Professional Documents
Culture Documents
Projekti Në Ekonometri PDF
Projekti Në Ekonometri PDF
Fakulteti i Ekonomisё
Tiranë,Shkurt 2017
1|Page
Abstrakti
Rritja ekonomike është padyshim fokusi kryesor i shumë ekonomistëve por jo vetëm,kjo dukuri
përdoret shumë edhe si armë e fortë e stafit qeveriar duke propaganduar me të drejtë ose jo në
rritjen e saj.
Në kuadër të projektit do mundohemi të ndërtojmë një model të mirë ekonometrik për të evidentuar
cilët janë faktorët të cilët ndikojnë në rritjen ekonomike.
Kur i referohemi “Rritjes Ekonomike”, menjëherë kujtohemi për derivatin e tij që është
GDP(Prodhimi i Mbrendshëm Bruto) dhe pikërisht në bazë të GDP do të ndërtojmë modelin.
Le të evidentojmë disa nga faktorët të cilat ndikojnë në rritjen ekonomike,Konsumi (C) përfaqëson
shpenzimet e konsumatorëve, domethënë të familjeve dhe individëve, për mallra dhe shërbime,
Investimet (I) përfaqësojne shpenzimet që bëjnë firmat për blerjen e mallit kapital, Shpenzimet
qeveritare (G)përfshijnë të gjitha shpenzimet që bën qeveria, Eksporti neto (NX)përfaqëson
diferencen midis vleres së eksporteve dhe vleres së importeve gjatë periudhës përkatëse.
Sa i përket të dhënave ato janë të dhëna seri kohore,dhe janë marrë nga viti 1996-2011 ,në studim
kemi marrë edhe vitin 2004 që shërben edhe si pikë thyerje e modelit për shkak të ndryshimit politik
që ndodhi në këtë vit.
Fillimisht kemi ndërtuar një model të thjeshtë duke gjetur fillimisht cili është faktori që ndikon më
shumë pastaj ,kemi ndërtuar regresionin e shumëfishtë duke studiuar edhe problemet e modelit si:
multikolinaritetin, heteroskedacitetin,autokorrelacionin etj.
2
Tabela e përmbajtjes:
1.Hyrje ............................................................................................................................................................... 5
2. Regresioni i thjeshtë linear. ........................................................................................................................... 6
2.1 Ndërtimi dhe interpretimi i modelit. ....................................................................................................... 6
2.2. Vlerësimi i modelit .................................................................................................................................. 7
2.3. Vlerësimi i mbetjeve ............................................................................................................................... 7
3. Regresioni I shumëfishftë – Modeli me C, I dhe G. ....................................................................................... 8
3.1 Ndërtimi dhe interpretimi i modelit. ...................................................................................................... 9
3.2 Interpretimi i parametrave ...................................................................................................................... 9
3.3 Testimi i parametrave............................................................................................................................ 10
3.4 Rëndësia e modelit ................................................................................................................................ 11
3.5 Vlerësimi i mbetjeve .............................................................................................................................. 11
3.6. Forma funksionale e modelit me variablat e shtuar ............................................................................ 12
4.7. Chow breakpoint test ........................................................................................................................... 12
4.8. Multikolineariteti .................................................................................................................................. 13
4.9. Heteroskedasticiteti ............................................................................................................................. 15
4.10. Autokorrelacioni ................................................................................................................................. 16
4. Modeli me CO,G,I,NX ................................................................................................................................... 17
4.1. Ndërtimi dhe vlerësimi i modelit .......................................................................................................... 18
4.2 Interpretimi i koeficientëve ................................................................................................................... 18
4.3 Testimi i koeficientëve ........................................................................................................................... 19
4.4 Vlerësimi i modelit ................................................................................................................................. 19
4.5 Vlerësimi i mbetjeve .............................................................................................................................. 20
4.6 Testi i formës lineare ............................................................................................................................. 20
5.7. Chow breakpoint test ........................................................................................................................... 21
4.8 Multikolineariteti ................................................................................................................................... 21
4.9. Heteroskedasticiteti ............................................................................................................................. 23
4.10. Autokorrelacioni ................................................................................................................................. 26
5. Stacionariteti ............................................................................................................................................... 26
5.1 Vlerësimi i modelit ................................................................................................................................. 30
5.2Testimi i koeficientëve............................................................................................................................ 30
5.3 Mbetjet .................................................................................................................................................. 31
5.4. Chow breakpoint test ........................................................................................................................... 31
5.5. Multikolineariteti .................................................................................................................................. 32
5.6 Heteroskedasticiteti .............................................................................................................................. 33
3
5.7 Autokorrelacioni .................................................................................................................................... 34
6. Konkluzione ................................................................................................................................................ 36.
7.Apendix........................................................................................................................................................37
Referencat.
4
1.Hyrje
Databaza që ne kemi zgjedhur të studiojmë fenomenet ekonometrike ka të bëjë me llogaritjen e
GDP me metodën e shpenzimeve në baza vjetore, me çmimet korrente për periudhën kohore 1996 -
2012. Variablat që kemi përdorur në këtë studim janë GDP – Prodhimi i Brendshëm Bruto që është
variabli i varur dhe variabla të pavarur janë: CO – Konsumi, I – Investimet, G – Shpenzimet
qeveritare dhe Nx – Eksportet neto. Të dhënat janë marrë nga Banka Botërore
http://data.worldbank.org/country/albania dhe paraqiten më poshtë. Të dhënat janë paraqitur në mijë
$:
Baza e të dhënave:
Vitet GDP Co I G Nx
1996 3013217.8 2265198.5 90100.0 292240.3 -690456.9
1997 2196223.7 2280303.3 47500.0 237699.3 -576884.8
1998 2727745.4 2412265.1 45010.0 266088.9 -644078.0
1999 3434402.4 2671339.6 41200.0 316459.0 -506293.1
2000 3686649.3 2737111.8 143000.0 326509.6 -676657.5
2001 4091020.2 3301301.6 207300.0 390881.2 -744179.0
2002 4449373.4 3528257.9 135000.0 453442.6 -1170064.8
2003 5652325.0 4784268.4 178036.4 569696.1 -1427485.7
2004 7464446.9 7329134.6 327681.2 710754.6 -1624590.8
2005 8376483.7 8313603.1 258417.4 782888.4 -2014800.0
2006 9132562.3 8976783.3 314638.3 810461.2 -2197350.5
2007 10704660.8 10322549.2 647365.2 965499.4 -2803288.8
2008 12968653.5 12253140.0 874269.9 1207870.3 -3450694.0
2009 12118583.1 11656998.7 951522.0 1068818.3 -3041586.1
2010 11858216.8 11343276.9 1043377.6 951166.8 -2543519.5
2011 12959563.9 12552661.1 998840.6 1057633.4 -2876902.3
Në vijim do të njihemi me shpjegimin e variablave, me kuptimin ekonomik të tyre.
