Detyre kursi

ekonometrie

Tema: Studimi i nje modeli ekonomik

Hyrje
Rasti i studimit qe do te trajtojme studion varesine e volumit tregtar nga disa faktore si :
eksportet,importet, dhe perqindja e mbulimit.Te dhenat jane marre nga INSTAT dhe jane te
dhena vjetore qe i perkasin viteve nga 1993-2009.Sic e dime bilanci tregtar nuk eshte gje tjeter
vecse nje diference midis eksporteve dhe importeve.Fillimisht do te studiohet funksioni i
volumit tregtar vetem ne varesi te importeve, duke ndertuar nje model ekonomik me dy
variabla-ku variabel i varur eshte volumi tregtar dhe variabel i pavarur eshte importi.Me pas do
ti shtohet ketij modeli dhe eksportet dhe perqindjen e mbulimit.

Ne kete studim do te analizojme modelet e ndertuara ekonometrike dhe do te trajtojme ceshtje

qe kane te bejne me rendesine e modelit, testimin e tij, multikolinearitetin,
heteroskedasticitetin, autokorrelacionin etj. Te dhenat jane perpunuar me programin “Eview”.

Tabela e te dhenave
Eksporti Importi Bilanci Volumi
Viti (FOB) (CIF) tregtar tregtar Përqindja e mbulimit
Export Import Trade The percentage of
Year (FOB) (CIF) balance Trade volume coverage

1993 12,499 58,336 -45,838 70,835 21.4

1994 13,387 57,019 -43,632 70,406 23.5
1995 18,710 66,147 -47,437 84,857 28.3
1996 22,001 98,060 -76,059 120,061 22.4
1997 21,044 95,022 -73,977 116,066 22.1
1998 31,104 126,271 -95,167 157,375 24.6
1999 48,430 159,465 -111,035 207,894 30.4
2000 37,037 157,109 -120,072 194,146 23.6
2001 44,096 190,155 -146,059 234,251 23.2
2002 47,490 210,368 -162,877 257,858 22.6
2003 54,487 225,983 -171,496 280,469 24.1
2004 62,121 236,072 -173,951 298,193 26.3
2005 65,818 262,191 -196,373 328,009 25.1
2006 77,405 299,147 -221,742 376,553 25.9
2007 97,171 376,194 -279,023 473,365 25.8
2008 112,572 439,894 -327,322 552,466 25.6
2009 103,244 431,107 -327,863 534,351 23.9
Regresi i thjeshte
Marrim ne studim modelin me dy variabla shpjegues i cili ka si variabel te varur-volumi tregtar
dhe si variabel te pavarur-importet.Nga praktika eshte e qarte qe me rritjen e importeve, do te
rritet volumi tregtar.

Modeli qe duhet te vleresojme eshte:

Volumi tregtar (vt) = c(1) + c(2) * importet (cif)

Per vleresimin e modelit , i referohemi te dhenave te tabeles dhe perdorim Eview duke dhene
komandat: Quick----Estimate Equation dhe shkruaj ekuacionin e mesiperm duke e testuar me
metoden e katroreve me te vegjel (MZKV).Tabela qe marrim eshte:

Dependent Variable: VT
Method: Least Squares
Date: 01/10/11 Time: 20:15
Sample: 1993 2009
Included observations: 17
VT=C(1) + C(2) * CIF

Variable Coefficient Std. Error t-Statistic Prob.

C(1) -969.0859 1721.858 -0.562814 0.5819

C(2) 1.253713 0.007238 173.2116 0.0000

R-squared 0.999500 Mean dependent var 256303.2

Adjusted R-squared 0.999467 S.D. dependent var 155551.5
S.E. of regression 3591.274 Akaike info criterion 19.32053
Sum squared resid 1.93E+08 Schwarz criterion 19.41856
Log likelihood -162.2245 Hannan-Quinn criter. 19.33028
F-statistic 30002.27 Durbin-Watson stat 1.748252
Prob(F-statistic) 0.000000

Fitojme rezultatet e meposhtme per modelin ekonomik:

VT = -969.0859 + 1.253713 * CIF

se = (1721.858) (0.007238) R2=0.9995

tv= (-0.563) (173.21)

P = (0.582) (0.000)
C(2)=1.253713 qe do te thote se kur importet do te rriten me 1 njesi, volumi tregtar do te rritet
1.25 here.

C(1)=-969.1 qe do te thote se kur nuk kemi importe pra cif=0 , volumi tregtar do te zvogelohet
mesatarisht c(1) njesi gje qe na rezulton paksa kontradiktore sepse nqs nuk kemi importe
atehere min i mundshem qe merr variabli i varur (volumi tregtar) eshte te na rezultoje 0 ,por jo
negativ sepse nuk eshte shume llogjike.Meqenese ne modelin e thjeshte rendesia e modelit dhe
rendesia e koeficienteve jane e njejta gje atehere mjafton te identifikojme njerin prej tyre.
: c(2)= 0 (koef.jo i rendesishem)

:c(2)≠ 0 (koef.i rendesishem)

Variabli shpjegues eshte i rendesishem sepse sic e shohim edhe nga statistika e
studentit,t=173,21>2.Ndersa dhe i rregulluar tregojne se rreth 99% e variances se volumit
tregtar shpjegohet nga importet. Ne tabele kemi dhe Fisherin e vrojtuar (Fv) i cili sic e shohim
eshte shume me i madh se Fisheri kritik (Fkr) , pra kjo na verteton edhe njehere se kemi te
bejme me nje model globalisht te rendesishem. Gjithashtu na jepet dhe probabiliteti i Fv=0.000,
cka pohon edhe njehere se modeli yne eshte i rendesishem.

