Universiteti i Tiranës

Fakulteti i Ekonomisё

Dega Informatikë Ekonomike

Departamenti Statistikë dhe Informatikë e zbatuar

Tema:”Modeli i rritjes ekonomike në Shqipëri.”

Detyrë në lëndën: Ekonometri

Punoi:Sokrat Palushi IE 303 Pranoi:Prof.Dr.ValentinaSinaj

Orison Gjura IE 301

Ana Xhepa IE 303

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.

Lidhja që ekziston ndërmjet këtyre variablave është:

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.

2. Regresioni i thjeshtë linear.

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.

2.1 Ndërtimi dhe interpretimi i modelit.

Dependent Variable: GDP
Method: Least Squares
Date: 02/04/17 Time: 19:38
Sample: 1996 2011
Included observations: 16

Variable Coefficient Std. Error t-Statistic Prob.

C 647022.7 161576.3 4.004441 0.0013

CO 0.978952 0.020868 46.91258 0.0000

R-squared 0.993679 Mean dependent var 7177133.

Adjusted R-squared 0.993227 S.D. dependent var 3987671.
S.E. of regression 328169.9 Akaike info criterion 28.35692
Sum squared resid 1.51E+12 Schwarz criterion 28.45349
Log likelihood -224.8554 Hannan-Quinn criter. 28.36186
F-statistic 2200.790 Durbin-watson stat 1.257218
6
Prob(F-statistic) 0.000000

Duke u nisur nga tabela e mësipërme ekuacioni i regresit do të jetë:

̂ = 647022.7 + 0.978952 * 𝐶𝑂
𝐺𝐷𝑃 ̂

̂ është GDP e vlerësuar dhe 𝐶𝑂

Ku 𝐺𝐷𝑃 ̂ është CO e vlerësuar dhe β0 = 647022.7 kurse β1 =
0.978952.
β0 tregon vlerën e GDP kur CO është 0 ndërsa β1 tregon me sa njësi ndryshon GDP kur CO rritet me
1 njësi, pra me rritjen 1 njësi të CO, GDP do të rritet me 0.978952 njësi.

2.2. Vlerësimi i modelit

Për vlerësimin e modelit fillimisht ndërtojmë hipotezat:

H0: β1 = 0 ( Modeli nuk është i rëndësishëm)

Ha: β1 ≠ 0 ( Modeli është i rëndësishëm)
β1
Duke marrë vlerat nga tabela e mësipërme tv = SE(β1) = 46.91258 pra tv > tk ≈ 2. Nga ky mosbarazim
arrijmë në përfundimin që H0 nuk pranohet, do të pranojmë Ha, pra koeficienti β1 është i
rëndësishëm, dhe modeli është i rëndësishëm statistikisht.

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.

2.3. Vlerësimi i mbetjeve

Kemi vrojtuar të dhënat për variablin Cot por meqe GDPt varet dhe nga mbetjet bëjme disa
supozime për to :

1. E(ut) = 0 Seria e gabimeve ka mesatare zero

2. Var (ut) = σ2 Varianca e gabimeve – konstante dhe e përcaktuar për të gjitha vlerat e xt

3. Cov (ui,uj)=0 Gabimet janë statistikisht të pavaruara nga njëri-tjetri .

4. Cov (ut,xt)=0 Nuk ka lidhje ndërmjet gabimit dhe vlerës korresponduese të x.

Bëjmë grafikun e mbetjeve të standartizuara si më poshtë.

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.

3. Regresioni I shumëfishftë – Modeli me C, I dhe G.

Do të shtojmë dy variabla në model. Variablat që do të shtohen do të jenë I dhe G. Por në fillim

duhet të testojmë nëse variablat I dhe G duhen shtuar në model. Për këtë duhet bërë testi Likelihood
ratio që shoqërohet me probabilitetin përkatës. Hipotezat që do të ndërtohen janë:

H0: SKR1 = SKR2 Nuk duhet shtuar

Ha: SKR1 ≠ SKR2 Duhet shtuar
Pasi kemi kryer veprimet në Eviews për shtimin e këyre dy variablave rezultati do të ishte:

Omitted Variables Test

Equation: UNTITLED
Specification: GDP C CO
Omitted Variables: I G
8
 Value df Probability
F-statistic 9.929890 (2, 12) 0.0029
Likelihood ratio 15.62300 2 0.0004

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.

3.1 Ndërtimi dhe interpretimi i modelit.

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:

Yi=β0 + β1X1 + β2X2+ β3X3 +ui ku Y –GDP , X1 – CO, X2 – G, X3 – I

Nga tabela e mëposhtme e përftuar në Eviews modeli i vlerësuar ka formën:

̂ = 431789,9 + 0.518579*𝐶𝑂
𝐺𝐷𝑃 ̂ + 4,206204*𝐺̂ + 1,396087*𝐼̂
̂ është GDP e vlerësuar, 𝐶𝑂
Ku 𝐺𝐷𝑃 ̂ është CO e vlerësuar, 𝐺̂ është G e vlerësuar dhe 𝐼̂ është I e
vlerësuar ndërsa β0 =431789,9 ; β1 = 0.518579; β2 =4,206204 dhe β3=1,396087.

