Dispersia datelor (σ2)
◼ Creşterea dispersiei duce la creşterea
intervalului de încredere
3. Volumul eşantionului
◼ Creşterea volumului eşantionului duce la
micşorarea intervalului de încredere
4. Distanţa lui Xp faţă de mediaX
◼ Creşterea acestei distante duce la creşterea
intervalului de încredere 3
Distanţa lui Xp faţă de mediaX
ine
le 1L Dispersie
m p
_ Sa mai mare
decît la X1
Y Sample 2
Line
X
X1 X X2
4
Intervale de predicţie hiperbolice
^
Xi
^
^= 0 + 1
Yi
_ X
X XP 5
Intervale de încredere pentru
parametrii de regresie multifactorială
ˆi − t / 2;n −kˆ ˆ i ˆi + t / 2;n −kˆ ˆ
i i
7
Exemplu rezultate calculate cu
ajutorul Excel (2)
Intervalul de încredere pentru parametrul ßi
(coeficientul variabelei media examenului de
Bacalaureat)
Valoarea tabelară a distribuţiei Student
corespunzătoare este:
t0,05;50−4 = 2, 013
Intervalul de încredere va fi:
ˆi − t / 2;n −kˆ ˆ i ˆi + t / 2;n −kˆ ˆ
i i
1
( ) ( X'X )
−1
( )
'
ˆ yˆ = e + x pi − xi x pi − xi
n
9
Exemplu (1)
Pentru modelul de regresie: Punctaj = ˆ0 + ˆ1 * Bac + ˆ2 * Lic + ˆ3 * Gen +
12
Interval de încredere pentru o valoare punctuală a
lui y pentru valori prestabilite ale variabilelor
independente
1
( ) ( X'X ) ( x
−1
)
'
ˆ yˆ − y = e 1+ + x pi − xi pi − xi
n
13
Exemplu (4)
Să se estimeze punctual (cu un prag de semnificaţie
=0,05) punctajul pe care îl va obţine un candidat
de gen masculin, cu media la Bacalaureat 8,5 şi
media anilor de liceu 8.
Eroarea standard a predicţiei punctuale va fi:
1
ˆ yˆ − y = e 1+ + ( x p − xi ) ( X'X ) (x )
' −1
pi − xi = 13, 2079 1 + 0, 02 + 0, 0622 = 13, 739
n i
Intervalul de încredere pentru predicţia punctuală va fi:
1
Argumente
◼ Timpul este o coordonată esenţială a
existenţei umane.
◼ Realitatea economică şi socială se
localizează în timp şi spaţiu.
◼ În general, fenomenele economice nu
au caracter static, manifestîndu-se în
cadrul unei evoluţii temporale.
2
Definiţie şi exemple
• Definiţia 1. Fie [0, T ] un orizont de timp,
( , K , P ) un spaţiu de probabilitate şi ( X t )t
u n p r o c e s s t o c h a s t i c .
p e r i o a d ă d e t i m p ;
– M a t r i c e a d e c o r e l a ţ i e a v e c t o r u l u i a l e a t o r
( X t1 + , X t 2 + ,..., X t n + ) n u d e p i n d e d e
.
a n u m i t ă t e n d i n ţ ă d e e v o l u ţ i e s e n u m e ş t e
n e s t a ţ i o n a r ă .
5
Staţionaritate
6
Procedee de staţionarizare
X t = X t − X t −1
◼ Dacă seria este nestaţionară în dispersie, se
calculează seria logaritmată.
