Tema pentru seminar econometrie

Profesor Indrumator: Gheorghe Ruxanda

Proiect la econometrie Modelul unifactorial de regresie ( regresia simpla)

Proiectul urmareste realizarea unui model econometric ( regresie simpla liniara) referitor la datele despre produsul intern brut (PIB) si exporturi, mai exact urmareste sa determine in ce masura este influentat sau explicat PIB-ul in de exporturi. Pentru realizarea studiului econometric am avut in vedere urmatoarele date: PIB-ul national, pe o perioada de 19 ani (1990-2008) exprimat in milioane euro (EUR), fig.nr.1; Exporturile nationale, luate pe aceeasi perioada, exprimate in milioane euro, fig.nr.2; o Sursa datelor: EUROSTAT.

Fig.nr.1: PIB-ul Romaniei 1990-2008

Fig.nr..2: exporturile Romaniei 1990-2008

Produsul intern brut este un indicator macroeconomic care reflecta suma valorii de piata a tuturor marfurilor si serviciilor destinate consumului final, produsein toate ramurile economieiin interiorul unui statin decurs de un an. Deoarece PIB-ul combina suma tuturor activitatilor care se

2

pot evalua in bani si nu a folosintei acestora (sau chiar a distrugerii acestora) este un mijloc conditionat de masurare a bunastarii si a calitatii vietii. Exporturile reprezinta exporturile brute ale unei tari, incluzand bunuri si servicii, destinate consumului intr-o alta tara. Pe baza datelor din fig.nr.1 si fig.nr.2 se poate construi un model econometric unifactorial de forma: y=f(x) unde: - y reprezintã valorile reale ale variabilelor dependente (PIB-ul); - x reprezintã valorile reale ale variabilelor independente (exportul); Analiza datelor din tabel, în raport cu procesul economic descris conduce la urmãtoarea specificare a variabilelor: -y  PIB-ul reprezentând variabila rezultativã -x  exportul, factorul de influenţa asupra variabilei y. Formula de calcul a PIB-ului este insa urmatoarea:
Produs Intern Brut = Consum Privat + Consumul Guvernamental +Investitii + Exporturi Nete

Pe baza acestei formule putem afirma insa, ca Pib-ul nu depinde numai de exportui, de fapt observam ca in formule se afla indicatorul “exporturi nete”. Exporturile nete reprezinta diferenta dintre exporturi ( cele pe care le-am luat in considerare in acest studiu) si importuri. Asadar se poate afirma ca PIB-ul mai depinde de o serie de alti fcatori precum: - Consumul privat; - Consumul guvernamental; - Investitii; - Importuri Specificarea unui model econometric presupune alegerea unei funcţii matematice cu ajutorul cãreia poate fi descrisã legãtura dintre cele douã variabile. Pentru modelul unifactorial, procedeul cel mai des folosit îl constituie reprezentarea graficã ( norul de puncte) cu ajutorul diagramei cu puncte ( scatter plot) realizata in Excel:

3

Norul de puncte
160000 140000 120000 100000 80000 60000 40000 20000 0 0 50000 100000 150000

PIB

EXPORT
Fig.nr.3 Graficul punctelor empirice arata ca exista o legatura intre cele doua variabile, avand o forma liniara, intrucat majoritatea punctelor din grafic se concentreaza in jurul unei linii imaginare. Exista insa si puncte care se abat intr-o masura mica de la forma liniara observata. Aceste abateri reprezinta tocmai factorii de care mai depinde PIB-ul la care am facut referire cand am specificat modelul. Tocmai din cauza acestor abateri vom introduce in model factorul aleatoriu ε . In concluzie putem sa presupunem ca modelul nostru este unul liniar, de forma: f (X ) =a +bX  PIB= f( export, alti factori)  Yi =a +bXi +ε pentru orice i =1,19 Semnificaţia celor doi parametri a şi b, ţinînd cont de semnificaţia celor două variabile (Y-PIB şi X-export) este: - a reprezintă punctul de intersectie al dreptei de regresie cu axa 0y si este deci un parametru al ecuatiei de regresie; - b reprezintă panta dreptei sau coeficientul de regresie al PIB-ului in funcţie de export, care măsoară creşterea PIB-ului national dacă exportul national se modifică cu o unitate de masura. El reprezintă în acelaşi timp coeficientul marginal al PIB-ului în funcţie de export. - ε este variabila rezidualã ( factorul aleatoriu), reprezentând influenþele celorlalţi factori ai variabilei y, nespecificaţi în model, consideraţi factori întâmplãtori, cu influenţe nesemnificative asupra variabilei y.
4