GDP përkufizohet si vlera totale apo shuma e të gjitha të mirave materiale dhe shërbimeve
që prodhohen brenda territorit të shtetit ( pa marrë parasysh kombësinë apo prejardhjen e
prodhuesit ) gjatë një kohe të caktuar.
Konsumi përfaqëson shpenzimet e konsumatorëve, domethënë të familjeve dhe individëve,
për mallra dhe shërbime prej të cilave nxirret dobi në periudhën korrente, përfshirë këtu
mallrat e përdorimit afatshkurtër dhe mallra të përdorimit afatgjatë.
Investimet përfaqësojne shpenzimet që bëjnë firmat për blerjen e mallit kapital, pra të
mallrave që përdoren për prodhimin e mallrave e shërbimeve të tjera.
Shpenzimet qeveritare përfshijnë të gjitha shpenzimet që bën qeveria, si për mallra
konsumi ashtu dhe për investime, përjashtuar pagesat transferuese ndaj individëve dhe
pagesat e interesit për borxhin shtetëror, përderisa ato nuk përfaqësojnë pagesa për blerje
mallrash e shërbimesh.
5
Eksporti neto përfaqëson diferencen midis vleres së eksporteve dhe vleres së importeve
gjatë periudhës përkatëse.
GDP = CO + I + G + Nx
Disa çështje që do të trajtohen gjatë këtij projekti janë: stacionariteti, regresi i njëfishtë, regresi i
shumëfishtë, shkakësia në kohë, multikolineariteti, heteroskedasticiteti, autokorrelacioni,etj...
Modeli i zgjedhur nga ne (GDP) është një seri kohore sepse është e përbërë nga të dhëna të
mbledhura në momente të caktuara kohore, që janë të renditura në kohë dhe kanë frekuencë vjetore,
pra kemi të bejmë me seri me frekuencë vjetore.
Për të gjetur se cili nga variablat e pavarur është më shumë i lidhur me variablin e varur GDP do të
ndërtojmë fillimisht matricën e koeficientëve të pjesshem të korrelacionit.
Duke parë nga matrica e mësipërme që është e formuar nga koeficientët e korrelacionit (r) do të
shikojmë se variabli që ka koeficientin më të lartë me variablin e pavarur GDP është konsumi CO,
r=0.996834, ka lidhje të fortë pozitive. Kjo gjë bie dakort edhe me makroekonominë që konsumi ka
peshën më të madhe në GDP rreth 70%.Duke u nisur nga ky përfundim për të ndërtuar regresionin e
thjeshtë linear ne do të marrim si variablël të pavarur GDP – në dhe variabël të varur konsumin CO.
Ekuacioni i regresit do të ketë formën Yi=β0 + β1X1 +ui ku Y –GDP , X1 – CO.
̂ = 647022.7 + 0.978952 * 𝐶𝑂
𝐺𝐷𝑃 ̂
Gjithashtu këtë përfundim e arrijmë duke parë vlerën e probabilitetit në tabelën e mësipërme
P = 0.0000 < 0.05, pra modeli është i rëndësishëm. Të njëjtën gjë e tregon edhe F – statistic.
Ndërtojmë dhe intervalin e besimit për β1 (tk ± S.E(β1)), ai do të jetë (2 ± 0.02).
1.98 < β1 < 2.02, vlera e β1 bie jashtë këtij intervali, pra pranohet Ha, modeli ështe i rëndësishëm.
Kemi vrojtuar të dhënat për variablin Cot por meqe GDPt varet dhe nga mbetjet bëjme disa
supozime për to :
2. Var (ut) = σ2 Varianca e gabimeve – konstante dhe e përcaktuar për të gjitha vlerat e xt
7
Siç shihet edhe nga grafiku mbetjet janë brenda intervalit (-2;2), pra modeli është i mirë.
Në grafikun në vijim do të paraqesim së bashku me mbetjet edhe GDP aktuale dhe të vlerësuar.
Si tregohet edhe nga grafiku vlerat aktuale dhe të vlerësuara janë shumë të përafërta, pra kanë
diferenca të pakëta gjë që tregon se modeli është i mirëspecifikuar.
Nga tabela e mësipërme shikojmë që vlera e statistikës F = 9.92 > 5 pra H0 hidhet poshtë, variablat
e shtuar e kanë ndryshuar sinjifikancën e modelit, pra variablat duhen shtuar. Kjo gjë tregohet edhe
nga vlera e probabilitetit që ështe 0.0029 < 0.05. Më poshtë do të studiojmë modelin e ri së bashku
me variablat I dhe G të shtuar.
Për të ndërtuar regresin e shumëfishtë do të marrim si variabël të varur GDP dhe si variabla të
pavarura konsumin(CO), shpenzimet qeveritare(G) dhe investimet(I). Në këtë rast supozojmë se
kemi një model të regresit si më poshtë:
Për β1 :
Për β2
Për β3
Për të vlerësuar nëse modeli është i rëndësishëm apo jo testojmë hipotezat e mëposhtme:
Nga tabela e mësipërmë shohim se Ffaktike=1676.065 > 5 pra H0 bie poshtë dhe themi që modeli
ynë është statistikisht i rëndësishëm.