Yt = log( X t )
7
Yt = 3 + t + t , t WN (0,50)
800
600
400
200
-200
-400
100 200 300 400 500
600
400
200
-200
-400
-600
100 200 300 400 500
DIF
120000
100000
80000
60000
40000
20000
0
100 200 300 400 500
XT
10
Yt = ln( X t )t
12
11
10
4
100 200 300 400 500
LNXT
11
Clasificarea seriilor de timp
- de intervale(serii de flux)
- hibride
12
Clasificarea seriilor de timp
300.00%
250.00%
200.00%
150.00%
100.00%
50.00%
0.00%
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
00
01
02
03
04
05
19
19
19
19
19
19
19
19
19
19
19
19
19
19
19
19
19
20
20
20
20
20
20
14
Indicatorii seriilor temporale
15
Indicatori medii
T −1
◼ Indicele mediu de dinamică: YT
I = T −1
Y1
◼ Ritmul mediu al dinamicii:
R = I −1
16
Nivelul mediu al seriei
– se calculează pentru serii cu termeni însumabili
T
Y t
- pentru serii de flux: Y= t =1
T
t1 t 1 + t 2 + ...+ t n-1 + t n + t n
Y 0 +Y 1 Y n -1 Yn
- pentru serii de stoc: Y= 2 2 2 2 , unde t1 ,.., tn este
t 1 + ...+ t n
mulţimea momentelor de timp
17
Figura 5. Schema de determinare a mediei cronologice
Nivelul mediu al seriei
- se calculează pentru fiecare perioadă de timp, cuprinsă între două
momente succesive, nivelul mediu al caracteristicii;
– se determină apoi media aritmetică ponderată :
n
Y
i =1
i ti
Y= n
.
t
i =1
i
◼ Trendul
◼ Componenta sezonieră
◼ Componenta ciclică
◼ Componenta aleatoare
19
Fazele unui ciclu economic
20
Componentele seriilor de timp
21
Trendul
◼ Metode mecanice
- metoda modificării medii absolute
- metoda indicelui mediu de dinamică
- metoda mediilor mobile
◼ Metode analitice
- funcţie liniară de gradul I
- funcţie parabolică
- funcţie exponenţială
22
Metoda modificării medii absolute
t =1
23
Exemplu
Volumul vînzărilor de apă minerală în România (mii cases)
14,000
12,000
10,000
8,000
6,000
4,000
2,000
0
0 0 0 1 1 1 1 2 2 2 2 3 3 3 3 4 4 4 4 5 5 5 5 6
pr0 ul0 ct0 an0 pr0 ul0 ct0 an0 pr0 ul0 ct0 an0 pr0 ul0 ct0 an0 pr0 ul0 ct0 an0 pr0 ul0 ct0 an0
A J O J A J O J A J O J A J O J A J O J A J O J
Yt = Y1 ( I )t −1 , t = 1..T
25
Trendul-funcţie liniară de timp
◼ Modelul:
Yt = o + 1t + t
◼ Presupunem îndeplinite ipotezele modelului liniar
de regresie
◼ Estimatorii parametrilor modelului se obţin prin
M.C.M.M.P. ca soluţii ale sistemului:
= t
Yt * t 2
− Yt t * t
ˆ0 n + ˆ1 t = Yt
t t t
n t − ( t )
0 2 2
t t
t t
ˆ0 t + ˆ1 t = Yt t n Yt t − t * Yt
2
t t t
1 = t t t
n t 2 − ( t ) 2
t t 26
Exemplu
Volumul vînzărilor de apă minerală în România (mii cases)
14,000
12,000
10,000
8,000
6,000
4,000 Yt = 102.4t + 3542.6
2
2,000 R = 0.5673
0
Ja 00
Ja 01
Ja 02
Ja 03
Ja 04
Ja 05
A 01
A 02
A 03
A 04
A 05
6
O 00
O 01
O 02
O 03
O 04
O 05
Ju 0
Ju 1
Ju 2
Ju 3
Ju 4
Ju 5
n0
0
0
l
l
n
n
ct
ct
ct
ct
ct
ct
pr
pr
pr
pr
pr
pr
A
T
SSE = (Yt − Yt ) 2 = 228126582.8 1 case=5.618 litri
t =1 27
Predicţia pe baza trendului
◼ Întotdeauna pentru estimarea trendului va fi ales
acel model care minimizează suma pătratelor
erorilor de ajustare
◼ Pe baza modelului liniar putem realiza predicţii:
- Volumul vînzărilor pentru februarie 2006:
28
Metoda mediilor mobile
◼ Se foloseşte pentru filtrarea componentei sezoniere
şi a componentei aleatoare k+ p
1
◼ Media mobilă de ordinul p : Y p = Yt , k = 0, T − p.