Dependent Variable: GDP

Method: Least Squares
Date: 02/04/17 Time: 20:05
Sample: 1996- 2011
Included observations: 16

Variable Coefficient Std. Error t-Statistic Prob.

C 431789.9 169745.5 2.543748 0.0258

CO 0.518579 0.108949 4.759836 0.0005
G 4.206204 1.162938 3.616877 0.0035
I 1.396087 0.415976 3.356174 0.0057

R-squared 0.997619 Mean dependent var 7177133.

Adjusted R-squared 0.997024 S.D. dependent var 3987671.
S.E. of regression 217541.1 Akaike info criterion 27.63048
Sum squared resid 5.68E+11 Schwarz criterion 27.82363
Log likelihood -217.0439 Hannan-Quinn criter. 27.64037
F-statistic 1676.065 Durbin-Watson stat 1.656043
Prob(F-statistic) 0.000000

3.2 Interpretimi i parametrave

β0 =431789,9tregon sa do të jetë GDP e Shqipërisë në qoftë se të tre variablat e varur pra

konsumi, shpenzimet qeveritare dhe investimet janë zero. Jep efektin mesatar të të gjithe faktorëve
të papërfshirë në model .
9
 β1 = 0.518579tregon me sa njësi do të ndryshojë GDP në qoftë se konsumi ndryshon me 1 njësi
dhe dy variablat e tjerë pra shpenzimet qeveritare dhe investimet janë të barabarta me 0. Me sakte
nëse konsumi do të rritet me 1 njesi dhe shpenzimet qeveritare dhe investimet jane 0 atëherë GDP
do rritet me 0.518579 njësi.

β2 =4,206204 –tregon me sa njësi do të ndryshojë GDP në qoftë se shpenzimet qeveritare

ndryshojnë me 1 njesi dhe dy variablat e tjerë pra konsumi dhe investimet janë 0. Më saktë nëse
shpenzimet qeveritare do të rriten me 1 njesi dhe konsumi dhe investimet janë të barabarta me 0
atëherë GDP do rritet me 4,206204 njësi.

β3=1,396087 tregon me sa njësi do të ndryshojë GDP në qoftë se investimet ndryshojnë me 1

njësi dhe dy variablat e tjere pra konsumi dhe shpenzimet qeveritare janë 0. Më saktë nëse
investimet do të rriten me 1 njësi dhe konsumi dhe shpenzimet qeveritare janë te barabarta me 0
atëherë GDP do rritet me 1,396087 njësi.

3.3 Testimi i parametrave

Për të vlerësuar nëse parametrat janë të rëndësishëm apo jo testojmë hipotezat e mëposhtme. Këto
hipoteza i ndërtojmë për secilin nga parametrat.

Për β1 :

H0: β1= 0 ( Parametri β1 nuk është i rëndësishëm)

Ha: β1≠0 ( Parametri β1 është i rëndësishëm)

Për β2

H0: β2= 0 (β2 nuk është i rëndësishëm)

Ha: β2≠0 ( β2 është i rëndësishëm)

Për β3

H0: β3= 0 (β3 nuk është i rëndësishëm)

Ha: β3≠0 (β3 është i rëndësishëm)

Për vërtetimin e hipotezave përdorim kriterin t. Nga tabela e mësipërme shohim se :

β1
 tfaktike( β1)=SE(β1) =4,759836 >2 pra H0 bie poshtë dhe themi që parameti β1 është statistikisht i
rëndësishëm.
β2
 tfaktike( β2)= SE(β2) =3,616877 >2 pra H0 bie poshtë dhe themi që parameti β2 është statistikisht i
rëndësishëm.
β3
 tfaktike (β3)= SE(β3) =3,356174 >2 pra H0 bie poshtë dhe themi që parameti β3 është statistikisht i
rëndësishëm.
10
3.4 Rëndësia e modelit

Për të vlerësuar nëse modeli është i rëndësishëm apo jo testojmë hipotezat e mëposhtme:

H0: β1= β2= β3=0 ( Modeli nuk është i rëndësishëm)

Ha: ∃ βi≠0 per i=1,2,3 ( Modeli është i rëndësishëm)

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.

3.5 Vlerësimi i mbetjeve

Bëjmë grafikun e mbetjeve të standartizuara si më poshtë.

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

Residual Actual Fitted

3.6. Forma funksionale e modelit me variablat e shtuar

Në vijim do të testohet nëse forma e modelit është lineare apo jo. Për këtë bëjmë testin Ramsey dhe
testojme hipotezat e mëposhtme:.

H0: Forma lineare është e përshtatshme

Ha: Forma lineare nuk është e përshtatshme
Testi në Eviews do të ketë rezultatet e mëposhtme:

Ramsey RESET Test

Equation: UNTITLED
Specification: GDP C CO I G
Omitted Variables: Squares of fitted values

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.