se observa ca probabilitatea asociata acestuia este 0.4. cum. 2: Fig. avand in vedere valoare sa mare de 0.Testarea validitatii modelului de regresie determinat implica formularea a doua ipoteze: H0: model nevalid statistic. se poate defini ecuatia prin comanda: ls consum c venit . Nr. Rezultatul este dat in Fig. In ceea ce priveste F-statistic. Dupa importul datelor din Excel in Eviews. Si valoarea testului Durbin-Watson arata posibilitatea de a exista o autocorelare a erorilor. 5 . in figura de mai sus probabilitatile atasate testul t-Statistic sunt inferioare acestui nivel.571518 pentru numarul de observatii existente si ca exista numai o singura variabila dependenta. Concluzia este ca regresia este bine specificata. rezulta ca cel putin un coeficient de regresie este semnificativ din punct de vedere statistic. Valoarea lui R-squared arata ca aproximativ 99% din variatia exportului este explicatie pentru variatia PIB-ului . Presupunand ca se lucreaza la nivelul de relevanta de 5%. H1: model valid statistic. Conform acestui test. deci mai mica decat nivelul de relevanta.nr. coeficientii sunt considerati semnificativi din punct de vedere statistic.

valoarea sa estimata si erorile de regresie (a se vedea fig.99227 * 1 unitate (1 mil euro) de unde reiese inca o data existenta legaturii derecte dintre cele doua variabile. reiese ca la o crestere a exportului cu o unitate. Cu optiunea VIEW/ACTUAL.5: estimarea ecuatiei propriu-zise Din figura nr.5) Fig.FITTED.Fig.RESIDUALGRAPH se reprezinta grafic valoarea efectiva a variabilei dependente. Testele pentru ecuatia de regresie sunt disponibile cu meniul VIEW din ferestra ecuatiei de regresie.nr.nr.6 6 .nr. PIB-ul va creste cu 0.5.

nr. Existenta autocorelatiei este confirmata si de testul Q-statistic si de probabilitatea asociata acestuia.Fig. Dupa cum arata si imaginea de mai sus.8 se observa ca nu exista autocorelatie a erorilor patratice .7 s-au testat erorile ecuatiei de regresie ( WiewResidual testsCorrelogramQ-statistic) Autocorelarea erorilor ecuatiei de regresie. ca sa verific daca exista vreo indicatie asupra existentei heteroscedasticitatii.deci poate exista homoscedasticitate.nr. Am folosit WiewResidual testsCorrelogram Squared Residuals. 7 . In continuare am folosit si optiunea de autocorelarea a erorilor patratice. In Fig.nr. pentru lag-urile( am ales un numar de 12 laguri) erorilor exista o corelatie seriala a erorilor intrucat valoarea coeficientului de autocorelatie depaseste intervalul punctat in grafic ( autocorrelation si partial correlation).7. in fig. Aceasta optiune se bazeaza pe aceleasi principii ca si autocorelatia erorilor si conform acestora.

8 In ceea ce priveste distributia erorilor rezultate din regresie ( optiune pentru care am folosit ViewResidual testsHistogram-Normality test).nr.9.nr.Fig. aceasta este reprezentata mai jos in fig. 8 .

Fig.351688 arata faptul ca distributia este un pic mai inalta decat cea normala ( cea normala fiind de 3).10: 9 .nr. fapt ce implica ca o distributie normala.578381. testul Jarque-Bera. in conditiile in care valoarea sa critica pentru pragul de semnificatie de 5% este de 5.9 Coeficientul de asimetrie ( Skewness) are o valoare de 1. Existenta corelatiei seriale.99 .500732.8 se confirma cu ajutorul testului Serial Correlation LM test ( ViewResidual testsSerial Correlation LM test). care ia in considerare cei doi coeficienti comentati mai sus. iar rezultatul este prezentat in fig. Un alt argument pentru faptul ca exista o distribuitie normala este egalitatea dintre cele doua cozi (dreapta si stanga). adica nesemnificativ diferit de 0.nr. are o valoare de 8. Am ales 3 lag-uri. Coeficientul de aplatizare ( Kurtosis) ce are o valoare de 4. Astfel.nr. aratata de corelograma erorilor din fig. deci eorile au o distributie normala.

testul prezinta alte doua teste statistice.nr.10 Dupa cum se observa si in Fig.10: 10 . Testul similar testului de mai sus.Fig.nr. deci se repinge inexistenta corelatiei. Asa cum arata si probabilitatile celor doua teste (sunt inferioare nivelului de relevanta) se va respinge ipoteza nula. In concluzie exista corelatie seriala a erorilor pana la lag-ul de 3. Rezultatul este reprezentat in fig. pentru testarea corelatiei seriale a erorilor patratice este ARCH LM TEST sau testul Breusch-Godfrey ( VIEW/RESIDUAL TESTS->ARCH LM TEST).10.nr. Ipoteza nula a celor doua teste spune ca nu exista corelatie seriala a erorilor ecuatiei de egresie pana la lag-ul de n ( in cazul de fata pana la lag-ul de 3. Pentru acest test am ales tot 3 lag-uri. pe care l-am specificat mai sus) . precum si probabilitatile acestora. F-statistic si R-squared.