p t =k +1
◼ Date lunare → p=12
◼ Date trimestriale → p=4
29
30
Media mobilă de ordinul 12
Volumul vînzărilor de apă minerală în România(mii cases) Actual
Forecast
14,000
12,000
10,000
8,000
6,000
4,000
2,000
r00 l00 t00 n01 r01 l01 t01 n02 r02 l02 t02 n03 r03 l03 t03 n04 r04 l04 t04 n05 r05 l05 t05 n06
p u c p u c p u c p u c p u c p u c
A J O Ja A J O Ja A J O Ja A J O Ja A J O Ja A J O Ja
31
Staționaritatea seriilor de timp.
Modele de tip AR(I)MA.
Metodologia Box-Jenkins
1
Staţionaritatea unei serii de timp
◼ Proprietăţile unei serii staţionare:
◼ Are media constantă de-a lungul timpului(i.e. nu prezintă
trend)
◼ Are dispersie constantă de-a lungul timpului
◼ Corelaţia de-a lungul timpului depinde de legătura dintre
Yt şi Y la lagul k, (Yt-k) şi nu depinde de alte variabile
◼ Cum recunoaştem o serie staţionară?
◼ Analiza grafică
◼ Evoluţia funcţiei de autocorelaţie(ACF) şi autocorelaţie
parţială(PACF)
◼ Testul Dickey-Fuller
2
Funcţia de autocorelaţie-ACF
Y (k ) =
(Y − Y )(Y − Y ) Cov(Y , Y
t t −k
= t t −k )
(Y − Y )
t
2
2
Y
3
◼ Seriile nestaţionare au ACF care converge
“încet” spre zero
◼ În general, se consideră că dacă după 5 paşi
valoarea ACF este mai mare decît 0.7, atunci
seria este nestaţionară.
◼ Seriile staţionare au ACF care converg rapid
spre zero.
4
Funcţia de autocorelaţie parţială-PACF
◼ Măsoară corelaţia între Yt şi Yt-k fără a ţine cont de
corelaţiile dintre Yt şi Yt-1, Yt-2....
◼ De exemplu, există o corelaţie între Yt şi Yt-1 care
este măsurată prin ACF(1); de asemenea, există o
corelaţie între Yt-1 şi Yt-2 care este măsurată tot de
ACF(1). Dar corelaţia dintre Yt şi Yt-2, dincolo de cea
măsurată prin ACF(1) sau ACF(2) este dată de
PACF(2)
◼ Coeficienţii de autocorelaţie parţială se obţin prin
modele de regresie
5
Ipoteza de rădăcină unitară-Unit Root
6
Testul Dickey-Fuller(Unit Root Test) (1)
◼ Presupunem următorul model de serie temporală:
7
Testul Dickey-Fuller(Unit Root Test) (2)
8
Modele Auto Regresive (AR)
10
Modele de medie mobilă (MA)
◼ Model de medie mobilă de ordinul 1: (MA1)
Yˆt = Y + ˆ1ut −1 + ut
◼ Model de medie mobilă de ordinul 2: (MA2)
Yˆt = Y + ˆ1ut −1 + ˆ 2ut −2 + ut
11
Modele ARMA (Auto Regressive
Moving Average)
◼ Modelează fenomenele sau procesele când sunt
prezente ambele categorii de evoluţii (AR şi MA).