3.7. Chow breakpoint test

Testi Chow përdoret për analizën e serive kohore për të testuar për praninë e një pike thyerje
strukturore. Do të testojmë nëse modeli gjatë këtyre 16 viteve të marra në studim ndryshon prirje në
pikat e thyerjes. Si pikë thyerje do të marrim vitin 2004 që është viti i parë pas zgjedhjeve të vitit
2003 në Shqipëri. Fillimisht ndërtojmë hipotezat:

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.

Chow Breakpoint Test: 2004

Null Hypothesis: No breaks at specified breakpoints
Varying regressors: All equation variables
Equation Sample: 1996 2011

F-statistic 2.798485 Prob. F(4,8) 0.1006

Log likelihood ratio 14.00245 Prob. Chi-Square(4) 0.0073
Ëald Statistic 11.19394 Prob. Chi-Square(4) 0.0245

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 Analysis: Ordinary

Date: 02/04/17 Time: 21:08
Sample: 1996 2011
Included observations: 16

Covariance
Correlation GDP CO G I
GDP 1.49E+13
1.000000

CO 1.51E+13 1.55E+13
0.996834 1.000000

G 1.23E+12 1.25E+12 1.04E+11

0.991870 0.988850 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:

Variance Inflation Factors

Date: 02/04/17 Time: 21:46
Sample: 1996 2011
Included observations: 16

Coefficient Uncentered Centered

Variable Variance VIF VIF

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.

Problemi që sjell Multikolineariteti lidhet me zgjerimin e variancës të koeficintëve (VIF), prandaj

ne e ulim ose korrigjojmë Multikolinearitetin duke zvogëluar termat e variancës së parametrave kur
ka M. Për zvogëlimin e varincës mund të përdorim një nga metodat e mëposhtme:

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 :

Heteroskedasticity Test: White

F-statistic 1.071414 Prob. F(9,6) 0.4845

Obs*R-squared 9.862963 Prob. Chi-Square(9) 0.3617
Scaled explained SS 6.711957 Prob. Chi-Square(9) 0.6671

Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 02/04/16 Time: 21:50
Sample: 1996 -2011
Included observations: 16

Variable Coefficient Std. Error t-Statistic Prob.

C 1.29E+11 1.72E+11 0.746151 0.4838

CO 455178.5 231286.4 1.968030 0.0966
CO^2 0.103428 0.096381 1.073117 0.3245
CO*G -2.440595 1.970276 -1.238708 0.2617
CO*I -0.357979 0.523229 -0.684173 0.5194
G -3785261. 2018458. -1.875323 0.1099
G^2 12.31775 9.467785 1.301018 0.2410
G*I 6.660573 6.509094 1.023272 0.3457
I -1162092. 1025369. -1.133340 0.3003
15
I^2 -0.875214 0.912218 -0.959435 0.3744

R-squared 0.616435 Mean dependent var 3.55E+10

Adjusted R-squared 0.041088 S.D. dependent var 5.70E+10
S.E. of regression 5.58E+10 Akaike info criterion 52.59845
Sum squared resid 1.87E+22 Schëarz criterion 53.08132
Log likelihood -410.7876 Hannan-Quinn criter. 52.62318
F-statistic 1.071414 Durbin-Ëatson stat 3.079710
Prob(F-statistic) 0.484549

Sipas kësaj tabele ekuacioni i vlerësuar është:

ui2= 1,29* 1011+ 455178,5*CO -3785261*G -1162092*I + 0,103428*CO2 + 12,31775*G2-

0,875214*I2 -2,440595*CO*G-0,357979*CO*I +6,660573*G*I+vi.

Për të parë nëse ka apo jo heteroskedasticitet testojmë hipotezat e mëposhtme:

H0: β1= β2=… β7=0 Jo heteroskedasticitet

Ha : Të paktën njëra është e ndryshme nga 0. (ka mundësi për heteroskedasticitet)

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:

F-statistic 0.263027 Prob. F(1,11) 0.6182

Obs*R-squared 0.373650 Prob. Chi-Square(1) 0.5410

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.

Variable Coefficient Std. Error t-Statistic Prob.

C 13492.43 177175.1 0.076153 0.9407

CO 0.016494 0.116965 0.141018 0.8904
I -0.028658 0.432990 -0.066186 0.9484
G -0.169767 1.245188 -0.136339 0.8940
RESID(-1) 0.163750 0.319287 0.512861 0.6182

R-squared 0.023353 Mean dependent var 1.24E-09

Adjusted R-squared -0.331791 S.D. dependent var 194574.7
S.E. of regression 224545.5 Akaike info criterion 27.73185
Sum squared resid 5.55E+11 Schwarz criterion 27.97329
Log likelihood -216.8548 Hannan-Quinn criter. 27.74421
F-statistic 0.065757 Durbin-Watson stat 1.837348
Prob(F-statistic) 0.990914

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

F-statistic 5.194039 Prob. F(1,11) 0.02979

Log likelihood ratio 1.648831 Prob. Chi-Square(1) 0.1991

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:

Yi=β0 + β1X1 + β2X2+ β3X3 +β4X4+ui Ku Y –GDP , X1 – CO,X2-G, X3-I, X4-Nx

Modeli i vlerësuar në EViews ka formën:

̂ = 275546,8+ 0.502988*𝐶𝑂
𝐺𝐷𝑃 ̂ + 5,912812*𝐺̂ +1,451874*𝐼̂ + 0,516895*𝑁𝑥
̂ +ui
sipas tabelës së mëposhtme:

Dependent Variable: GDP

Method: Least Squares
Date: 02/04/17 Time: 21:59
Sample: 1996 2011
Included observations: 16

Variable Coefficient Std. Error t-Statistic Prob.