Per te analizuar ne lidhje me mbetjet mjafton qe tek dritarja qe jemi te shtypim komandat:
View---Actual,Fitted,Residual--- Actual,Fitted,Residual Graph dhe do te shfaqet grafiku i
meposhtem.
Me vije te kuqe jepen vlerat e vrojtuara,me vije jeshile jepen vlerat e vleresuara dhe me vije blu
jepen mbetjet(ui).Sic e shohim vija e mbetjeve nuk eshte plotesisht brenda kontureve
megjithate nuk mund te themi qe eshte nje model jo i mire.

600,000

500,000

400,000

300,000
12,000 200,000

8,000 100,000

4,000 0

-4,000

-8,000
1994 1996 1998 2000 2002 2004 2006 2008

Res idual Ac tual Fitted

Per gjetjen e mbetjeve me vlerat perkatese mjafton te shkoj tek View e workfile-it tim dhe te
zbatoj komanden: Actual,fitted,residual----Actual,fitted, residual table e cila na paraqet tabelen
e meposhtme ne lidhje me mbetjet.Ne kete tabele na jepen vlerat e vrojtuara (y i), vlerat e
vleresuara (yˆ), mbetjet (ui) te cilat gjenden duke zbritur nga vlerat e vrojtuara ato te vleresuara,
dhe me pas na jepet dhe grafiku i mbetjeve.

obs Actual Fitted Residual Residual Plot

1993 70835.0 72167.5 -1332.54 | . *| . |
1994 70406.0 70516.4 -110.400 | . * . |
1995 84857.0 81960.3 2896.70 | . | *. |
1996 120061. 121970. -1909.05 | .* | . |
1997 116066. 118161. -2095.27 | .* | . |
1998 157375. 157339. 36.4370 | . * . |
1999 207894. 198954. 8939.67 | . | . *|
2000 194146. 196001. -1854.58 | . *| . |
2001 234251. 237431. -3179.79 | .* | . |
2002 257858. 262772. -4914.10 | *. | . |
2003 280469. 282349. -1879.84 | . *| . |
2004 298193. 294998. 3195.45 | . | *. |
2005 328009. 327743. 265.707 | . * . |
2006 376553. 374076. 2477.47 | . | *. |
2007 473365. 470670. 2694.61 | . | *. |
2008 552466. 550532. 1934.07 | . | *. |
2009 534351. 539516. -5164.55 | *. | . |

Forma te ndryshme funksionale

Modelet logaritmike ---Modeli log –log
Modeli log-log eshte modeli qe te dy variablat (i varur & i pavarur) i ka ne trajte logaritmike.
Modeli eshte:
log (vt)=c(1) + c(2)* log(cif)
Per te interpretuar modelin kemi:
%∆vt = (c2)%∆cif →c(2) =%∆vt/%∆cif
Pra per nje ndryshim prej 1% te variablit shpjegues (cif=importi) kemi nje ndryshim prej c(2)% te
variablit te varur (vt=volumi tregtar)
-Modeli yne i vleresuar eshte:
log (vt)=0.143 + 1.01 log (cif)
c(2)=1.01 tregon se nese do te kemi nje ndryshim me 1% te importeve atehere do te kemi nje
ndryshim me 1.01% te volumit tregtar.
c(1)=0.143 tregon se nese importet do te ishin zero (constant) atehere volume tregtar do te
ishte 0.143 njesi.
Koeficienti R2 ose R2 i rregulluar=99.9% tregon qe 99.9% e volumit tregtar varet nga importet.
Probabiliteti (prob)=0.000 tregon se modeli yne eshte statistikisht i rendesishem per nivelin e
rendesise α=5%.Ndertimi i hipotezave:
: c(2)= 0 (koef.jo i rendesishem)

:c(2)≠ 0 (koef.i rendesishem)

Variabli shpjegues eshte i rendesishem sepse sic e shohim edhe nga statistika e
studentit,t=146.6>2. Ne tabele kemi dhe Fisherin e vrojtuar (Fv) i cili sic e shohim eshte shume
me i madh se Fisheri kritik (Fkr) , pra kjo na verteton edhe njehere se kemi te bejme me nje
model globalisht te rendesishem. Sic e shohim dhe nga rezultatet modeli log-log eshte me i
mire se ai linear dhe prandaj ne do te vazhdojme me tej duke perdorur modelin log-log.

Dependent Variable: LOG(VT)

Method: Least Squares
Date: 01/10/11 Time: 21:29
Sample: 1993 2009
Included observations: 17
LOG(VT)=C(1) + C(2) *LOG(CIF)

Variable Coefficient Std. Error t-Statistic Prob.