Nga tabela shohim që R2= 0.997619.Për eleminimin e mbivlerësimin ,sepse nga shtimi i variablave
R2 rritet artificialisht ,përdorim koeficentin e korrigjuar të përcaktueshmërisë ̅̅
𝑅̅2̅= 0.997024 i cili
tregon se afërsisht 99.7 % e variacionit të GDP shpjegohet nga Konsumi, Shpenzimet qeveritare
dhe Investimet. Pra shohim se me futjen e variablave në model shpjegueshmëria e modelit rritet me
një vlerë të vogël nga 99.3 % në 99.7%.Megjithatë rezulton një koeficient shumë i lartë
përcaktueshmërie,i cili nuk është shumë real,ndoshta ndonjë prej supozimeve të OLS është cënuar.
1.5
1.0
0.5
0.0
-0.5
-1.0
-1.5
-2.0
-2.5
1996 1998 2000 2002 2004 2006 2008 2010
Standardized Residuals
Në modelin me tre variabla që po shqyrtojmë shohim që mbetjet janë jashtë intervalit (-2,2) në vitin
1997. Edhe në grafikun në vijim ku paraqesim së bashku me mbetjet edhe GDP aktuale dhe të
vlerësuar shohim që mbetjet i kalojnë vijat e ndërprera në vitin 1997.Sic shihet në 1997 ka pasur
luhatje por gjatë vitetve të tjera vlerat aktuale dhe të vlerësuara janë shumë të përafërta, pra kanë
diferenca të pakëta gjë që tregon se modeli është i mirëspecifikuar.
11
14,000,000
12,000,000
10,000,000
8,000,000
6,000,000
400,000 4,000,000
200,000 2,000,000
-200,000
-400,000
-600,000
96 97 98 99 00 01 02 03 04 05 06 07 08 09 10 11
Value Df Probability
t-statistic 0.772221 11 0.4563
F-statistic 0.596325 (1, 11) 0.4563
Likelihood ratio 0.844688 1 0.3581
Nga tabela e mësipërme do të studiojmë vlerat e statistikës t dhe F si dhe probabilitetet e tyre.
Statistikat t dhe F tregojnë që H0 qëndron sepse t = 0.772 < 2 dhe F = 0.596 < 5, si dhe
probabilitetet e tyre janë 0.45 pra dhe kjo na tregon që H0 qëndron. E gjithë kjo tregon që forma
lineare është e përshtatshme për modelin tonë.
H0: SKG = SKG1 + SKG2 (Modeli stabël, viti 2004 nuk është pike thyerje)
Ha: SKG ≠ SKG1 + SKG2 (Modeli jostabël, viti 2004 pikë thyerje)
12
Për të testuar këto hipoteza kryejmë testin në Eviews dhe do të shfaqet tabela e mëposhtme.
Nga tabela vlera e statistikës F = 2.798 < 5, probabiliteti = 0.1006 > 0.05, pra të dyja këto të dhëna
na çojnë në përfundimin që do të pranohet H0, pra që modeli jonë nuk ndryshon prirjen në vitin
2004.
3.8. Multikolineariteti
Një nga supozimet bazë të metodës së zgjedhur për vlerësimin e modelit të shumëfishtë ishte
supozimi që midis variabave shpjegues të mos ketë korelacion. Nëse supozimi nuk plotësohet themi
se modeli vuan nga multikolineariteti. Pra multikolineariteti nënkupton lidhje të plotë lineare midis
disa ose të gjithë variablave shpjegues. Në modelin tonë me 3 variabla shpjegues GDP = 431789.9
+ 0.518579CO + 4.206204G + 1.396087I do të shikojmë nëse midis këtyre variablave të pavarur
CO, G dhe I ka lidhje. Për këtë studiojmë multikolinearitetin. Për të studiuar multikolinearitetin në
fillim nisemi nga rëndësia e modelit. Duke parë R2 = 0.997 themi se modeli është i rëndësishëm
edhe pse të tre variablat shpjegues janë statistikisht të rëndësishëm sic e kemi përmendur më sipër.
Nuk ka dyshime për multikolinearitet.
Testi i Klein
Nuk është një test statistikor i mirëfilltë, por është një kriter që na sinjalizon për praninë e
multikolinearitetit. Konsiston në krahasimin ndërmjet koeficientit të përcaktueshmërisë R2 të
llogaritur në model dhe koeficientëve të korelacionit në katror ndërmjet variablave shpjegues. Pasi
kryejmë veprimet në Eviews do të marrim output – in e mëposhtëm.
Covariance
Correlation GDP CO G I
GDP 1.49E+13
1.000000
CO 1.51E+13 1.55E+13
0.996834 1.000000
13
I 1.31E+12 1.32E+12 1.06E+11 1.31E+11
0.939225 0.928552 0.905657 1.000000
Në rezultatet e tabelës së mësipërme rreshti i parë jep kovariancën përkatëse ndërsa rreshti i dytë jep
koeficientët e korrelacionit ndërmjet variablave. Vlera jonë e llogaritur e R2 = 0.997, e krahasojmë
me vlerat e rxz2. Nëse R2 < r2 mendohet se ka multikolinearitet. Studiojme koeficientët e
korrelacionit në katrorë ndërmjet variablave shpjegues, ndërmjet CO dhe G: r2 = 0.976 < R2. Për
variablat CO dhe I: r2 = 0.861 < R2, dhe ndërmjet variablave G dhe I: r2 = 0.819 < R2. Pra në të treja
rastet nuk mund të themi se ka dyshime për multikolinearitet sepse r2 < R2.