C 275546.8 220906.9 1.247344 0.2382

CO 0.502988 0.109016 4.613888 0.0007
G 5.912812 1.941678 3.045208 0.0111
I 1.451874 0.415799 3.491768 0.0050
NX 0.516895 0.473035 1.092721 0.2979

R-squared 0.997852 Mean dependent var 7177133.

Adjusted R-squared 0.997071 S.D. dependent var 3987671.
S.E. of regression 215803.4 Akaike info criterion 27.65243
Sum squared resid 5.12E+11 Schwarz criterion 27.89386
Log likelihood -216.2194 Hannan-Quinn criter. 27.66479
F-statistic 1277.673 Durbin-Watson stat 1.957116
Prob(F-statistic) 0.000000

4.2 Interpretimi i koeficientëve

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.

β1=0.502988tregon me sa njësi do të rritet GDP në qoftë se konsumi rritet me 1 njesi dhe

variablat e tjere janë të barabartë me 0. Më specifikisht nëse konsumi do të rritet me 1 njësi dhe të
tjerët ,shpenzimet qeveritare , investimet dhe eksportet neto bëhen 0 atëherë GDP do rritet afërsisht
me 0.502988 njësi.

β2 =5,912812 tregon me sa njësi do të rritet GDP në qoftë se shpenzimet qeveritare rriten me 1

njësi dhe variablat e tjerë bëhen 0. Më saktë nëse shpenzimet qeveritare do të rriten me 1 njësi dhe
të tjerët janë te barabartë me 0 atëherë GDP do rritet afërsisht me 5,912812 njësi.

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.

4.3 Testimi 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)
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.

4.4 Vlerësimi i modelit

Për të vlerësuar nëse modeli është i rëndësishëm apo jo testojmë hipotezat e mëposhtme:
H0: β1= β2= β3= β4=0 ( Modeli nuk është i rëndësishëm)
Ha: ∃ βi≠0 per i=1…4 ( Modeli është i rëndësishëm)

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

4.5 Vlerësimi i mbetjeve

Bëjmë grafikun e mbetjeve të standartizuara si më poshtë:

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

Residual Actual Fitted

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.

4.6 Testi i formës lineare

Në vijim do të testojmë nëse forma e modelit është lineare apo jo. Për këtë bëjmë testin Ramsey dhe
testojme hipotezat e mëposhtme:
H0: Forma lineare është e përshtatshme
Ha: Forma lineare nuk është e përshtatshme
20
Testi ne Eviews do të ketë rezultatet e mëposhtme:

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.

4.7. Chow breakpoint test

Në këtë sesion do të testojmë modelin me variablat e shtuara nëse e ka vitin 2004 si pikë thyerje ku
ndryshon prirja. Fillimisht ndërtojmë hipotezat:

H0: SKG = SKG1 + SKG2 (Nuk ndryshon)

Ha: SKG ≠ SKG1 + SKG2 (Ndryshon)

Nga Eviews përfitojmë:

Chow Breakpoint Test: 2004

Null Hypothesis: No breaks at specified breakpoints
Varying regressors: All equation variables
Equation Sample: 1996 2011

F-statistic 3.743626 Prob. F(5,6) 0.0695

Log likelihood ratio 22.65244 Prob. Chi-Square(5) 0.0004
Wald Statistic 18.71813 Prob. Chi-Square(5) 0.0022

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:

Variance Inflation Factors

Date: 02/05/17 Time: 9:48
Sample: 1996 2011
Included observations: 16

Coefficient Uncentered Centered

Variable Variance VIF VIF

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.

Problemi që sjell Multikolineariteti lidhet me zgjerimin e variancës të koeficintëve (VIF), dhe

zgjerohen intervalet e besimit për koeficiente, prandaj ne e ulim ose korrigjojmë .Multikolinearitetin
duke zvogëluar termat e variancës së parametrave kur ka Multikolinearitet. Për zvogëlimin e
varincës mund të përdorim një nga metodat e mëposhtme:

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

F-statistic 772.3158 Prob. F(14,1) 0.0282

Obs*R-squared 15.99852 Prob. Chi-Square(14) 0.3135
Scaled explained SS 7.159199 Prob. Chi-Square(14) 0.9284

Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 02/05/16 Time: 12:24
Sample: 1996- 2011
Included observations: 16

Variable Coefficient Std. Error t-Statistic Prob.