C(1) 0.143332 0.082764 1.731825 0.1038

C(2) 1.006377 0.006864 146.6093 0.0000

R-squared 0.999303 Mean dependent var 12.25978

Adjusted R-squared 0.999256 S.D. dependent var 0.671693
S.E. of regression 0.018320 Akaike info criterion -5.051550
Sum squared resid 0.005034 Schwarz criterion -4.953525
Log likelihood 44.93818 Hannan-Quinn criter. -5.041806
F-statistic 21494.28 Durbin-Watson stat 1.984929
Prob(F-statistic) 0.000000

Per te analizuar ne lidhje me mbetjet mjafton qe tek dritarja qe jemi te shtypim komandat:
View---Actual,Fitted,Residual--- Actual,Fitted,Residual Graph dhe do te shfaqet grafiku i
meposhtem.
Me vije te kuqe jepen vlerat e vrojtuara,me vije jeshile jepen vlerat e vleresuara dhe me vije blu
jepen mbetjet(ui).Sic e shohim vija e mbetjeve nuk eshte plotesisht brenda kontureve
megjithate nuk mund te themi qe eshte nje model jo i mire.
 13.5

13.0

12.5

12.0
.06
11.5
.04
11.0

.02

.00

-.02
1994 1996 1998 2000 2002 2004 2006 2008

Res idual Ac tual Fitted

Regresi i shumefishte
Modeli ne te cilin numri i variablave shpjegues eshte me i madh se nje, quhet model regresi i
shumefishte.Trajta e pergjithshme e nje modeli regresi te shumefishte me k variabla shpjegues
eshte:

Y=β1 + β2 X2 + β3X3 + … + βkXk + u

Ku β1 eshte intersepti, ndersa βi quhet koeficienti i pjeshsem i regresit, pra ai tregon me sa

ndryshon variabli varur Y kur Xi rritet me nje njesi kurse variablat e tjere shpjegues mbahen
konstant.
Per vleresimin e modelit, i referohemi te dhenave te tabeles dhe perdorim Eview dhe fitojme
rezultatet e meposhtme per modelin ekonomik. Fillimisht I futim te gjithe variablat qe kemi ne
model pastaj do t’i eleminojme hap pas hapi duke pare si ndryshon sinjifikanca derisa te
arrijme ne modelin optimal per te cilin do te bejme diagnostikime te metejshme.Krijojme
modelin: Quick---Estimate Equation dhe shkruajme ekuacionin.

log(vt)=0.69 + 0.76* log(cif) + 0.24* log(fob) + (-0.04)*log(pm)

Kjo do te thote qe kur variablat jane 0 atehere volumi tregtar(vt) rritet me 0.69%.Nqs
importet(cif) rriten me 1% (nderkohe qe variablat e tjere mbahen constant) atehere vt rritet me
0.76%.Nqs eksportet(fob) rriten me 1% (nderkohe qe variablat e tjere mbahen constant)
atehere vt rritet me 0.24%.Nqs % e mbulimit(pm) rritet me 1% (nderkohe qe variablat e tjere
mbahen constant) atehere vt zvogelohet me 0.04%.

Testimi i rendesise statistikore te modelit

Per te testuar rendesine e modelit ne do te bazohemi tek analiza e variances ashtu si tek modeli
i thjeshte.Ndertojme hipotezat:
: = = =0 (Modeli jo i rendesishem)

: Egziston ≠0 (Modeli i rendesishem)

Per testimin e hipotezave perdorim testin Fisher. Fisheri i vrojtuar ka vleren 4450125 qe eshte
me e madhe se vlera e Fisherit kritik (Fkr). Kjo sjell qe bie poshte,pra modeli eshte
statistikisht i rendesishem.Kete fakt gjithashtu e pohon dhe probabiliteti i Fisherit =0.00.

Testimi i rendesise statistikore te koeficienteve te pjesshem te regresit

Bejme nje testim per te vleresuar se cilet nga parametrat jane te rendesishem , duke ditur qe u i
≈ N (0,σ2).Per testimin e koeficienteve te pjesshem perdorim testin student.
Ndertojme hipotezat:
: = 0 (koef.jo i rendesishem)

: ≠ 0 (Koef.i rendesishem)
Hipoteza Ho do te hidhet poshte nqs | tv | > tα/2 ose tv > tkr ku tv= ci/ se(ci).
Per variablin cif: tv=4.33 > tkr=2 pra variabli cif eshte i rendesishem, keshtu qe nuk mund ta
perjashtojme nga modeli.
Per variablin fob: tv=1.39 < 2 pra variabli fob eshte jo i rendesishem, keshtu qe mund ta
perjashtojme nga modeli.
Per variablin pm: tv=|-0.22| < 2 pra variabli pm eshte jo i rendesishem, keshtu qe mund ta
perjashtojme nga modeli.
Perfundimi: Pasi kemi bere testimin e rendesise statistikore per secilin koeficient te pjesshem te
regresit, shohim qe modeli i ri qe perfitojme nga perjashtimi i variablave te parendesishem
perputhet me modelin e regresit te thjeshte: log(vt) = c(1) + c(2) * log(cif).

Dependent Variable: LOG(VT)

Method: Least Squares
Date: 01/10/11 Time: 22:43
Sample: 1993 2009
Included observations: 17
LOG(VT)=C(1)+C(2)*LOG(CIF)+C(3)*LOG(FOB)+C(4)*LOG(PM)

Variable Coefficient Std. Error t-Statistic Prob.