Dhe pse rezultatet e mësipërme nuk na lënë dyshime për multikolinearitet ato që na bëjë të
dyshojmë për praninë e multikolinearitetit në modelin tonë janë vlera shumë e lartë e koeficientit të
përcaktueshmërisë R2 që është shumë afër 1. Kjo vlerë kaq e lartë e R2 vjen si rezultat se përveç
lidhjes së variablit të varur me variablat e pavarur shtohet edhe lidhja e variablave të pavarur me
njëri – tjetri. Gjithashtu gjë tjetër që të bën të dyshosh për praninë e multikolinearitetit në modelin
tonë janë edhe koeficientët e korrelacionit midis variablave të pavarur në matricën e koeficientëve,
këto vlera janë të larta afër 1 që tregon se variablat e pavarur kanë lidhje me njëri tjetrin.
Për këto arsye do të studiojmë edhe VIF (Variance Inflation Factor) që tregon se sa do të zgjerohej /
zmadhohej varianca nëse jemi në multikolinearitet. Nga Eviews përfitohen rezultatet e mëposhtme:
C 2.88E+10 9.741682 NA
CO 0.011870 240.5988 62.03200
G 1.352425 241.0309 47.54283
I 0.173036 16.73071 7.651177
Në tabelën e mësipërme do të studiojmë vlerën Centered VIF. Nëse në vlerësimet për VIF janë
>=10, atëherë duhet të kujdesemi të ulim Multikolinearitetin, sepse ky sjell implikime në
interpretimin e rëndësisë se variablave në regres. Ne shikojmë që për variablat CO dhe G vlera e
VIF >= 10, përkatësisht 62.03200 dhe 47.54283, pra duhet të ulim Multikolinearitetin që ka të bëjë
me këto variabla.
14
1. Zvogelimi i σi2 duke perfshire variabla të tjere që i duhen modelit, por duhen shtuar
variabla që nuk kanë lidhje me variablat e tjerë të pavarur në model sepse ulim SKG por
rrisim multikolinearitetin.
2. Rritja e numrit të vrojtimeve n.
3. Rritja e variancës së variablave shpjegues në momentin e dizenjimit të vrojtimit.
4. Përjashtimi nga modeli i variabli shpjegues i cili rezulton i korreluar.
Duhet të theksojmë se një ndër shkaqet që çojnë në multikolinaritet është dhe lidhja e natyrshme
midis variablave (si në rastin tonë) duke u bazuar në njohuritë ekonomike ne nuk mund të
heqim asnjë nga variablat shpjegues të modelit.Mirëpo për efekte të studimit ekonometrik ne
duhet të heqim ato variabla që kanë ViF > 10 , konkretisht CO dhe G. Kjo gjendet tek seksioni
“APENDIX”.
3.9. Heteroskedasticiteti
-Testi White
Sipas këtij testi ndërtohet modeli i katrorit të mbetjeve në varësi të konsumit, shpenzimeve
qeveritare, investimeve , katrorëve dhe prodhimeve të tyre. Modeli është i formës:
ui2= β0+β1*Co+β2 *G+β3* I+β4*Co2 +β5 *G2 +β6* I2+β7 *Co*G+β8*Co*I +β7* G*I +vi Nga
vlerësimi në Eviews merret tabela e mëposhtme :
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 02/04/16 Time: 21:50
Sample: 1996 -2011
Included observations: 16
Nga tabela shikojmë se Fisheri i vlerësuar është F=1.07<5 pra H0 qëndron, pra model i
mbetjeve është i parëndësishëm. Kjo duket dhe nga R2k sipas të cilit mbetjet shpjegohen vetëm 4%.
Pra modeli ynë nuk vuan nga heteroskedasticiteti sipas Testit White..
3.10. Autokorrelacioni
Në këtë rast përdorim përsëri testin Durbin Watson, i cili tregohet në tabelën fillestare të
paraqitur në këtë studim. Hipotezat janë:
H0: Modeli nuk ka autokorrelacion
Ha: Modeli ka autokorrelacion
Meqë jemi në modelin me 3 variabla te pavarur (k=3;n=16) kemi që dL=0,86 dhe du=1.73. Në
modelin tonë vlera është dw= 1,65. Shohim që dw ∈ ]dL;dU[ dhe testi nuk jep pergjigje.
Mirëpo kjo nuk mjafton me kaq tani na vjen në ndihmë testi Breusch-Godfrey i cili bën zbulimin
të drejtëpërdrejtë te AR(1) tani le të ngrejmë hipotezat:
Ho: Ska AR(1)
Ha: Ka AR(1)
16
Breusch-Godfrey Serial Correlation LM Test:
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 02/09/17 Time: 17:39
Sample: 1996 2011
Included observations: 16
Presample missing value lagged residuals set to zero.
Shohim nga eviews që: Fvr < Fkr=5 H0 Pranohet. Dmth nuk ka AR(1), si rrjedhojë nuk ka as
AR(2), pra ska auto.
4. Modeli me CO,G,I,NX
Do të shtojmë variablin Nx në model. Për të testuar nëse ky variabël duhet apo jo të shtohet,
ndërtojme hipotezat:
H0: SKR1=SKR2 Shtimi i variablit nuk e ndryshon sinjifikancen (Variabli nuk duhet shtuar)
Ha: SKR1≠ SKR2 Shtimi i variablit e ndryshon sinjifikancen. (Variabli duhet shtuar)
Bëjme vlerësimin e EViews dhe marrim tabelën e mëposhtme:
Omitted Variables: NX
Në këtë rast duke parë statistikën Fisher kemi: Ffaktike=5.19> 5. Kjo do të thotë që H0 nuk
qëndron,pra variabli duhet shtuar. Kjo vërtetohet edhe nga teoritë ekonomike.