11 .nr. este respinsa ipoteza nula adica inexistenta corelatiei seriale ale erorilor ale ecuatiei de regresie.11 Conform celor doua probabilitati asociate.Fig.

474949 adica( 19 * 0. In cazul de fata aceasta valoare este de 5. Rezultatul in urma aplicarii testului este prezentat in fig. pentru ca varianta erorilor sa fi fost constanta (homoscedasticitate) valoarea lui OBS*R_Squared ar fi trebuit sa fie 0 sau sa tinda la 0.nr. 12 .nr. ceea ce implica existenta heteroscedasticitatii (erorile sunt heteroscedastice).In continuare mi-am propus sa analizez varianta reziduurilor. am aplicat testul WHITE din EVIEWS astfel: VIEW/RESIDUAL TESTS->WHITE HETEROKEDASTICITY. Pentru aceasta.12 In urma aplicarii acestui test.288155) si deci este semnificativa defierita de 0.12: Fig.

0958 6. EUR Data mediu rata inflatie rata dob de ref (RON/EUR) CURSL_EURM 4. pe perioada ian2008-dec2010. 2010 aug. Datele au fost preluate de pe site ul bancii nationale romane si sunt prezentate in fig.21 5. mai precis urmareste sa explice influenta cursului de schimb si a ratei de dobanda de referinta asupra ratei inflatiei.1792 4. 2010 mai. Toate celelalte teste arata ca modelul este valid. rata inflatiei si rata dobanzii de referinta.nr.1276 4.25 6. 2010 0.05 1. 2010 iul.73 13 . 2010 oct.25 6. 2010 mar. Pentru realizarea acestui model am utilizat urmatoarele date: Cursul RON/EUR mediu lunar.50 7.2848 4.3688 4.41 5.61 2.25 6. Rata dobanzii de referinta pe aceeasi perioada.2471 4.04 5. 2010 iun.25 6. 2010 nov.1. Rata inflatiei. asa cum rezulta din interpretarea fiecarei figuri ce reprezinta respectivele teste.25 dec.2664 4.2842 4.Concluziile modelului: In urma analizelor si testelor efectuate se constata ca PIB-ul este explicat de variabla exogena export in proportie de 99% si ca exista o legatura liniara intre cele doua variabile explicata atat de grficul norului de puncte cat si de valoarea atat de ridicata a lui R 2.2597 4.22 0.36 5. 2010 apr.00 7. 2010 sep.53 1.25 6.2674 4.17 2. pe aceeasi perioada. Proiect la econometrie Modelul de regresie multipla Proiectul urmareste realizarea unui model econometric (regresie multipla liniara) referitor la datele despre cursul de schimb RON/EUR.25 6.25 6.

50 9.25 10.feb.03 9.75 9.3 9.50 Fig. 2008 aug.50 9. 14 - . 2009 nov. C din eviews).2955 4.1073 4.71 9.35 19.25 10.64 9.25 10.50 8.07 16. 2008 4.00 8.02 10. 2008 iul.nr..5 9. 2009 mai. 2008 iun.71 10. 2008 ian.39 16..00 8. 2009 iul. 2009 aug.18 7. 2009 apr. 2009 dec.2.75 9.2127 4.17 7.53 9. X1t=R_DOB  variabila independenta rata dobanzii.7336 3.6213 3.00 9.00 9.2775 3.5366 3.2067 4. 2009 sep.27 16.1981 4. 2009 iun. 2008 nov.36 reprezinta observatiile din esantion (N=36).9497 3.02 9.1220 4. 2008 mai.6475 3.1835 4.17 10.. 2008 feb.00 8.92 9.07 10.1 Forma ecuatiei de regresie multipla: Yt=b0 + b1X1t + b2X2t + εt adica CURS= b0 + b1R_DOBt + b2R_INFLt + εt unde: t = 1.2738 4.56 18.25 10. b0= constanta( termenul liber.5330 3.34 13.50 8.00 8.91 15.25 10.7794 3. X2t=R_INFL variabila independenta rata inflatiei..7276 3.2282 4.08 13. 2009 feb.96 6.6610 3.7269 3.6759 3. 2010 ian.72 11.86 9.14 10.7 14.00 7.37 15. 2009 mar. 2008 apr.2231 4. 2008 oct.2909 4.2348 4.1786 4. 2008 mar. 2010 dec.25 10.87 10. 2009 ian.7246 5.69 13.96 8.95 17. 2008 sep. Yt  observatia t a variabilei dependente ( a cursului ) ( variabila dependenta). 2009 oct.