C(1) 0.695200 0.801885 0.866957 0.4017

 C(2) 0.756320 0.174716 4.328860 0.0008
C(3) 0.242953 0.174687 1.390788 0.1876
C(4) -0.039079 0.173792 -0.224862 0.8256

R-squared 0.999999 Mean dependent var 12.25978

Adjusted R-squared 0.999999 S.D. dependent var 0.671693
S.E. of regression 0.000735 Akaike info criterion -11.39017
Sum squared resid 7.03E-06 Schwarz criterion -11.19412
Log likelihood 100.8165 Hannan-Quinn criter. -11.37069
F-statistic 4450125. Durbin-Watson stat 2.495567
Prob(F-statistic) 0.000000

13.5

13.0

12.5

.0020 12.0

.0015 11.5

.0010
11.0
.0005

.0000

-.0005

-.0010
1994 1996 1998 2000 2002 2004 2006 2008

Res idual Ac tual Fitted

Shohim grafikun e mbetjeve me siper .Shohim qe vija e mbetjeve ka disa devijime jashte
kontureve te intervalit te besimit,pra ky model nuk eshte perfekt,keshtu qe na duhet te heqim
variabla per ta sjelle ne parametra optimal.Do te shohim hap pas hapi se si kjo heqje e
variablave do ta ndryshoje performancen e modelit tone .
Sic e pame me siper,koeficientet e variablit fob dhe pm rezultuan te parendesishem prandaj
heqim nga modeli fillimisht njerin prej tyre,psh pm.Vleresojme modelin e ri:
Log(vt)=c(1) + c(2) * log(cif) + c(3) *log(fob)

Dependent Variable: LOG(VT)

Method: Least Squares
Date: 01/11/11 Time: 00:01
Sample: 1993 2009
Included observations: 17
LOG(VT)=C(1)+C(2)*LOG(CIF)+C(3)*LOG(FOB)

Variable Coefficient Std. Error t-Statistic Prob.

C(1) 0.514889 0.004912 104.8185 0.0000

C(2) 0.795604 0.002127 374.0102 0.0000
C(3) 0.203675 0.002039 99.86756 0.0000
R-squared 0.999999 Mean dependent var 12.25978
Adjusted R-squared 0.999999 S.D. dependent var 0.671693
S.E. of regression 0.000710 Akaike info criterion -11.50394
Sum squared resid 7.06E-06 Schwarz criterion -11.35690
Log likelihood 100.7835 Hannan-Quinn criter. -11.48932
F-statistic 7160811. Durbin-Watson stat 2.513471
Prob(F-statistic) 0.000000

Log(vt)=0.51+0.79*log(cif)+0.2*log(fob).
Shqyrtojme rendesine e koeficienteve: =374>2,koeficienti rendesishem.
c(3)=99.9>2,koeficienti i rendesishem .
Rendesia e modelit:Fisheri i vrojtuar ka vleren 7160811 >Fisheri kritik,pra modeli eshte i
rendesishem.Pra sic e shohim heqja e variablit pm i cili na rezultoi i parendesishem , beri qe te
perfitojme nje model te ri me 2 variabla te pavarur (cif dhe fob) dhe nje variable te varur (vt) i
cili na rezultoi i rendesishem globalisht kur e testuam me Fisher por edhe koeficientet e
pjesshem na dolen statistikisht te rendesishem.Ky do te jete modeli perfundimtar me te cilin do
te vazhdojme testimet e metejshme.Grafiku i mbetjeve per kete model eshte figura poshte. Me
vije te kuqe jepen vlerat e vrojtuara,me vije jeshile jepen vlerat e vleresuara dhe me vije blu
jepen mbetjet(ui).Sic e shohim vija e mbetjeve nuk eshte plotesisht brenda kontureve
megjithate nuk mund te themi qe eshte nje model jo i mire

13.5

13.0

12.5

.0020 12.0

.0015 11.5

.0010 11.0
.0005

.0000

-.0005

-.0010
1994 1996 1998 2000 2002 2004 2006 2008

Residual Actual Fitted

Stabiliteti i koeficienteve ne model gjate nje periudhe kohore.Testi CHOW

Mund te konsiderohet modeli stable kur ai studiohet gjate gjithe periudhes, apo ai duhet te
ndahet ne dy nenperiudha(ndryshim strukturor i modelit)? Per te realizuar nje test te tille shkoj
tek workfile-i qe kam dhe zbatoj komanden: View---Stability test---CHOW Breakpoint test. Fusim
nje pike thyerje si psh ne baze te te dhenave qe kam fus si pike thyeje vitin 2001.
Ndertohen dhe testohen hipotezat:
Ho: SKG=SKG1+SKG2 (modeli eshte stable)
Ha: SKG≠SKG1+SKG2 (modeli nuk eshte stable)
Fv=[SKG – (SKG1-SKG2)]/d.fn/(SKG1+SKG2)/d.fe≈Fk/n-2k,α
Ne provojme qe modeli nuk eshte stable ne te gjithe periudhen ne shqyrtim vetem nese vlera e
vrojtuar eshte me e madhe se ajo tabelare me nje nivel rendesie te dhene (5%).