17
4.1. Ndërtimi dhe vlerësimi i modelit
Tani shqyrtojmë modelin me katër variabla shpjegues të cilët janë: konsumi(CO), shpenzimet
qeveritare(G),eksportet neto(Nx) dhe investimet(I). Në këtë rast supozojmë se regresi është i formës
lineare si më poshtë:
̂ = 275546,8+ 0.502988*𝐶𝑂
𝐺𝐷𝑃 ̂ + 5,912812*𝐺̂ +1,451874*𝐼̂ + 0,516895*𝑁𝑥
̂ +ui
sipas tabelës së mëposhtme:
β0 = 275546,8 tregon sa do të jetë GDP e Shqipërisë në qoftë se të gjithë variablat e varur pra
konsumi, shpenzimet qeveritare dhe eksportet neto dhe investimet jane zero.
18
β3= 1,451874 tregon me sa njësi do të rritet GDP në qoftë se invesimet rriten me 1 njësi dhe
variablat e tjerë janë 0. Më saktë nëse investimet do të rriten me 1 njësi dhe të tjerët bëhen 0
atëherë GDP do rritet afërsisht me 1,451874 njësi.
β4=0,516895 tregon me sa njësi do të rritet GDP në qoftë se eksportet neto rriten me 1 njësi dhe
variablat e tjerë bëhen 0. Më specifikisht nëse eksportet neto do të rriten me 1 njësi dhe të tjerët
janë 0 atëherë GDP do rritet afërsisht me 0,516895 njësi.
Për β1
H0: β1= 0 ( Parametri nuk është i rëndësishëm)
Ha: β1≠0 ( Parametri është i rëndësishëm)
Duke u nisur nga statistika e Studentit, H0 bie poshtë nëse tfaktike>2 ose tfaktike< -2
Nga tabela e mësipërme shohim se tfaktike=4.613888> 2 pra H0 bie poshtë dhe themi që parametri β1
është statistikisht i rëndësishëm.
Për β2
H0: β2= 0 ( Parametri nuk është i rëndësishëm)
Ha: β2≠0 ( Parametri është i rëndësishëm)
Nga tabela e mësipërme shohim se tfaktike=3.045208 > 2 pra H0 bie poshtë dhe themi që parametri
β2 është statistikisht i rëndësishëm.
Për β3
H0: β3= 0 ( Parametri nuk është i rëndësishëm)
Ha: β3≠0 ( Parametri është i rëndësishëm)
Nga tabela e mësipërme shohim se tfaktike=3.491768 > 2 pra H0 nuk qëndron dhe themi që
parametri β3 është statistikisht i rëndësishëm.
Për β4
H0: β4= 0 ( Parametri nuk është i rëndësishëm)
Ha: β4≠0 ( Parametri është i rëndësishëm)
Nga tabela e mësipërme shohim se tfaktike= 1.092721 < 2 pra H0 pranohet dhe themi që parametri
β4 nuk është statistikisht i rëndësishëm,me të dhënat e përdorura.
Nga tabela e mësipërme shohim se Ffaktike=1277.673 > 5 pra H0 bie poshtë dhe themi që modeli ynë
është statistikisht i rëndësishëm.
19
Nga tabela shohim që R2= 0.997852 dhe koeficentin e korrigjuar të përcaktueshmërisë ̅𝑅̅̅2̅= 0.997071 i
cili tregon se afërsisht 99.7 % e variacionit të GDP shpjegohet nga Konsumi, Shpenzimet
qeveritare, Investimet dhe eksportet neto. Pra shohim se me futjen e variablit të ri në model
shpjegueshmëria e modelit nuk ndryshon Megjithatë rezulton një koeficient shumë i lartë
përcaktueshmërie,i cili nuk është shumë real,ndoshta ndonjë prej supozimeve të OLS është cënuar
1.2
0.8
0.4
0.0
-0.4
-0.8
-1.2
-1.6
-2.0
1996 1998 2000 2002 2004 2006 2008 2010
Standardized Residuals
Siç shihet edhe nga grafiku mbetjet janë brenda intervalit (-2;2), pra modeli është i mirë.
Në grafikun në vijim do të paraqesim së bashku me mbetjet edhe GDP aktuale dhe të vlerësuar.
14,000,000
12,000,000
10,000,000
8,000,000
6,000,000
400,000
4,000,000
200,000 2,000,000
-200,000
-400,000
-600,000
1996 1998 2000 2002 2004 2006 2008 2010
Si tregohet edhe nga grafiku vlerat aktuale dhe të vlerësuara janë shumë të përafërta, pra kanë
diferenca të pakëta gjë që tregon se modeli është i mirëspecifikuar.
Nga tabela do të shikojmë që si statistica t dhe ajo F tegojnë që H0 qëndron sepse vlerat janë
përkatësisht tv = 0.380060 < 2 dhe F = 0.144446 < 5 ,pra forma lineare është e përshtatshme për
modelin tonë.
Nga tabela vlera e statistikës F = 3.743626 < 5, dhe probabiliteti 0.0695 > 0.05, pra pranohet H0,
modeli nuk ndryshon prirjen në vitin 2004.
4.8 Multikolineariteti
Problemi vuan nga multikolineariteti kur midis disa ose të gjithë variablave shpjegues ka lidhje.
Për të zbuluar multikolinearitetin shohim nëse midis variablave shpjegues ka korelacion të lartë, pra
për vlera afër 1 të koeficientëve të korrelacionit. Shohim matricën e koeficienteve te korelacionit
midis variablave shpjegues e cila ka formen e mëposhtme:
21
GDP CO G I NX
GDP 1.000000 0.996834 0.991870 0.939225 -0.983050
CO 0.996834 1.000000 0.988850 0.928552 -0.980760
G 0.991870 0.988850 1.000000 0.905657 -0.993190
I 0.939225 0.928552 0.905657 1.000000 -0.902628
NX -0.983050 -0.980760 -0.993190 -0.902628 1.000000
Shohim se koeficientët e korrelacionit midis variablave shpjegues të modelit tonë kanë vlera të
mëdha. | r | >0,5, disa prej tyre janë afër 1 dhe disa të tjera afër -1. Prandaj ne mund të dyshojme për
ekzistencen e multikolinearitetit.