E(εt)=0. trebuie indeplinite un set de ipoteze: 1.     Impactul incalcarii uneia dintre ipotezele de mai sus asupra rezultatelor regresiei: Heteroscedasticitate. Pentru ca inferenta bazata pe rezultatele regresiei liniare multiple sa fie valida.- b1 si b2 coeficientii variabilelor independente. εt = termenul de eroare al ecuatiei ( intrucat variabila CURS mai depinde si de o serie de alti factori). . Variabilele independente sunt aleatoare. Varianţa termenului de eroare.erorile standard ale regresiei sunt incorecte. 6. 4. Coeficientul variabilei independente arata cu cat se modifica variabila dependenta ( curs). si trebuie utilizate metode diferite de estimare a regresiei. varianta termenului de eroare este variabile. 5. Definirea ecuatiei modelului in EVIEWS este reprezentata in fig. Multicoliniaritate. este zero. 3. Valoarea aşteptata a termenului de eroare. 2. in schimb.erorile standard ale ecuatiei de regresie sunt incorecte. Termenul de eroare este necorelat intre observatii. Dacă variabilele independente sunt corelate atunci exista multicoliniaritate. Legatura dintre variabila dependenta si variabilele independente este liniara. De asemenea intre variabilele independente incluse intr-o regresie nu exista nici o relatie liniara. atunci cand variabila independenta R_DOB se modifica cu o unitate. Corelatie serial a erorilor. erorile se numesc heteroscedastice. . Termenul de eroare este normal distribuit.2: 15 . Aceste erori se numesc homoscedastice. in conditiile in care celelalte variabile independente raman constante.valori mari ale lui R2 si valori mici ale testului statistic “t” ale coeficientilor variabilelor independente. εt . este aceeasi pentru toate observatiile. Daca.nr.

Deasemenea se observa ca pentru fiecare variabila independenta si contanta ( in fig nr 2) . Constanta c este semnificativa din punct de vedere statistic. daca ne uitam la fig. Acest lucru poate indica faptul ca influenta lui r_dob asupra var dependente curs este mai mare decat influenta var r_infl asupra var dependente curs.2 In medie observam ca rata dobanzii este mai mare decat rata inflatiei in 20 din 36 de observatii. deci coeficienti sunt considerati semnificativi statistic intrucat se observa ca probabilitatea de a gresi ipoteza considerata este de 0% ( P> t in modul = 0.nr1 mai exact pe intervalele de timp feb2009-ian2008 si iul2009-nov2009. adica a variabilei dependente. Valuarea lui r_squared arata ca 69% din variatia ratei dobanzii respectiv a ratei inflatiei explica variatia cursului de schimb. testul t-statistic.00) in cazul r_infl. iar in cazul r_dob este de 0. mai precis de 67%. Daca observam valoarea lui ajusted r_squared. ajusted r_squared a penalizat introducerea aceleia care are o relevanta mai mica asupra cursului de schimb. eviews a raportat eroarea standard a coeficientilor. fapt explicat in urma aplicarii testului t . Presupunem ca se lucreaza la un nivel de relevanta de 5%. Astfel observam ca probabilitatile atasate testului t-statistic sunt inferioare acestui nivel. dar nesemnificativ diferit de 0. atunci observam ca aceasta este mai mica decat valoarea lui r_squared. iar ecuatia de regresie ajunge la urmatoarea forma ( a se vedea fig nr 3 ) : 16 . si probabilitatea acestuia.nr. in consecinta vom pastra aceasta constanta. acest lucru fiind explicat de faptul ca dupa introducerea celor 2 variabile independente si anume a r_dob si r_infl.Fig.1232.

In concluze modelul este semnificativ statistic. Cu optiunea VIEW/ACTUAL.nr.3 Gradul de semnificatie a modelului este aratat de testul F. valoarea sa estimata si erorile de regresie (a se vedea fig.00).4). in urma caruia probabilitatea de a gresi cand consideram ca modelul este semnificativ este de 0% ( prob(Fstatistic)=0.RESIDUALGRAPH se reprezinta grafic valoarea efectiva a variabilei dependente. 17 .FITTED. Testele pentru ecuatia de regresie sunt disponibile cu meniul VIEW din ferestra ecuatiei de regresie.Fig.nr.