Chow Breakpoint Test: 2001

Null Hypothesis: No breaks at specified breakpoints

Equation Sample: 1993 2009

F-statistic 0.906292 Prob. F(3,11) 0.4692

Log likelihood ratio 3.754918 Prob. Chi-Square(3) 0.2892
Wald Statistic 2.718877 Prob. Chi-Square(3) 0.4370

Kemi bere nje ndarje te te dhenave per vitin 1993-2000 dhe 2001-2009.
Per vitet 1993-2000 ekuacioni qe marrim eshte:
Log(vt)=0.51+0.79*log(cif)+0.2*log(fob)
Per vitet 2001-2009 ekuacioni qe marrim eshte :
Log(vt)=0.49+0.8*log(cif)+0.19*log(fob)
Pra sic e shohim qe ndryshimet qe kane ndodhur nuk jane shume te dukshme sepse vlerat
variojne shume afer njera tjetres, cka do te thote qe modeli eshte stabel gjate te dy periudhave
ne shqyrtim, pra nuk eshte i nevojshem ndarja e modelit ne 2 nenperiudha.

Dependent Variable: LOG(VT)

Method: Least Squares
Date: 01/11/11 Time: 09:15
Sample: 1993 2000
Included observations: 8
LOG(VT)=C(1)+C(2)*LOG(CIF)+C(3)*LOG(FOB)

Variable Coefficient Std. Error t-Statistic Prob.

C(1) 0.509697 0.013952 36.53261 0.0000

C(2) 0.795516 0.003892 204.3965 0.0000
C(3) 0.204300 0.003427 59.61065 0.0000

R-squared 0.999996 Mean dependent var 11.67801

Adjusted R-squared 0.999994 S.D. dependent var 0.428950
S.E. of regression 0.001045 Akaike info criterion -10.60902
Sum squared resid 5.46E-06 Schwarz criterion -10.57923
Log likelihood 45.43607 Hannan-Quinn criter. -10.80994
F-statistic 589376.6 Durbin-Watson stat 2.755417
Prob(F-statistic) 0.000000

Dependent Variable: LOG(VT)

Method: Least Squares
Date: 01/11/11 Time: 09:16
Sample: 2001 2009
Included observations: 9
LOG(VT)=C(1)+C(2)*LOG(CIF)+C(3)*LOG(FOB)

Variable Coefficient Std. Error t-Statistic Prob.

C(1) 0.499410 0.004069 122.7227 0.0000

C(2) 0.802759 0.001448 554.2577 0.0000
C(3) 0.197004 0.001329 148.2096 0.0000

R-squared 1.000000 Mean dependent var 12.77691

Adjusted R-squared 1.000000 S.D. dependent var 0.319426
S.E. of regression 0.000180 Akaike info criterion -14.14403
Sum squared resid 1.95E-07 Schwarz criterion -14.07829
Log likelihood 66.64813 Hannan-Quinn criter. -14.28590
F-statistic 12571478 Durbin-Watson stat 3.414179
Prob(F-statistic) 0.000000

Ne kete moment kur ne modelin optimal qe ne doli kemi te perfshire 2 variabla te pavarur (cif &
fob) duhet te testojme edhe ekzistencen e multikolinearitetit ( nese ekziston nje lidhje ne kohe
midis importeve (cif) dhe eksporteve (fob)).Shohim nje lidhje ne kohe midis importeve dhe
eksporteve deri ne 2 kohevonese.

Date: 01/11/11 Time: 21:06

Sample: 1993 2009
Included observations: 17
Correlations are asymptotically consistent approximations

CIF,FOB(-i) CIF,FOB(+i) i lag lead

. |********** . |********** 0 0.9940 0.9940

. |******** | . |******** | 1 0.8350 0.8009
. |****** | . |****** | 2 0.5991 0.5685
. |****. | . |****. | 3 0.3946 0.3847
. |** . | . |** . | 4 0.2503 0.2445
. |* . | . |* . | 5 0.1166 0.1222
. | . | . | . | 6 -0.0012 0.0216
. *| . | . *| . | 7 -0.0879 -0.0511
. **| . | . **| . | 8 -0.1609 -0.1534
. **| . | . **| . | 9 -0.2177 -0.2378
. ***| . | . ***| . | 10 -0.2701 -0.3074
.****| . | .****| . | 11 -0.3648 -0.3706
 .****| . | .****| . | 12 -0.3962 -0.3947
.****| . | .****| . | 13 -0.3858 -0.3951
.****| . | .****| . | 14 -0.3623 -0.3681
. ***| . | . ***| . | 15 -0.2797 -0.2667

Multikolineariteti

Problemi vuan nga multikolineariteti kur midis disa ose te gjithe variablave shpjegues ka
lidhje.Pra me multikolinearitet do te kuptohet interkorrelacioni midis variablave pa vene si kusht
lidhjen e plote midis tyre.

Metodat e zbulimit te multikolinearitetit

Korrelacioni i larte midis variablave shpjegues.Kur flitet per vlera afer 1 te koeficienteve te
korelacionit cift midis variablave shpjegues.Shohim matricen e koeficienteve te korelacionit
midis variablave shpjegues.Matrica ka formen e meposhtme .Per kete hapim
programin,shkojme tek komanda Quick---Group Statistics---Correlation dhe na shfaqet nje
tabele e cila kerkon te gjithe emrat e variablave tane.Pasi i shkruajme dhe i japim Ok na
afishohet tabela e meposhtme :

VT CIF FOB PM
VT 1.000000 0.999750 0.996158 0.215767
CIF 0.999750 1.000000 0.993951 0.196440
FOB 0.996158 0.993951 1.000000 0.290449
PM 0.215767 0.196440 0.290449 1.000000

Shohim qe koeficientet e korrelacionit midis variablave shpjegues te modelit tone fillestar kane
vlera relativisht te medha.Disa prej tyre jane afer 1, prandaj ne mund te dyshojme per
ekzistencen e multikolinearitetit.
Duke iu referuar modelit fillestar ne te cilin kishim te perfshire 3 variabla te pavarur (cif,fob dhe
pm) dhe duke vezhguar tabelen e marre me ane te programit Eview , vume re modeli na doli
globalisht i rendesishem , nderkohe qe 2 prej 3 koeficienteve te pjesshem na dolen te
parendesishem kur i testuam me testin student.Ne kete rast themi qe modeli vuan nga
multikolineariteti.