C 8.71E+11 2.36E+10 36.88601 0.0173

CO 905421.5 12485.94 72.51529 0.0088
CO^2 0.530368 0.008334 63.64032 0.0100
CO*G -9.001511 0.164863 -54.60002 0.0117
CO*I -1.214094 0.022922 -52.96702 0.0120
CO*NX 0.851451 0.027968 30.44358 0.0209
G -15106993 355061.2 -42.54758 0.0150
G^2 60.72148 1.957339 31.02246 0.0205
G*I -23.78990 0.585407 -40.63824 0.0157
G*NX 0.033842 0.752149 0.044994 0.9714
I 4710087. 108884.6 43.25759 0.0147
I^2 -0.569490 0.066217 -8.600314 0.0737
I*NX -12.11184 0.204640 -59.18616 0.0108
NX -684462.6 76377.20 -8.961609 0.0707

23
NX^2 0.250516 0.088554 2.828960 0.2163

R-squared 0.999908 Mean dependent var 3.20E+10

Adjusted R-squared 0.998613 S.D. dependent var 4.55E+10
S.E. of regression 1.69E+09 Akaike info criterion 44.44187
Sum squared resid 2.87E+18 Schëarz criterion 45.16618
Log likelihood -340.5350 Hannan-Quinn criter. 44.47896
F-statistic 772.3158 Durbin-Ëatson stat 2.281148
Prob(F-statistic) 0.028196

H0: β1= β2=… β7=00 Jo heteroskedasticitet

Ha : Të paktën njëra është e ndryshme nga 0. (ka mundësi për heteroskedasticitet)

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:

log(GDP) = β0 + β1*CO + β2*G + β3*I + β4*Nx

Testojmë rëndësinë e këtij modeli në Eviews

Dependent Variable: LOG(GDP)

Method: Least Squares
Date: 02/05/17 Time: 21:04
Sample: 1996 2011
Included observations: 16

Variable Coefficient Std. Error t-Statistic Prob.

C 14.27339 0.112143 127.2780 0.0000

CO 3.93E-08 5.53E-08 0.710346 0.4923
G 3.29E-06 9.86E-07 3.342604 0.0066
I -1.32E-07 2.11E-07 -0.625959 0.5441
NX 5.97E-07 2.40E-07 2.485075 0.0303

R-squared 0.976868 Mean dependent var 15.62024

Adjusted R-squared 0.968457 S.D. dependent var 0.616836
S.E. of regression 0.109553 Akaike info criterion -1.334517
Sum squared resid 0.132019 Schwarz criterion -1.093083
Log likelihood 15.67614 Hannan-Quinn criter. -1.322154
F-statistic 116.1347 Durbin-Watson stat 2.063099
Prob(F-statistic) 0.000000

Ekuacioni do të jetë

log(GDP) = 14.27339 +3.93E-8*CO + 329E-06*G – 1.32E-07*I + 5.97E-07*Nx

Për të testuar rëndësinë e variablave do të shikojmë statistikën t dhe probabilitetin dhe do të

shikojmë që për variablat CO dhe I vlerat e t janë përkatësisht 0.710346 < 2 dhe -0.625959 > -2, pra
24
këta varibla janë të parëndësishëm për modelin, kjo tregohet dhe nga probabilitetet e tyre që janë
më të mëdhenj se 0.05.
Për të vlerësuar nëse modeli është i rëndësishëm apo jo testojmë hipotezat e mëposhtme:
H0: β1= β2= β3= β4=0 ( Modeli nuk është i rëndësishëm)
Ha: ∃ βi≠0 per i=1…4 ( Modeli është i rëndësishëm)
Vlera e F = 116.1347 > 5, pra H0 nuk pranohet, modeli është i rëndësishëm.
Studiojmë heteroskedasticitetin në këtë model

Heteroskedasticity Test: White

F-statistic 4.019016 Prob. F(14,1) 0.3743

Obs*R-squared 15.72060 Prob. Chi-Square(14) 0.3307
Scaled explained SS 6.525046 Prob. Chi-Square(14) 0.9515

Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 02/05/17 Time: 21:33
Sample: 1996 2011
Included observations: 16

Variable Coefficient Std. Error t-Statistic Prob.

C 0.238841 0.080565 2.964585 0.2071

CO 1.94E-07 4.26E-08 4.551336 0.1377
CO^2 1.20E-13 2.84E-14 4.209860 0.1485
CO*G -2.14E-12 5.62E-13 -3.797511 0.1639
CO*I -2.32E-13 7.82E-14 -2.973778 0.2065
CO*NX 1.64E-13 9.54E-14 1.723901 0.3346
G -3.82E-06 1.21E-06 -3.151287 0.1956
G^2 1.67E-11 6.68E-12 2.494474 0.2427
G*I -5.38E-12 2.00E-12 -2.692299 0.2264
G*NX 1.57E-12 2.57E-12 0.611271 0.6507
I 1.10E-06 3.71E-07 2.952698 0.2079
I^2 1.60E-13 2.26E-13 0.709565 0.6071
I*NX -2.39E-12 6.98E-13 -3.418049 0.1812
NX -2.57E-07 2.60E-07 -0.987586 0.5040
NX^2 3.24E-13 3.02E-13 1.073497 0.4774

R-squared 0.982538 Mean dependent var 0.008251

Adjusted R-squared 0.738065 S.D. dependent var 0.011294
S.E. of regression 0.005780 Akaike info criterion -8.366413
Sum squared resid 3.34E-05 Schëarz criterion -7.642111
Log likelihood 81.93130 Hannan-Quinn criter. -8.329323
F-statistic 4.019016 Durbin-Ëatson stat 2.281147
Prob(F-statistic) 0.374345

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.