◼ Pentru p=1 şi q =1 vom avea ARMA (1,1)
Yˆt = ˆ0 + ˆ1Yt −1 + ˆ1ut −1 + ut
◼ Pentru p=2 şi q =2 vom avea ARMA (2,2)
Yˆt = ˆ0 + ˆ1Yt −1 + ˆ2Yt − 2 + ˆ1ut −1 + ˆ 2ut − 2 + ut
Media lui Y este inclusă în model prin intermediul
parametrului ß0
12
Modele ARIMA (Auto Regressive Integrated Moving
Average) ARIMA (p,d,q)
13
Metodologia Box-Jenkins
◼ Estimarea parametrilor
Observaţie:
Seria trebuie să fie staţionarizată înainte de
aplicarea metodologiei Box-Jenkins.
14
Cum identificăm parametrii p şi q?
◼ Studiem comportamentul ACF şi PACF
Model acf X () pacf X ()
zero întîrzierea p
zero zero
15
ACF şi PACF pentru AR(1) şi MA(1)
16
Estimarea parametrilor de regresie
17
Teste pentru verificarea modelelor
◼ Testele clasice t şi F
◼ Testul Lying-Box presupune calculul statisticii Q care
urmează o distribuţie Hi pătrat
n
Q = n(n + 2) n −1 k k2
k =1
( )
minim
2
uij
AIC j = ln n j + n j
2k j
18
MODELE CU ECUAŢII
SIMULTANE
3
Istorie şi prezent
În Statele Unite există 12 modele
macroeconomice mari, publice sau
private, cu care se lucrează în prezent.
În Europa nu s-a atins încă acest nivel,
dar mişcarea s-a dezvoltat cu un decalaj
de 5-10 ani faţă de Statele Unite.
Modelarea este mult mai dificilă pentru
economiile europene deoarece acestea
sunt mult mai dependente de exterior.
4
Prezentare generală (1)
Exemplu
Un model clasic de sistem cu ecuaţii multiple este
modelul echilibrului de piaţă:
- ecuaţia cererii: qd = 1 p + 2 y + d
- ecuaţia ofertei: q s = 1 p + s
- echilibrul: qd = qs = q
Aceste ecuaţii sunt structurale, adică ele
derivă din teorie şi fiecare descrie un aspect
particular al economiei. Varabilele preţ şi
cantitate sunt denumite variabile endogene iar
venitul este o variabilă exogenă.
5
Prezentare generală (2)
Un model cu ecuaţii multiple descrie fie
totalitatea tipurilor de relaţii econometrice
- de comportament, de identitate,
instituţionale sau tehnologice, sau doar o
parte dintre acestea.
Un model cu ecuaţii multiple se
elaborează sub formă structurală, adică el
reprezintă transpunerea formală a teoriei
economice referitoare la procesul
economic investigat prin intermediul unui
sistem de ecuaţii.
6
Mod de prezentare
Forma structurală a unui model cu ecuaţii
simultane este forma iniţială a modelului
rezultată în urma etapei de specificare şi
reprezintă structura (elemente şi conexiuni)
procesului descris.
8
Specificarea unui model econometric
cu ecuaţii simultane (2)
Notând: 1 12 1n 11 12 1n
= 21
1 2n şi
B = 21
22 2n
m 2 mn
n1 n 2 1 m1
y1t x1t
1t
y t = , xt = şi t =
y x
nt mt
nt
Forma structurală sub formă matriceală se
scrie:
y + x B =
'
t
'
t t
'
9
Specificarea unui model econometric
cu ecuaţii simultane (3)
Dacă este o matrice superior triunghiulară
modelul are forma:
y1t = f1 ( xt ) + 1t
y = f (y , x ) +
2t 2 1t t 2t
y mt = f m ( y1t , y 2t ,..., y m−1,t , xt ) + mt
A rezolva un model definit prin relaţia anterioară
presupune estimarea celor n(n-1) parametri şi nm
parametri . Aplicarea metodei celor mai mici
pătrate fiecărei ecuaţii conduce la estimatori
deplasaţi nesemnificativi.
10
Forma redusă a modelului
econometric cu ecuaţii simultane
Forma redusă presupune exprimarea tuturor
variabilelor endogene ale modelului în funcţie
de variabilele exogene ale acestuia.