Dupa cum arata si imaginea de mai jos. pentru lag-urile( am ales un numar de 16 laguri) erorilor exista o corelatie seriala a erorilor intrucat valoarea coeficientului de autocorelatie depaseste intervalul punctat in grafic ( autocorrelation si partial correlation). Existenta autocorelatiei este confirmata si de testul Q-statistic si de probabilitatea asociata acestuia. 18 .nr.nr.5 s-au testat erorile ecuatiei de regresie ( WiewResidual testsCorrelogramQ-statistic) Autocorelarea erorilor ecuatiei de regresie.Fig.4 In Fig.

Am folosit WiewResidual testsCorrelogram Squared Residuals.Fig. in fig.6 se observa (exact ca si in figura numarul 5) ca exista autocorelatie a erorilor patratice .nr. Valoarea coeficientului de autocorelatie atinge graficul punctat.deci poate exista heteroscedasticitate.nr. Aceasta optiune se bazeaza pe aceleasi principii ca si autocorelatia erorilor si conform acestora. 19 .5 In continuare am folosit si optiunea de autocorelarea a erorilor patratice. ca sa verific daca exista vreo indicatie asupra existentei heteroscedasticitatii.

nr. aceasta este reprezentata mai jos in fig.Fig.nr. Fig.7 20 .6 In ceea ce priveste distributia erorilor rezultate din regresie ( optiune pentru care am folosit ViewResidual testsHistogram-Normality test).nr.7.

8 se confirma cu ajutorul testului Serial Correlation LM test ( ViewResidual testsSerial Correlation LM test).nr. precum si probabilitatile acestora. iar rezultatul este prezentat in fig.Valoarea testului Jarque-Bera are o valoare inferioara valorii sale critice de 5. F-statistic si R-squared. Ipoteza nula a celor doua teste spune ca nu exista corelatie seriala a erorilor ecuatiei de egresie pana la lag-ul de n ( in cazul de fata pana la lag-ul de 3. Ipoteza conform careia distribuita este normala se va accepta.8.99 pentru pragul de relevanta de 5%. aratata de corelograma erorilor din fig. Asa cum arata si probabilitatile celor doua teste se va 21 . iar probabilitatea este mai mare de 5%.nr.8: Fig.8 Dupa cum se observa si in Fig. Am ales 3 lag-uri. Existenta corelatiei seriale.nr.nr. pe care l-am specificat mai sus) . testul prezinta alte doua teste statistice.

deci se repinge inexistenta corelatiei. In continuare mi-am propus sa analizez varianta reziduurilor. este respinsa ipoteza nula adica inexistenta corelatiei seriale ale erorilor ale ecuatiei de regresie.nr. Rezultatul este reprezentat in fig. Pentru acest test am ales tot 3 lag-uri.respinge ipoteza nula. Testul similar testului de mai sus.nr. Pentru aceasta.10: 22 . Rezultatul in urma aplicarii testului este prezentat in fig.9 Conform celor doua probabilitati asociate. am aplicat testul WHITE din EVIEWS astfel: VIEW/RESIDUAL TESTS->WHITE HETEROKEDASTICITY. pentru testarea corelatiei seriale a erorilor patratice este ARCH LM TEST sau testul Breusch-Godfrey ( VIEW/RESIDUAL TESTS->ARCH LM TEST). In concluzie exista corelatie seriala a erorilor pana la lag-ul de 3.nr.9: Fig.

asa cum reiese si din intepretarile rezultatelor de mai sus.nr.685509 adica( 36 * 0. In cazul de fata aceasta valoare este de 6. pentru ca varianta erorilor sa fi fost constanta (homoscedasticitate) valoarea lui OBS*R_Squared ar fi trebuit sa fie 0 sau sa tinda la 0.Fig. este valid. de regresia mulipla. In concluzie.185709) si deci este semnificativa defierita de 0. 23 . modelul specificat in acest proiect. ceea ce implica existenta heteroscedasticitatii (erorile sunt heteroscedastice).10 In urma aplicarii acestui test.

serii de timp In acest proiect mi-am propus sa analizez evolutia indicelui bursier BET-C. Datele necesare au fost preluate de pe site-ul Bursei de Valori Bucuresti.2011).21.ro.nr. am considerat un numar de 30 de observatii. www. pentru o perioada de 20 de zile ( 12. cu frecventa zilnica.2010-1. insa pentru a putea prognoza. si se poate observa in figura ce urmeaza: Fig.27. Seria ce am creat-o in Eviews am denumit-o BET_C.bvb.Proiect la econometrie Evolutia unui indice bursier. valoarea de inchidere. Pentru perioada analizata sunt disponibile 20 de observatii.1 24 .