Hipotezat e ndërtuara janë:

H0: Kemi nje rrënjë unitare dhe seria kohore nuk është stacionare

Ha: Seria kohore është stacionare

Testi Unit Root Test për të gjitha variablat jep rezultatet e mëposhtme:

Për GDP :

Null Hypothesis: GDP has a unit root

Exogenous: Constant
Lag Length: 0 (Automatic based on SIC, MAXLAG=3)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic 0.238771 0.9655

Test critical values: 1% level -3.959148
5% level -3.081002
10% level -2.681330

*MacKinnon (1996) one-sided p-values.

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.

Null Hypothesis: D(GDP) has a unit root

Exogenous: Constant
Lag Length: 1 (Automatic based on SIC, MAXLAG=3)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -3.260232 0.0394

Test critical values: 1% level -4.057910
5% level -3.119910
10% level -2.701103

*MacKinnon (1996) one-sided p-values.

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:

Null Hypothesis: CO has a unit root

Exogenous: Constant
Lag Length: 0 (Automatic based on SIC, MAXLAG=3)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic 0.228108 0.9648

Test critical values: 1% level -3.959148
5% level -3.081002
10% level -2.681330

*MacKinnon (1996) one-sided p-values.

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.

Null Hypothesis: D(CO) has a unit root

Exogenous: Constant
Lag Length: 1 (Automatic based on SIC, MAXLAG=3)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -2.930759 0.0686

Test critical values: 1% level -4.057910
5% level -3.119910
10% level -2.701103

*MacKinnon (1996) one-sided p-values.

27
Meqë t faktike është me e vogël se t kritike ( 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 G:

Null Hypothesis: G has a unit root

Exogenous: Constant
Lag Length: 3 (Automatic based on SIC, MAXLAG=3)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -1.440133 0.5276

Test critical values: 1% level -4.121990
5% level -3.144920
10% level -2.713751

*MacKinnon (1996) one-sided p-values.

Nga tabela e mësipërme shohim që t faktike= -1,440133 > t kritike (për 1, 5 dhe 10 % nivel rëndësie ) .
Ho pranohet.Kemi një rrënjë unitare dhe seria nuk është stacionare.

Kjo seri : G kthehet në stacionare në diferecë të parë sic e tregon edhe tabela e mëposhtme.

Null Hypothesis: D(G) has a unit root

Exogenous: Constant
Lag Length: 1 (Automatic based on SIC, MAXLAG=3)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -4.073249 0.0097

Test critical values: 1% level -4.057910
5% level -3.119910
10% level -2.701103

*MacKinnon (1996) one-sided p-values.

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:

Null Hypothesis: I has a unit root

Exogenous: Constant
Lag Length: 0 (Automatic based on SIC, MAXLAG=3)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic 0.377819 0.9743

Test critical values: 1% level -3.959148
5% level -3.081002
10% level -2.681330

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.

Null Hypothesis: D(I) has a unit root

Exogenous: None
Lag Length: 3 (Automatic based on SIC, MAXLAG=3)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -1.864738 0.0618

Test critical values: 1% level -2.792154
5% level -1.977738
10% level -1.602074

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:

Null Hypothesis: NX has a unit root

Exogenous: Constant
Lag Length: 0 (Automatic based on SIC, MAXLAG=3)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -0.422093 0.8817

Test critical values: 1% level -3.959148
5% level -3.081002
10% level -2.681330

*MacKinnon (1996) one-sided p-values.

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.

Null Hypothesis: D(NX) has a unit root

Exogenous: Constant
Lag Length: 1 (Automatic based on SIC, MAXLAG=3)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -3.165220 0.0463

Test critical values: 1% level -4.057910
5% level -3.119910
10% level -2.701103

*MacKinnon (1996) one-sided p-values.