Forma redusă este:
y + x B =
'
t
'
t
−1
t
' −1
12
Exemplu (2)
13
Identificarea modelului (1)
Etapa de identificare presupune revenirea
la forma structurală plecând de la forma
redusă deoarece modelul are semnificaţie
economică numai în această formă.
Această operaţie presupune estimarea
parametrilor matricelor şi B în număr de
n(n-1)+nm plecând de la cei nm
parametri ai matricei A.
Există trei cazuri.
14
Identificarea modelului (2)
1. În matricele şi B există n(n-1) termeni nuli,
adică numărul ecuaţiilor (nm) este egal cu
numărul necunoscutelor (n(n-1)+nm). În acest
caz sistemul este unic determinat.
2. În matricele şi B numărul termenilor nuli este
mai mare decât n(n-1), deci modelul are mai
multe ecuaţii (nm) decât necunoscute (n(n-
1)+nm). În acest caz sistemul este
supraidentificat.
3. În matricele şi B numărul termenilor nuli este
mai mic decât n(n-1), deci modelul are mai
puţine ecuaţii (nm) decât necunoscute (n(n-
1)+nm). În acest caz sistemul este
nonidentificabil.
15
Identificarea modelului (3)
În practică pentru determinarea identificării
sistemului se studiază fiecare ecuaţie în parte:
◼ dacă numărul variabilelor absente din ecuaţie = numărul
variabilelor endogene - 1 atunci ecuaţia este corect
identificată
◼ dacă numărul variabilelor absente din ecuaţie > numărul
variabilelor endogene - 1 atunci ecuaţia este supra
identificată
◼ dacă numărul variabilelor absente din ecuaţie < numărul
variabilelor endogene - 1 atunci ecuaţia este
nonidentificată
Ecuaţia 1:
numărul variabilelor absente = 1
numărul variabilelor endogene - 1 = 2-1 = 1
1 = 1 deci ecuaţia este corect identificată
19
Modelul static al lui Keynes (2)
Ecuaţia 2:
Fiind vorba despre o identitate înseamnă că
starea modelului este dată doar de starea primei
ecuaţii.
Deci modelul este corect identificat.
20
Modelul static al lui Keynes (3)
Metoda regresiei indirecte:
21
Modelul static al lui Keynes (4)
Metoda celor mai mici pătrate în două faze:
Faza 1:
În prima fază este estimată variabila endogenă Vt,
care în a doua ecuaţie este exogenă, în funcţie de
variabila exogenă a modelului:
Vt = + I t + wt
Faza 2:
În faza a doua este estimat consumul în funcţie de
variabila endogenă Vt estimată în prima fază.
Astfel vor fi estimaţi prin metoda celor mai mici
pătrate parametrii ecuaţiei:
Ct = a + b V t + u t 22
Exemplu: Modelul dinamic al lui Keynes
Ecuaţia 1:
numărul variabilelor absente = 3
numărul variabilelor endogene - 1 = 3-1 = 2
3 > 2 deci ecuaţia este supraidentificată
23
Modelul dinamic al lui Keynes (2)
Ecuaţia 2:
numărul variabilelor absente = 2
numărul variabilelor endogene -1 = 3-1 = 2
2 = 2 deci ecuaţia este corect identificată
24
Modelul dinamic al lui Keynes (4)
Metoda celor mai mici pătrate în două faze:
Faza 1:
În prima fază este estimată variabila endogenă Vt, care în a
doua ecuaţie este exogenă, în funcţie de variabilele exogene
ale modelului:
Vt = + Vt −1 + Gt + wt
Faza 2:
În faza a doua sunt estimate primele două ecuaţii ale modelului
în care sunt introduse valorile estimate ale variabilei
endogene Vt estimate în prima fază.
Astfel vor fi estimaţi prin metoda celor mai mici pătrate
parametrii ecuaţiilor: :
Ct = a0 + a1 V t + ut
25
I t = b0 + b1 V t + b2Vt −1 + u 2