nr.PRELUCRAREA SERIEI: Logaritmarea si prima diferenta sunt operatiile matematice cele mai utilizate asupra seriilor. Fig.3 25 .2. si respectiv ecuatia dl_bet_c=d(l_bet_c) care va genera seria dl_bet_c. serie care este reprezentata in fig. apoi am introdus ecutia l_bet_c= log (bet_c). reprezentata in fig. voi crea alte doua serii ce urmeaza a fi analizate. Logaritmarea faciliteaza interpretarea coeficientilor obtinuti din regresie. si anume l_bet_c si dl_bet_c. serii ce le-am creat cu ajutorul optiunii GENR.nr 3.2 Fig. In acest sens . Prima diferenta ( xt – xt-1) este utilizata pentru stationarea seriilor.nr. generate. si care a fost creata aplicand operatorul prima diferenta asupra seriei l_bet_c. acestia reprezentand elasticitati.nr.

5 Din fig.Reprezentarea grafica a celor doua serii: Fig. ar trebui sa fie stationara.5. seria indicelui bursier. ar trebui sa fie nestationara. Aceste observatii vor trebui in contiunuare a fi confirmate de testele de stationaritate ADF ( Augmented Dickey-Fuller) si PP (Phillips-Perron). variatia zilnica a indicelui bursier.nr.nr.nr. 26 .4. iar seria dl_bet_c din fig. rezulta ca l_bet_c.nr.4 Fig.

nr. de 19%. seria este nestationara-> aceeasi concluzie care a rezultat si din observatiile graficului. se va accepta ipoteza nula. dl_bet_c.nr.7). Utilizand valoarea probabilitatii asociata testului.6 Daca ne uitam la valoarea testului ADF pentru seria l_bet_c. observam ca valoarea acestia este mai mare decat valorile critice astfel ca ipoteza nula conform careia seria are o radacina unitara ( este nestationara) nu este respinsa. Pentru a determina ordinul de integrare al seriei ( de cate diferentieri este nevoie pentru a obtine o serie stationara) se va testa stationaritatea seriei de prime diferente.Fig.( fig. 27 .

seria este stationara. Mentionez ca pentru ambele serii am considerat la „maximum lags” un numar de 4. La fel si probabilitatea. deci se resp[inge ipoteza nula. deci se respinge ipoteza nula.501241). este mai mica decat nivelele de relevanta. si putem afirma ca ordinul de integrare al seriei este 1 sau seria este l(1). 28 .nr. Alegand nivelul de relevanta de 1% care este cel mai restrictiv.Fig. se respinge ipoteza nula.7 Observam ca valoarea testului este mai mica decat valorile critice (-6.

8 29 . deci rezultatele vor fi similare.(fig. respectiv fig.nr.nr. Fig.Testul PP functioneaza pe aceleasi principii ca si ADF. si vom ajunge la aceleasi concluzii ca si in cazul testului ADF aplicat celor doua serii.8.9).nr.

9 30 .nr.Fig.

nr. sun prezenytate in fig.10 Output-ul din fig. media.10 prezinta histograma distributiei. In cazul de fata avem un coeficient de asimetrie nesemnificativ diferit de 0 ( 0.10 ce urmeaza: Fig. Deasemenea asimetria este pozitiva. kurtotica seriei si testul Jarque-Bera. valorile minime si cele maxime. mediana. Un alt argument ar fi egalitatea dintre cele doua cozi din grafic.nr.201507) ceea ce indica faptul ca exista o distributie normala si simetrica. dreapta si stanga. deviatia standard. care indica si ele o simetrie a distributiei.nr. dl_bet_c. fapt ce indica ca indicele bursier BET-C a avut o tendinta de crestere in perioada analizata. Media deasemenea este nesemnificativa diferita de 0. 31 . coeficientul de asimetrie.DISTRIBUTIA SERIILOR: Momentele seriei pentru variatiile zilnice ale indicelui bursier.

ale distributiei si ale distribuitiei normale. 32 .nr. adica distributia este platikurtotica. Fig. deci putem afimra ca acceptam ipoteza nula. Observam ca probabilitatea asociata acestui test este superioara celor 3 nivele de relevanta. mai joasa decat cea normala. cum ca seria este normal distribuita.11 In fig. Ipoteza nula a acestui test este: seria este normal distribuita.12. cel de asimetrie si respectiv kurtotica.nr.Coeficientul Kurtosis are o valoare mai mica de 3 (1.11 am mai testat inca o data normalitatea distributiei. Reprezentarea grafica a distributiei se observa in fig. Testul Jarque-Bera arata daca o distributie este normal distribuita si tine seama de cei doi indicatori specificati mai sus.nr. de data aceasta prin View/Distribution/Quantile-Quantile Graph Normal Distribution. Se observa ca distributia este normal distribuita intrucat nu se observa diferente intre cele doua feluri de quantile.536091) .