29
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 të eleminuar problemin e stacionaritetit variablat duhet të futen në model në diferencë të parë.
Forma e modelit:

D(GDP ) = β0 + β1*D(CO) + β2*D(G)+ β3*D(I) +β4*D(NX) +ui

Ekuacioni i regresit sipas tabelës të mëposhtme është :

D(GDP ) = 122568,1+ 0,280143*D(CO) + 6,915216*D(G)+ 0,776575*D(I) +0,353404*D(NX)

Dependent Variable: D(GDP)

Method: Least Squares
Date: 02/05/17 Time: 21:39
Sample (adjusted): 1997 -2011
Included observations: 15 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

C 122568.1 96951.99 1.264215 0.2348

D(CO) 0.280143 0.184899 1.515108 0.1607
D(G) 6.915216 2.398462 2.883187 0.0163
D(I) 0.776575 0.698547 1.111701 0.2923
D(NX) 0.353404 0.496585 0.711668 0.4929

R-squared 0.935001 Mean dependent var 663089.7

Adjusted R-squared 0.909002 S.D. dependent var 884165.3
S.E. of regression 266716.2 Akaike info criterion 28.08696
Sum squared resid 7.11E+11 SchWarz criterion 28.32298
Log likelihood -205.6522 Hannan-Quinn criter. 28.08445
F-statistic 35.96239 Durbin-Watson stat 1.636048
Prob(F-statistic) 0.000007

5.1 Vlerësimi i modelit

Për të vlerësuar nëse modeli është i rëndësishëm apo jo testojme hipotezat e mëposhtme:
H0: β1= β2= β3= β4=0 ( Modeli nuk është i rëndësishëm)
Ha: ∃ βi≠0 per i=1…4 ( Modeli është i rëndësishëm)
Nga tabela e mësipërme shohim se Ffaktike=35,96239> 5 pra H0 bie poshtë dhe themi që modeli
ynë është statistikisht i rëndësishëm.
Nga tabela shohim që R2= 0.935001 dhe koeficentin e korrigjuar të përcaktueshmërisë ̅𝑅̅̅2̅= 0.909002 i
cili tregon se afërsisht 90.9% e variacionit të ndryshimeve të GDP shpjegohen prej ndryshimeve të
Co,I,Nx dhe G .Modeli konsiderohet i mirë.

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

Residual Actual Fitted

5.4. Chow breakpoint test

Do të testojmë nëse modeli me diferencat e para të variablave e ka vitin 2004 si pikë thyerje ku
ndryshon prirja. Fillimisht ndërtojmë hipotezat:

H0: SKG = SKG1 + SKG2 (Nuk ndryshon)

Ha: SKG ≠ SKG1 + SKG2 (Ndryshon)

Nga Eviews përfitojmë:

31
Choë Breakpoint Test: 2004
Null Hypothesis: No breaks at specified breakpoints
Varying regressors: C DCO DG DI DNX
Equation Sample: 1997 2011

F-statistic 1.396594 Prob. F(5,5) 0.3614

Log likelihood ratio 13.11073 Prob. Chi-Square(5) 0.0224
Ëald Statistic 6.982970 Prob. Chi-Square(5) 0.2219

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:

DGDP DCO DG DI DNX

DGDP 1.000000 0.910237 0.945726 0.469799 -0.787217
DCO 0.910237 1.000000 0.876663 0.415786 -0.707369
DG 0.945726 0.876663 1.000000 0.373528 -0.888347
DI 0.469799 0.415786 0.373528 1.000000 -0.275438
DNX -0.787217 -0.707369 -0.888347 -0.275438 1.000000

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:

Variance Inflation Factors

Date: 02/05/17 Time: 22:31
Sample: 1996 2011
Included observations: 15

Coefficient Uncentered Centered

Variable Variance VIF VIF

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

Dependent Variable: DGDP

Method: Least Squares
Date: 02/05/17 Time: 23:01
Sample (adjusted): 1997 -2011
Included observations: 15 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

C 239569.6 86925.50 2.756033 0.0163

DG 8.300052 0.791005 10.49305 0.0000

R-squared 0.894398 Mean dependent var 663089.7

Adjusted R-squared 0.886275 S.D. dependent var 884165.3
S.E. of regression 298168.2 Akaike info criterion 28.17227
Sum squared resid 1.16E+12 Schwarz criterion 28.26668
Log likelihood -209.2920 Hannan-Quinn criter. 28.17126
F-statistic 110.1040 Durbin-Watson stat 1.294557
Prob(F-statistic) 0.000000

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

Heteroskedasticity Test: White

F-statistic 0.618642 Prob. F(4,10) 0.6594

Obs*R-squared 2.975535 Prob. Chi-Square(4) 0.5619
Scaled explained SS 2.042583 Prob. Chi-Square(4) 0.7279

Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 02/05/17 Time: 23:40
Sample: 1997 2011
Included observations: 15

Variable Coefficient Std. Error t-Statistic Prob.

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

R-squared 0.198369 Mean dependent var 4.74E+10

Adjusted R-squared -0.122283 S.D. dependent var 8.63E+10
S.E. of regression 9.14E+10 Akaike info criterion 53.57614
Sum squared resid 8.35E+22 Schëarz criterion 53.81215
Log likelihood -396.8210 Hannan-Quinn criter. 53.57362
F-statistic 0.618642 Durbin-Ëatson stat 1.550950
Prob(F-statistic) 0.659368

Në të njëjtin përfundim arrijmë edhe nëse përdorim testin Breusch-Pagan-Godfrey sepse F-

statistic<5.