Megjithatë koeficientët e korrelacionit përbëjnë një kusht të mjaftueshëm por jo të nevojshëm për
ekzistencën ë multikolinearitetit për këtë arsye do të studiojmë edhe VIF (Variance Inflation Factor)
që tregon se sa do të zgjerohej / zmadhohej varianca nëse jemi në multikolinearitet. Nga Eviews
përfitohen rezultatet e mëposhtme:
C 4.88E+10 16.76571 NA
CO 0.011885 244.7916 63.11299
G 3.770112 682.7790 134.6767
I 0.172889 16.98680 7.768289
NX 0.223762 293.9982 75.26336
Meqë për shumicën e variablave vlerat e VIF janë më të medha se 10 ,atëherë duhet te kujdesemi të
ulim Multikolinearitetin, sepse ky sjell implikime në interpretimin e rëndësisë se variablave në
regres. Ne shikojmë që për variablat CO, G dhe NX vlera e VIF >= 10, pra duhet të ulim
Multikolinearitetin që ka të bëjë me këto variabla.
22
1. Zvogelimi i σi2 duke perfshire variabla të tjere që i duhen modelit, por duhen shtuar
variabla që nuk kanë lidhje me variablat e tjerë të pavarur në model sepse ulim SKG por
rrisim multikolinearitetin.
2. Rritja e numrit të vrojtimeve n.
3. Rritja e variancës së variablave shpjegues në momentin e dizenjimit të vrojtimit.
4. Përjashtimi nga modeli i variabli shpjegues i cili rezulton i korreluar.
Duhet të theksojmë se një ndër shkaqet që çojnë në multikolinaritet lidhja e natyrshme midis
variablave (si në rastin tonë) duke u bazuar në njohuritë ekonomike ne nuk mund të heqim
asnjë nga variablat shpjegues të modelit.Mirëpo për efekte të studimit ekonometrik ne duhet të
heqim ato variabla që kanë ViF > 10 , konkretisht CO dhe G tani edhe NX. Kjo gjendet tek
seksioni “APENDIX”.
4.9. Heteroskedasticiteti
Testi White
Sipas këtij testi ndërtohet modeli i katrorit të mbetjeve në varësi të konsumit, shpenzimeve
qeveritare, investimeve, eksporteve neto, katrorëve dhe prodhimeve të tyre. Modeli është i formës:
ui2= β0+β1*CO+β2 *G+β3* I+β4*Nx+ β5*CO2 +β6 *G2 +β7* I2+β8*Nx2+ β9 *CO*G+β10*CO*I
+β11*CO*Nx+ β12* G*I+ β13*G*Nx + β14*I*Nx+vi
Heteroskedasticity Test: Ëhite
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 02/05/16 Time: 12:24
Sample: 1996- 2011
Included observations: 16
23
NX^2 0.250516 0.088554 2.828960 0.2163
Nga tabela vlera e statistikës F = 772.3158 > 5, kurse probabiliteti = 0.028 < 0.05, pra H0 hidhet
poshtë, ne pranojmë Ha, pra mendohet se modeli vuan nga Heteroskedasticiteti. Ne duhet të
korrektojmë heteroskedasticitetin nga modeli ynë. Për të korrektuar Heteroskedasticitetin duhet të
bëjmë transformim të variablave, për shembull të marrim modelin gjysmë-logaritmik. Ekuacioni
për modelin gjysmë – logaritmik do të marrë formën:
Ekuacioni do të jetë
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 02/05/17 Time: 21:33
Sample: 1996 2011
Included observations: 16
25
Hipotezat për studimin e heteroskedasticitetit janë:
H0: β1= β2=… β7=00 Jo heteroskedasticitet
Ha : Të paktën njëra është e ndryshme nga 0. (ka mundësi për heteroskedasticitet)
Vlera e F = 4.019016 < 5 dhe probabiliteti = 0.3743 > 0.05, pra H0 pranohet, ky model
gjysmëlogaritmik nuk vuan nga heteroskedasticiteti.
4.10. Autokorrelacioni
Në këtë rast përdorim përsëri testin Durbin Watson, i cili tregohet në tabelën fillestare të
paraqitur në këtë studim. Hipotezat janë:
H0: Modeli nuk ka autokorrelacion
Ha: Modeli ka autokorrelacion
Vlera e koeficientit dw = 1.957116, gjejmë dhe vlerat e dL dhe dU nga tabela të cilat janë
përkatësisht dL = 0.74 dhe dU = 1.93. Në këtë rast kemi dU < dw < 4 - dU, pra 1.93 < 1.957 < 2.07,
pranohet H0, modeli ynë nuk ka autokorrelacion.
5. Stacionariteti
Seritë kohore të përfshira në regresion mund të jenë jostacionare, por nëse modeli do të përdorej për
parashikim, kjo nuk do të ishte e saktë.Për të studiuar stacionaritetin e serive të përfshira në model
do të përdorim Unit Root Test.
H0: Kemi nje rrënjë unitare dhe seria kohore nuk është stacionare
Testi Unit Root Test për të gjitha variablat jep rezultatet e mëposhtme:
Për GDP :
t-Statistic Prob.*
Nga tabela e mësipërme shohim që t faktike=0,238771 > t kritike (për 1, 5 dhe 10 % nivel rëndësie ) .
Ho pranohet.Kemi një rrënjë unitare dhe seria nuk është stacionare.
26
Kjo seri : GDP kthehet në stacionare në diferecë të parë sic e tregon edhe tabela e mëposhtme.
t-Statistic Prob.*
Meqë t faktike është me e vogël se t kritike (5 dhe 10 % nivel rëndësie), H0, bie poshte, pra për serinë e
diferencave te para,me konstante seria nuk ka UR, pra ajo kthehet në stacionare në diferencat e veta
të para.
Për CO:
t-Statistic Prob.*
Nga tabela e mësipërme shohim që t faktike=0,228108 > t kritike (për 1, 5 dhe 10 % nivel rëndësie ) .