Metodat e eliminimit te multikolinearitetit

Per te eliminuar multikolinearitetin, fillimisht heq nga modeli variablat e parendesishem.Perseri
duke iu referuar shembullit te mesiperm, hoqem nga modeli variablin pm dhe e testuam perseri
kete model te ri , tashme me 2 variabla te pavarur (cif & fob): log(vt)=c(1)+c(2)*log(cif)
+c(3)*log(fob)
dhe ajo cka na rezultoi ishte fakti qe modeli na doli globalisht i rendesishem dhe koeficientet e
pjesshem na dolen te rendesishem.Kjo do te thote qe modeli yne tashme nuk vuan nga
multikolineariteti.

Heteroskedasticiteti

Nje nga supozimet baze te modelit klasik te regresionit eshte homoskedasticiteti dmth barazia e
variancave te mbetjeve ui per cdo vlere te fiksuar te Xi pra:
var (ui/xi) = σ2
Mosplotesimi i ketij kushti , pra e thene ndryshe qe mbetjet kane variance te ndryshme per cdo
vlere te fiksuar te Xi, ne trajte analitike:
var (ui/xi) = σi2
Kjo situate ne ekonometri quhet Heteroskedasticitet (pabarazi e variancave te mbetjeve
ui).Variancat mund te vijne ne ulje ose ne rritje me rritjen e Xi , por ndryshimi mund te jete dhe i
crregullt.
Per te pare nese modeli yne vuan nga heteroskedasticiteti atehere perdorim per testim testin
White. Per kete hapim programin,shkojme tek workfile-i yne i cili ka testuar ekuacionin:
log(vt)=c(1)+c(2)*log(cif)+c(3)*log(fob)
dhe jap komanden : View---Residual test---Heteroskedasticity test
Pasi jap kete komande me shfaqet nje dritare ku ndodhen te paraqitura teste te ndryshme si
:Grejser,Harvey,ARCH etj por un zgjedh testin White dhe me shfaqet tabela e meposhtme.Testi
White kalon ne disa etapa:
Vleresohet modeli dhe njehsohen mbetjet e tij.
Ndertohet modeli i katrorit te mbetjeve ne varesi te nje ose disa variablave shpjegues si dhe te
katroreve te tyre.
log(vt)=c(1)+c(2)*log(cif)+c(3)*log(fob)
ui2=α1+α2*log(cif)+α3*log(fob)+ α4*log(cif)2+α5*log(fob)2+ α6*log(cif)*log(fob)
Ndertohen dhe testohen hipotezat:
H0: α1= α2=…=0 (nuk ekziston heteroskedasticiteti)
Ha: αi≠ 0 (ekziston heteroskedasticiteti)
Testimi behet me Fisher ose me χ2(hi2)
Nqs χv2=n*R2 > χkr2 atehere H0↓.Ne rastin tone χv2=n*R2=12,86 < χkr2=27,6 pra H0 nuk bie poshte
cka do te thote qe ne modelin tone nuk ekziston heteroskedasticiteti.

Heteroskedasticity Test: White

F-statistic 6.832247 Prob. F(5,11) 0.0039

Obs*R-squared 12.85928 Prob. Chi-Square(5) 0.0247
Scaled explained SS 11.20685 Prob. Chi-Square(5) 0.0474

Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 01/11/11 Time: 10:33
Sample: 1993 2009
Included observations: 17

Coefficient Std. Error t-Statistic Prob.

C 8.61E-06 7.23E-05 0.119110 0.9073

LOG(CIF) -7.01E-05 5.70E-05 -1.229112 0.2447
(LOG(CIF))^2 3.70E-05 1.43E-05 2.592298 0.0250
(LOG(CIF))*(LOG(FOB)) -7.73E-05 2.74E-05 -2.827030 0.0165
LOG(FOB) 7.82E-05 5.24E-05 1.492559 0.1637
(LOG(FOB))^2 4.02E-05 1.32E-05 3.034903 0.0113

R-squared 0.756428 Mean dependent var 4.15E-07

Adjusted R-squared 0.645714 S.D. dependent var 6.86E-07
S.E. of regression 4.08E-07 Akaike info criterion -26.31418
Sum squared resid 1.83E-12 Schwarz criterion -26.02010
Log likelihood 229.6705 Hannan-Quinn criter. -26.28495
F-statistic 6.832247 Durbin-Watson stat 1.998567
Prob(F-statistic) 0.003944

Sic e shohim edhe 2 testet e tjera ne lidhje me heteroskedasticitetin pohojne te njejten gje , pra
qe nuk ekziston heteroskedasticiteti ne modelin tone.