Heteroskedasticity Test: Breusch-Pagan-Godfrey

F-statistic 0.571640 Prob. F(4,10) 0.6895

Obs*R-squared 2.791537 Prob. Chi-Square(4) 0.5933
Scaled explained SS 1.916276 Prob. Chi-Square(4) 0.7512

Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 02/05/17 Time: 23:47
Sample: 1997 2011
Included observations: 15

Variable Coefficient Std. Error t-Statistic Prob.

C 6.38E+10 3.35E+10 1.905911 0.0858

DCO 21262.46 63846.61 0.333024 0.7460
DG -470725.6 828199.9 -0.568372 0.5823
DI -149741.9 241211.5 -0.620791 0.5486
DNX -14596.68 171472.9 -0.085125 0.9338

R-squared 0.186102 Mean dependent var 4.74E+10

Adjusted R-squared -0.139457 S.D. dependent var 8.63E+10
S.E. of regression 9.21E+10 Akaike info criterion 53.59132
Sum squared resid 8.48E+22 Schwarz criterion 53.82734
Log likelihood -396.9349 Hannan-Quinn criter. 53.58881
F-statistic 0.571640 Durbin-Watson stat 1.473915
Prob(F-statistic) 0.689479

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

F-statistic 0.027772 Prob. F(1,9) 0.8713

Obs*R-squared 0.046144 Prob. Chi-Square(1) 0.8299

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.

Variable Coefficient Std. Error t-Statistic Prob.

C -4036.593 104874.6 -0.038490 0.9701

D(CO) 0.005100 0.196993 0.025889 0.9799
D(G) -0.036493 2.533790 -0.014403 0.9888
D(I) 0.034909 0.764460 0.045665 0.9646
D(NX) -0.000431 0.522647 -0.000825 0.9994
RESID(-1) -0.059660 0.358002 -0.166648 0.8713

R-squared 0.003076 Mean dependent var -1.15E-10

Adjusted R-squared -0.550770 S.D. dependent var 225416.3
S.E. of regression 280710.8 Akaike info criterion 28.21721
Sum squared resid 7.09E+11 Schwarz criterion 28.50043
Log likelihood -205.6291 Hannan-Quinn criter. 28.21419
F-statistic 0.005554 Durbin-Watson stat 1.556313
Prob(F-statistic) 0.999990

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

Modeli me variablat CO,G,I.

Redundant Variables Tes t

Null hypothes is : G I are jointly ins ignificant
Equation: UNTITLED
Specification: GDP C CO G I
Redundant Variables : G I

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

Res tricted Tes t Equation:

Dependent Variable: GDP
Method: Leas t Squares
Date: 02/11/17 Tim e: 00:01
Sam ple: 1996 2011
Included obs ervations : 16

Variable Coefficient Std. Error t-Statis tic Prob.

C 647022.7 161576.3 4.004441 0.0013

CO 0.978952 0.020868 46.91258 0.0000

R-s quared 0.993679 Mean dependent var 7177133.

Adjus ted R-s quared 0.993227 S.D. dependent var 3987671.
S.E. of regres s ion 328169.9 Akaike info criterion 28.35692
Sum s quared res id 1.51E+12 Schwarz criterion 28.45349
Log likelihood -224.8554 Hannan-Quinn criter. 28.36186
F-s tatis tic 2200.790 Durbin-Wats on s tat 1.257218
Prob(F-s tatis tic) 0.000000

Ngrejmë hipotezat :

Ho : Modeli jo i rëndësishëm

Ha: Modeli 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

Res tricted Tes t Equation:

Dependent Variable: GDP
Method: Leas t Squares
Date: 02/11/17 Tim e: 08:43
Sam ple: 1996 2011
Included obs ervations : 16

Variable Coefficient Std. Error t-Statis tic Prob.

C 3226722. 523855.7 6.159563 0.0000

I 10.02760 0.979583 10.23661 0.0000

R-s quared 0.882143 Mean dependent var 7177133.

Adjus ted R-s quared 0.873725 S.D. dependent var 3987671.
S.E. of regres s ion 1417028. Akaike info criterion 31.28249
Sum s quared res id 2.81E+13 Schwarz criterion 31.37906
Log likelihood -248.2599 Hannan-Quinn criter. 31.28744
F-s tatis tic 104.7881 Durbin-Wats on s tat 0.558261
Prob(F-s tatis tic) 0.000000

Përsëri Ngrejmë hipotezat :

Ho : Modeli jo i rëndësishëm

Ha: Modeli 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:

Në kuadër të projektit të ekonometrisë me temë “Modeli i rritjes ekonomike në

Shqipëri.” Jemi bazuar në bazën materiale te profesoreshës tonë të ekonometrisë dhe
po ashtu referencat janë marrë nga Banka Botërore:
http://data.worldbank.org/country/albania Dt e aksesimit: 01:02:2017

Sinaj,Valentina (2012),”Hyrje në Ekonometri”,Kapitujt 3,4,5,6,7,8,13

39