Fig.nr.14 33 .13 Fig.12 FUNCTIA DE AUTOCORELATIE A SERIEI DE TIMP: Analiza corficientilor de autocorelatie si a coeficientilor de corelatie partial este disponibila cu optiunea VIEW/CORRELOGRAM.nr.nr. Fig.

nr. Pentru seria indicelui BET-C . trendul si abaterea de la trend sunt prezentate in fig. respectiv 2001-2008.15: Fig.15 Modelul unifactorial de regresie. 34 . Regresia liniara Proiectul urmareste realizarea unui model econometric referitor la datele despre veniturile totale ale gospodariilor si cheltuielile totale de consum ale gospodariilor. TRENDUL SERIILOR DE TIMP Pentru estimarea unei component pe termen lung a seriei de timp cea mai simpla metoda este filtrul Hodrick-Prescot. exista autocorealatie a erorilor intrucat valorile coeficientilor de autocorelatie depasesc graficele puncatate. pe o perioada de 8 ani.Dupa cum se observa din figurile de mai sus.nr.

89 1212. Pe baza datelor din tabelul nr.18 2006 962. Structura cheltuielilor totale de consum ale gospodariilor).36 2131.87 795. ale cãrei valori depind de o serie de factori: alte obiective in functie de circumstante.67 Tabelul nr. 1 se poate construi un model econometric unifactorial de forma: y=f(x) unde: .Serii de timp 1990-2008. Cheltuielile si Consumul Populatiei ( 4. -x  venitul.d. Pentru modelul unifactorial. 1: Veniturile si consumul populatiei. Veniturile totale ale gospodariilor si 4. din Anuarul Statistic 2009. Analiza datelor din tabel.7 1686.79 2005 863.a. factorul considerat cu influenţa cea mai puternicã asupra variabilei y. sectiunea Veniturile. în raport cu procesul economic descris conduce la urmãtoarea specificare a variabilelor: -y  consumul reprezentând variabila rezultativã.32 2007 1104.m.51 521. Specificarea unui model econometric presupune alegerea unei funcţii matematice cu ajutorul cãreia poate fi descrisã legãtura dintre cele douã variabile.09 2004 752 1085.51 2003 566. .1.x reprezintã valorile reale ale variabilelor independente (venitul).ro . Datele pe baza caruia se face analiza econometrica sunt prezentate in urmatorul tabel: Anul Consumul (lei lunar pe o Venitul (lei lunar pe o gospodarie) gospodarie) 2001 376.insse. Se observa din tabelul de mai sus ca este vorba despre 8 observatii ( deci N=8 ).79 2002 467.5 1386..Datele sunt preluate dupa site-ul www.47 658.74 2008 1365.y reprezintã valorile reale ale variabilelor dependente (consumul).26. procedeul cel mai des folosit îl constituie reprezentarea graficã ( norul de puncte) cu ajutorul diagramei cu puncte ( scatter plot) realizata in Excel: 35 . alte nevoi subiective s.

de forma: f (X ) =a +bX  Consum= f( Venit. reprezentând influenþele celorlalţi factori ai variabile y.b reprezintă panta dreptei sau coeficientul de regresie al consumului în funcţie de venit. 36 .nr. El reprezintă în acelaşi timp coeficientul marginal al consumului în funcţie de venit. . In concluzie putem sa presupunem ca modelul nostru este unul liniar.a reprezintă autoconsumul deoarece dacă X = 0 atunci Y = a.1: ( graficul punctelor empirice) Graficul punctelor empirice arata ca exista o legatura intre cele doua variabile.Diferenta dintre Venit si Consum 1600 1400 1200 CONSUM 1000 800 600 400 200 0 0 500 1000 VENIT 1500 2000 2500 Fig. mai reprezinta punctual de intersectie al dreptei de regresie cu axa 0y si este deci un parametru al ecuatiei de regresie. intrucat majoritatea punctelor din grafic se concentreaza in jurul unei linii imaginare. Tocmai din cauza acestor abateri vom introduce in model factorul aleatoriu ε . alti factori)  Yi =a +bXi +ε pentru orice i =1.ε este variabila rezidualã ( factorul aleatoriu). consideraţi factori întâmplãtori. Exista insa si puncte care se abat intr-o masura mica de la forma liniara observata.8 Semnificaţia celor doi parametri a şi b. Aceste abateri reprezinta tocmai factorii de care mai depinde consumul la care am fcaut referire cand am specificat modelul. cu influenţe nesemnificative asupra variabilei y. avand o forma liniara. care măsoară creşterea consumului unei familii dacă venitul acesteia se modifică cu o unitate de masura. ţinînd cont de semnificaţia celor două variabile (Y-consumul mediu şi X-venitul mediu) este: . nespecificaţi în model. .