Heteroskedasticity Test: Breusch-Pagan-Godfrey

F-statistic 6.372139 Prob. F(2,14) 0.0108

Obs*R-squared 8.100900 Prob. Chi-Square(2) 0.0174
Scaled explained SS 7.059926 Prob. Chi-Square(2) 0.0293

Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 01/11/11 Time: 19:14
Sample: 1993 2009
Included observations: 17

Coefficient Std. Error t-Statistic Prob.

C 9.27E-07 2.57E-07 3.606332 0.0029

CIF -3.17E-11 9.74E-12 -3.254778 0.0058
FOB 1.17E-10 3.81E-11 3.074029 0.0082

R-squared 0.476524 Mean dependent var 4.15E-07

Adjusted R-squared 0.401741 S.D. dependent var 6.86E-07
S.E. of regression 5.31E-07 Akaike info criterion -25.90204
Sum squared resid 3.94E-12 Schwarz criterion -25.75500
Log likelihood 223.1673 Hannan-Quinn criter. -25.88742
F-statistic 6.372139 Durbin-Watson stat 1.673189
Prob(F-statistic) 0.010772

Heteroskedasticity Test: Glejser

F-statistic 6.777743 Prob. F(2,14) 0.0087

Obs*R-squared 8.362881 Prob. Chi-Square(2) 0.0153
Scaled explained SS 7.200653 Prob. Chi-Square(2) 0.0273

Test Equation:
Dependent Variable: ARESID
Method: Least Squares
Date: 01/11/11 Time: 19:16
Sample: 1993 2009
Included observations: 17

Coefficient Std. Error t-Statistic Prob.

C 0.000907 0.000151 6.001588 0.0000

CIF -1.61E-08 5.72E-09 -2.812023 0.0138
FOB 5.68E-08 2.24E-08 2.534008 0.0238

R-squared 0.491934 Mean dependent var 0.000507

Adjusted R-squared 0.419353 S.D. dependent var 0.000409
S.E. of regression 0.000312 Akaike info criterion -13.14886
Sum squared resid 1.36E-06 Schwarz criterion -13.00183
Log likelihood 114.7653 Hannan-Quinn criter. -13.13425
F-statistic 6.777743 Durbin-Watson stat 1.742520
Prob(F-statistic) 0.008739

Autokorrelacioni

Nqs kemi lidhje midis mbetjeve te nje modeli atehere themi se kemi te bejme me
autokorrelacion.Autokorrelacioni nenkupton korelacionin midis termave te nje serie te renditur
ne kohe, pra ai behet i pranishem ne serite kohore.Autokorrelacioni perben nje shkelje te
supozimeve baze te MZKV-se, pikerisht te supozimit qe midis mbetjeve nuk kishte korelacion.
E(ui,uj) ≠ 0 per i ≠ j
Vleresimi i modeleve ne kushtet e ekzistences se autokorrelacionit me MZKV, nuk mund te
behet pa pasoja.
Metodat e zbulimit te autokorrelacionit
Testi Durbin – Watson
Qe te perdoret testi Durbin-Watson duhet te plotesohen supozimet e meposhtme:
a.Modeli i regresionit te permbaje termin e lire.
b.Variablat shpjegues x te jene te fiksuara, pra jo te rastit.
c.Mbetjet te lidhen sipas modelit autoregresiv ut=ρut-1 + εt
d.Variabli yt nuk ben pjese ne variablat shpjegues me ‘’lag’’, dmth nuk kemi yt-1 si variable
shpjegues, pra nuk kemi model autoregresiv.
e.Te mos mungoje asnje nga vrojtimet
Durbin-Watson eshte nje statistike qe leviz nga (0;4).
Per te kryer testin , ndertojme hipotezat:
H0: ρ =0 (ska autokorrelacion)
Ha: ρ ≠0 (ka autokorrelacion)
Pergjithesisht kur DW = 2 ose prane 2 atehere H0: ρ =0 eshte e vertete, pra nuk ka
autokorrelacion.
Ne modelin tone , vlera e dw = 1.93, pra eshte shume prane 2.Durbin-Watson tregon se nuk
ekziston autokorrelacion ne modelin tone.
Per gjetjen e mbetjeve me vlerat perkatese mjafton te shkoj tek View e workfile-it tim dhe te
zbatoj komanden: Actual,fitted,residual----Actual,fitted, residual table e cila na paraqet tabelen
e meposhtme ne lidhje me mbetjet.Ne kete tabele na jepen vlerat e vrojtuara (y i), vlerat e
vleresuara (yˆ), mbetjet (ui) te cilat gjenden duke zbritur nga vlerat e vrojtuara ato te vleresuara,
dhe me pas na jepet dhe grafiku i mbetjeve.Pamja e meposhtme grafike na tregon gjithashtu se
nuk ka autokorrelacion midis mbetjeve pasi vlerat gjenden rreth boshtit horizontal.

Breusch-Godfrey Serial Correlation LM Test:

F-statistic 2.119525 Prob. F(1,13) 0.1692

Obs*R-squared 2.383139 Prob. Chi-Square(1) 0.1227

Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 01/11/11 Time: 20:30
Sample: 1993 2009
Included observations: 17
Presample missing value lagged residuals set to zero.

Coefficient Std. Error t-Statistic Prob.