Ho pranohet.Kemi një rrënjë unitare dhe seria nuk është stacionare.
Kjo seri : CO kthehet në stacionare në diferecë të parë sic e tregon edhe tabela e mëposhtme.
t-Statistic Prob.*
Për G:
t-Statistic Prob.*
Kjo seri : G kthehet në stacionare në diferecë të parë sic e tregon edhe tabela e mëposhtme.
t-Statistic Prob.*
Meqë t faktike është me e vogël se t kritike (1,5 dhe 10 % nivel rëndësie), H0, bie poshte, pra për serinë e
diferencave te para, me konstante seria nuk ka UR, pra ajo kthehet në stacionare në diferencat e veta
të para.
Për I:
t-Statistic Prob.*
28
*MacKinnon (1996) one-sided p-values.
Nga tabela e mësipërme shohim që t faktike= 0,377819 > t kritike (për 1, 5 dhe 10 % nivel rëndësie ) .
Ho pranohet.Kemi një rrënjë unitare dhe seria nuk është stacionare.
Kjo seri : I kthehet në stacionare në diferecë të parë sic e tregon edhe tabela e mëposhtme.
t-Statistic Prob.*
Meqë t faktike është me e vogël se t kritike ( 10 % nivel rëndësie), H0, bie poshte, pra për serinë e
diferencave te para, pa trend dhe pa konstante seria nuk ka UR, pra ajo kthehet në stacionare në
diferencat e veta të para.
Për Nx:
t-Statistic Prob.*
Nga tabela e mësipërme shohim që t faktike= -0,422093 > t kritike (për 1, 5 dhe 10 % nivel rëndësie ) .
Ho pranohet.Kemi një rrënjë unitare dhe seria nuk është stacionare.
Kjo seri : Nx kthehet në stacionare në diferecë të parë sic e tregon edhe tabela e mëposhtme.
t-Statistic Prob.*
Për të eleminuar problemin e stacionaritetit variablat duhet të futen në model në diferencë të parë.
Forma e modelit:
5.2Testimi i koeficientëve
Për të vlerësuar nëse parametri është i rëndësishëm apo jo testojmë hipotezat e mëposhtme:
Për β1
H0: β1= 0 ( Parametri nuk është i rëndësishëm)
Ha: β1≠0 ( Parametri është i rëndësishëm)
30
Duke u nisur nga statistika e Studentit, H0 bie poshtë nëse tfaktike>2 ose tfaktike< -2
Nga tabela e mësipërme shohim se tfaktike=1,515108< 2 pra H0 pranohet dhe themi që parametri β1
nuk është statistikisht i rëndësishëm.
Për β2
H0: β2= 0 ( Parametri nuk është i rëndësishëm)
Ha: β2≠0 ( Parametri është i rëndësishëm)
Nga tabela e mësipërme shohim se tfaktike=2,883187 > 2 pra H0 bie poshtë dhe themi që parametri
β2 është statistikisht i rëndësishëm.
Për β3
H0: β3= 0 ( Parametri nuk është i rëndësishëm)
Ha: β3≠0 ( Parametri është i rëndësishëm)
Nga tabela e mësipërme shohim se tfaktike=1,111701< 2 pra H0 pranohet dhe themi që parametri
β3 nuk është statistikisht i rëndësishëm.
Për β4
H0: β4= 0 ( Parametri nuk është i rëndësishëm)
Ha: β4≠0 ( Parametri është i rëndësishëm)
Nga tabela e mësipërme shohim se tfaktike= 0,711668 < 2 pra H0 pranohet dhe themi që parametri
β4 nuk është statistikisht i rëndësishëm,me të dhënat e përdorura.
5.3 Mbetjet
Si tregohet edhe nga grafiku vlerat aktuale dhe të vlerësuara janë shumë të përafërta, pra kanë
diferenca të pakëta gjë që tregon se modeli është i mirëspecifikuar.
3,000,000
2,000,000
1,000,000
0
400,000
-1,000,000
200,000
-200,000
-400,000
-600,000
1998 2000 2002 2004 2006 2008 2010
31
Choë Breakpoint Test: 2004
Null Hypothesis: No breaks at specified breakpoints
Varying regressors: C DCO DG DI DNX
Equation Sample: 1997 2011
Vlera e statistikës F = 1.396594 < 5 dhe probabiliteti = .03614 > 0.05, pra parnohet H0, modeli nuk
ndryshon prirjen në vitin 2004.
5.5. Multikolineariteti
Nga vlerësimi i këtij modeli pamë se modeli ishte statistikisht i rëndësishëm, por 3 nga 4 variablat
shpjegues dilnin të parëndësishëm, për këtë arsye lindin dyshimet se modeli vuan nga
multikolineariteti. Gjithashtu për të zbuluar multikolinearitetin shohim nëse midis variablave
shpjegues ka korelacion të lartë, pra për vlera afër 1 të koeficientëve të korrelacionit.Për këtë
shohim matricën e koeficientëve të korelacionit midis variablave shpjegues e cila ka formën e
mëposhtme:
Shohim se koeficientët e korrelacionit midis variablave shpjegues të modelit tonë kanë vlera
relativisht të mëdha. | r | >0,5, disa prej tyre janë edhe afër 1, prandaj ne mund të dyshojmë për
ekzistencën e multikolnearitetit.
Përdorim VIF për të zbuluar nëse modeli në studim vuan apo jo nga multikolineariteti,si me poshte:
C 9.40E+09 1.982011 NA
DCO 0.034188 8.350922 4.960156
DG 5.752622 14.64854 11.49030
DI 0.487968 1.593781 1.216138
DNX 0.246596 6.430110 5.325334
Nga rezultatet e testit do të shikojmë se vlera e VIF >= 10 vetëm për variablin DG, pra duhet ta
ulim multikolinearitetin në lidhje më këtë variabël. Ulja e multikolinearitetit mund të bëhet duke
hequr variablat e parëndësishëm nga modeli. Nga modeli ynë heqim variablat DCO, DI dhe DNX.