37 . in figura de mai sus probabilitatile atasate testul t-Statistic sunt inferioare acestui nivel. se poate defini ecuatia prin comanda: ls consum c venit . 2 Testarea validitatii modelului de regresie determinat implica formularea a doua ipoteze: H0: model nevalid statistic. Rezultatul este dat in Fig. coeficientii sunt considerati semnificativi din punct de vedere statistic. Presupunand ca se lucreaza la nivelul de relevanta de 5%. Nr. cum. H1: model valid statistic. Nr.Dupa importul datelor din Excel in Eviews. Conform acestui test. rezulta ca cel putin un coeficient de regresie este semnificativ din punct de vedere statistic. deci mai mica decat nivelul de relevanta. Valoarea lui R-squared arata ca aproximativ 99% din variatia venitului este explicatie pentru variatia consumului. 2: Fig. se observa ca probabilitatea asociata acestuia este 0. Concluzia este ca regresia este bine specificata. In ceea ce priveste F-statistic.

In continuare am folosit si optiunea de autocorelarea a erorilor patratice.deci poate exista heteroscedasticitate.nr. in fig.Si valoarea testului Durbin-Watson arata posibilitatea de a exista o autocorelare a erorilor. pentru lag-urile erorilor exista o corelatie seriala a erorilor intrucat valoarea coeficientului de autocorelatie depaseste intervalul punctat in grafic ( autocorrelation si partial correlation) Existenta autocorelatiei este confirmata si de testul Q-statistic si de probabilitatea asociata acestuia.3. Am folosit WiewResidual testsCorrelogram Squared Residuals.nr.3 s-au testat erorile ecuatiei de regresie ( WiewResidual testsCorrelogramQ-statistic) Autocorelarea erorilor ecuatiei de regresie. avand in vedere valoare sa maricica pentru numarul de observatii existente si ca exista numai o singura variabila dependenta). Aceasta optiune se bazeaza pe aceleasi principii ca si autocorelatia erorilor si conform acestora. ca sa verific daca exista vreo indicatie asupra existentei heteroscedasticitatii. Fig.4 se observa (exact ca si in figura numarul 2) ca exista autocorelatie a erorilor patratice .nr. Dupa cum arata si imaginea de mai sus. 38 . Autocorelarea erorilor In Fig.

5 : Fig.Fig.nr. aceasta este reprezentata mai jos in fig.5 39 .4 In ceea ce priveste distributia erorilor rezultate din regresie ( optiune pentru care am folosit ViewResidual testsHistogram-Normality test).nr.nr.

Coeficientul de asimetrie ( Skewness) are o valoare de 0. care ia in considerare cei doi coeficienti comentati mai sus.622622. Un alt argument pentru o distribuitie normala este egalitatea dintre cele doua cozi (dreapta si stanga).nr. testul Jarque-Bera. Existenta corelatiei seriale. adica nesemnificativ diferita de 0.6 40 . fapt ce implica o distributie normala. aratata de corelograma erorilor se confirma cu ajutorul testului Serial Correlation LM test ( ViewResidual testsSerial Correlation LM test).99. Am ales 3 lag-uri.nr. Coeficientul de aplatizare ( Kurtosis) ce are o valoare de 2. in conditiile in care valoarea sa critica pentru pragul de semnificatie de 5% este de 5.024440 arata faptul ca distributia este un pic mai joasa decat cea normala ( cea normala fiind de 3). Astfel. are o valoare care implica respingerea ipotezei nule.6: Fig. iar rezultatul este prezentat in Fig.

nr.Dupa cum se observa si in Fig. 41 . testul prezinta alte doua teste statistice.6. pe care l-am specificat mai sus) . precum si probabilitatile acestora. deci se repinge inexistenta corelatiei. Asa cum arata si probabilitatile celor doua teste (sunt inferiaore nivelului de relevanta) se va respinge ipoteza nula. Ipoteza nula a celor doua teste spune ca nu exista corelatie seriala a erorilor ecuatiei de egresie pana la lag-ul de n ( in cazul de fata pana la lag-ul de 3. F-statistic si R-squared.

Sign up to vote on this title
UsefulNot useful