C(1) -0.002140 0.004950 -0.432227 0.6727

C(2) 0.001546 0.002306 0.670390 0.5143
C(3) -0.001550 0.002233 -0.694081 0.4998
RESID(-1) -0.432272 0.296919 -1.455859 0.1692

R-squared 0.140185 Mean dependent var -4.18E-16

Adjusted R-squared -0.058234 S.D. dependent var 0.000664
S.E. of regression 0.000683 Akaike info criterion -11.53733
Sum squared resid 6.07E-06 Schwarz criterion -11.34128
Log likelihood 102.0673 Hannan-Quinn criter. -11.51784
F-statistic 0.706508 Durbin-Watson stat 1.934072
Prob(F-statistic) 0.565024

obs Actual Fitted Residual Residual Plot

1993 70835.0 72167.5 -1332.54 | . *| . |
1994 70406.0 70516.4 -110.400 | . * . |
1995 84857.0 81960.3 2896.70 | . | *. |
1996 120061. 121970. -1909.05 | .* | . |
1997 116066. 118161. -2095.27 | .* | . |
1998 157375. 157339. 36.4370 | . * . |
1999 207894. 198954. 8939.67 | . | . *|
2000 194146. 196001. -1854.58 | . *| . |
2001 234251. 237431. -3179.79 | .* | . |
2002 257858. 262772. -4914.10 | *. | . |
2003 280469. 282349. -1879.84 | . *| . |
2004 298193. 294998. 3195.45 | . | *. |
2005 328009. 327743. 265.707 | . * . |
2006 376553. 374076. 2477.47 | . | *. |
2007 473365. 470670. 2694.61 | . | *. |
2008 552466. 550532. 1934.07 | . | *. |
2009 534351. 539516. -5164.55 | *. | . |

Modelet ekonometrike me variabel “ DUMMY”

Modelet me dummy te pavarur
Modelet me dummy te pavarur jane ato modele qe ne rolin e variablave shpjegues permbajne
nje ose disa variabla cilesore me ose pa variabla shpjegues sasiore.Modeli qe ne do te marrim
do te jete nje model qe ka si variabla shpjegues jo vetem variabla cilesore por edhe sasiore,
quhen modele ANCOVA (analiza e kovariances).
Pak me siper ne realizuam testin CHOW per te pare ne lidhje me stabilitetin e koeficienteve
gjate nje periudhe kohore ( piken e thyrerjes e supozuam vete) dhe rezultati qe morem ishte se
kishim te benim me nje model stabel.Megjithate kjo procedure nuk jep burimin e ndryshimit si
dhe supozon se e njohim piken e thyerjes. Gjetja e burimit te ndryshimit mund te realizohet
permes futjes se nje variabli dummy.
Ku: D=1 per vezhgimet nga 1999-2009
D=0 per vezhgimet nga 1993-1998
log(vt) = c(1) + c(2)*DUMMY + c(3)*log(cif) + c(4)*DUMMY*log(cif) + c(5)*log(fob) +
c(6)*DUMMY*log(fob)
Dependent Variable: LOG(VT)
Method: Least Squares
Date: 01/13/11 Time: 00:19
Sample: 1993 2009
Included observations: 17
LOG(VT) = C(1) + C(2)*DUMMY + C(3)*LOG(CIF) + C(4)*DUMMY*LOG(CIF)
+ C(5)*LOG(FOB) + C(6)*DUMMY*LOG(FOB)

Variable Coefficient Std. Error t-Statistic Prob.

C(1) 0.510212 0.010418 48.97347 0.0000

C(2) 0.015933 0.012773 1.247388 0.2382
C(3) 0.800647 0.002893 276.7426 0.0000
C(4) -0.008866 0.003808 -2.328244 0.0400
C(5) 0.198355 0.002783 71.28417 0.0000
C(6) 0.008610 0.003700 2.326882 0.0401

R-squared 0.999999 Mean dependent var 12.25978

Adjusted R-squared 0.999999 S.D. dependent var 0.671693
S.E. of regression 0.000626 Akaike info criterion -11.64490
Sum squared resid 4.31E-06 Schwarz criterion -11.35083
Log likelihood 104.9817 Hannan-Quinn criter. -11.61567
F-statistic 3687975. Durbin-Watson stat 2.222875
Prob(F-statistic) 0.000000

Modeli qe fitohet eshte:

Log(vt) = 0.5+ 0.01*DUMMY + 0.8 *log(cif) – 0.008*DUMMY*log(cif) + 0.19*log(fob) +0.008
*DUMMY*log(fob)
tv= (48.97) (1.25) (276.7) (-2.32) (71.28) (2.32)
R2=0.99
Sic mund te shohim nga vlerat e vrojtuara te koeficienteve, arrijme ne perfundimin qe nuk eshte
e nevojshme ndarja ne 2 nenperiudha e modelit tone ekonomik sepse ai eshte nje model stabel.

Konkluzione
Modeli ekonomik kryesor te cilin ne analizuam pak me larte na rezultoi te ishte nje model log-
log i cili kishte formen:
log(vt)=c(1)+c(2)*log(cif)+c(3)*log(fob)
Ky model me ane te testeve te shumta rezultoi qe nuk vuante nga multikolineariteti,
heteroskedasticiteti dhe autokorrelacioni. Gjithashtu , testi CHOW nxorri perfundimin se kemi te
bejme me nje model stabel, pra nuk eshte e nevojshme ndarja e ketij modeli ne nenperiudha.