32
Modeli do të marrë formën e mëposhtme: DGDP = β0 + β1DG. Testojmë rëndësinë e këtij modeli,
me hipotezat:
H0: β1 = 0
Ha: β1 ≠ 0
Vlera e F = 110.1040 tregon që modeli është i rëndësshëm dhe vlera e statistikës t = 10.49305 > 2,
probabiliteti = 0.0000 > 0.05, që tregon që parametri β1 është i rëndësishëm. Ky model do të jetë me
një variabël të pavarur dhe nuk mund të ketë multikolinearitet.
5.6 Heteroskedasticiteti
Testi White - Nëse ka shumë varibla shpjegues në model dhe nr të vogël vrojtimesh, mundet që nr i
variablave në regresin ndihmës të jete me i madh se sa nr e vrojtimeve.
Prandaj përjashtohen disa nga variablat e kombinuar nga regresi ndihmës; por duke mbajtur termat
në katror në regresin ndihmës.Nga tabela e mëposhtme kuptojmë që nuk ka heteroskedasticitet
sepse vlera e statistikës F = 0,618642< 5
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 02/05/17 Time: 23:40
Sample: 1997 2011
Included observations: 15
33
C 9.05E+10 3.67E+10 2.464344 0.0334
DCO^2 -0.022264 0.021689 -1.026523 0.3288
DG^2 2.296361 3.900774 0.588694 0.5691
DI^2 0.550301 1.321055 0.416562 0.6858
DNX^2 -0.433142 0.444072 -0.975387 0.3524
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 02/05/17 Time: 23:47
Sample: 1997 2011
Included observations: 15
5.7 Autokorrelacioni
Vleresimi i autokorrelacionit.
Në këtë rast përdorim përsëri testin Durbin Watson, i cili tregohet në tabelën fillestare të
paraqitur në këtë studim. Hipotezat janë:
H0: Modeli nuk ka autokorrelacion
Ha: Modeli ka autokorrelacion
34
Meqë jemi në modelin me 4 variabla te pavarur (k=4;n=15) kemi që dL=0,69 dhe du=1.97. Në
modelin tonë vlera është dw= 1,63. Shohim që dw ∈ ]dL;dU[ dhe testi nuk jep pergjigje.
Tani na vjen në ndihmë testi Breusch-Godfrey i cili bën zbulimin të drejtëpërdrejtë te AR(1) le të
ngrejmë hipotezat:
Ho: Ska AR(1) dmth ska autokorrelaciom
Ha: Ka AR(1) dmth ka autokorrelacion
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 02/10/17 Time: 23:24
Sample: 1997 2011
Included observations: 15
Presample missing value lagged residuals set to zero.
Shohim Ffaktike =0.02<Fkritike=5 dmth H0 pranohet nuk ka AR1 sipasoje as AR2 ,nuk ka
autokorrelacion.
35
6.Konkluzione
Pasi studiuam pothuajse të gjithë komponentët ekonometrik dhe bëmë testet përkatëse për secilin
komponent arritëm në disa konkluzione të rëndësishme:
Për të bërë një studim të mirëfilltë ekonometrik duhet patjetër një bazë të dhënash e saktë.
Meqë të dhënat tona ishin seri kohore duhet që periudhat e marra në studim të jenë të
gjata,sepse në këtë mënyrë shmangen “sëmundjet” e modelit .
Gjatë procesit të modelimit hasëm pikërisht këto sëmundje të modelit të cilat u munduam
ti rregullojmë ,duke implementuar metodat të cilat i kemi mësuar nga teoria.
Mirëpo shpeshhërë ndoshta edhe pershkak se kemi numrin e viteve të marra në studim
relativisht të vogël ,nuk përbënin sens ekonomik shpeshmerë metodat e rregullimit të
sëmundjeve ,siç ishte rasti i rregullimit të problemit të Multikolinaritetit , sepse ne dimë që
GDP-ja ndihkohet nga G,NX,I, CO.
Shpeshhërë është e natyrshme të shfaqen “Sëmundjet” e modelit sepse kemi lidhje të
natyrshme midis variablave.
36
7.Apendix
Value df Probability
F-s tatis tic 9.929890 (2, 12) 0.0029
Likelihood ratio 15.62300 2 0.0004
F-tes t s um m ary:
Sum of Sq. df Mean Squares
Tes t SSR 9.40E+11 2 4.70E+11
Res tricted SSR 1.51E+12 14 1.08E+11
Unres tricted SSR 5.68E+11 12 4.73E+10
LR tes t s um m ary:
Value df
Res tricted LogL -224.8554 14
Unres tricted LogL -217.0439 12
Ngrejmë hipotezat :
Ho : Modeli jo i rëndësishëm
Ffaktik> Fkr=5 Ho Hidhet poshtë pra modeli është I rëndësishëm,dhe meqë ështe nje variable I vetëm
nuk ka multikolinaritet.
37
Modeli me variablat CO,G,I,NX
Redundant Variables Tes t
Null hypothes is : CO G NX are jointly ins ignificant
Equation: UNTITLED
Specification: GDP C CO G I NX
Redundant Variables : CO G NX
Value df Probability
F-s tatis tic 197.5423 (3, 11) 0.0000
Likelihood ratio 64.08098 3 0.0000
F-tes t s um m ary:
Sum of Sq. df Mean Squares
Tes t SSR 2.76E+13 3 9.20E+12
Res tricted SSR 2.81E+13 14 2.01E+12
Unres tricted SSR 5.12E+11 11 4.66E+10
LR tes t s um m ary:
Value df
Res tricted LogL -248.2599 14
Unres tricted LogL -216.2194 11
Ho : Modeli jo i rëndësishëm
Ffaktik> Fkr=5 Ho Hidhet poshtë pra modeli është I rëndësishëm,dhe meqë ështe nje variable
I vetëm nuk ka multikolinaritet.
38
Referencat:
39