Econometrie

Econometrie
Partea I: Bazele econometriei

Partea a II-a: Probleme speciale
Partea a III-a:Econometria seriilor de timp
Prof.univ.dr. Dorin JULA

PARTEA I:
Bazele econometriei
Conţinut
Introducere
1. Analiza de regresie. Modelul linear
2. Ipoteze ale modelului linear
3. Proprietăţi ale estimatorilor
4. Acurateţea ajustării. Criterii de specificare a modelului
5. Teste de semnificaţie
6. Multicolinearitatea
7. Heteroscedasticitatea erorilor
8. Autocorelarea erorilor
9. Teste de normalitate a distribuţiei erorilor
10. Prognoza econometrică
29 ian. 2011 Prof.univ.dr. Dorin JULA 3

Introducere
Definiţie
(1) Literal: măsurarea în economie
(2) Aplicarea statisticii matematice în analiza
datelor economice, în scopul testării
teoriilor şi/sau a realizării de prognoze.

"A word of explanation regarding the term econometrics may be in order.
Its definition is implied in the statement of the scope of the [Econometric] Society,
in Section I of the Constitution, which reads: "The Econometric Society is an
international society for the advancement of economic theory in its relation to
statistics and mathematics.... Its main object shall be to promote studies that aim
at a unification of the theoretical-quantitative and the empirical-quantitative
approach to economic problems.... "
But there are several aspects of the quantitative approach to economics,
and no single one of these aspects, taken by itself, should be confounded with
econometrics. Thus, econometrics is by no means the same as economic
statistics. Nor is it identical with what we call general economic theory, although a
considerable portion of this theory has a definitively quantitative character. Nor
should econometrics be taken as synonymous with the application of
mathematics to economics. Experience has shown that each of these three view-
points, that of statistics, economic theory, and mathematics, is a necessary, but
not by itself a sufficient, condition for a real understanding of the quantitative
relations in modern economic life. It is the unification of all three that is powerful.
And it is this unification that constitutes econometrics."
Ragnar Frisch, Econometrica, (1933), 1, pp. 1-2.

"Experience has shown that each of these three view-points, that of
statistics, economic theory, and mathematics, is a necessary, but not by itself a
sufficient, condition for a real understanding of the quantitative relations in
modern economic life. It is the unification of all three that is powerful. And it is this
unification that constitutes econometrics."
Ragnar Frisch, Econometrica, (1933), 1, pp. 1-2.
"Experienţa a arătat că fiecare dintre aceste trei puncte de vedere,

adică statistica, teoria economică şi matematica sunt condiţii necesare, dar nu
reprezintă în sine o condiţie suficientă pentru o înţelegere reală a relaţiilor
cantitative din viaţa economică modernă. Doar unificarea tuturor celor trei dă
putere de analiză. Şi econometria constituie tocmai această unificare".

De ce o disciplină separată?
Teoria economică abordează aspecte care sunt în mare parte de
natură calitativă, în timp ce econometria oferă conţinut empiric
teoriilor economice.
Economia matematică urmăreşte exprimarea teoriei economice într-

o formă matematică, fără verificare empirică, în timp ce econometria
este în principal interesată de acest ultim aspect.
Statistica economică se ocupă, în principal, cu înregistrarea,

prelucrarea şi prezentarea datelor economice şi nu are ca principal
scop utilizarea datelor colectate pentru testarea teoriilor economice.
Statistica matematică oferă instrumentele generale folosite pentru

analiza oricăror date de natură aleatoare, în timp ce econometria
furnizează instrumentele şi tehnicile speciale de analiză cantitativă a
datelor economice.
1. Analiza de regresie. Modelul linear
Modelul multifactorial de regresie lineară:
Yt = a0 + a1X1t + a2X2t + … + akXkt + et, t = 1, 2, …, n
 Y1  a 0  a1 X 11  a 2 X 21    a k X k1  e1
Y  a  a X  a X    a X  e
 2  Y1  1 X11 X 21  X k1   a0   e1   â 0   u1 
0 1 12 2 22 k k2 2
           
 Y3  a 0  a1 X 13  a 2 X 23    a k X k 3  e 3  Y2  1 X12 X 22  Xk2   a1   e2   â1   u2 

 Y   Y3 , X  1 X13 X 23  X k 3 , A   a 2 , e   e 3  Â   â 2 , u   u3 
           
Y  a  a X  a X    a X  e                  
 i 0 1 1i 2 2i k ki i
Y  1  â 
  n  X1n X 2n  X kn  a 
 k
e 
 n  k
u 
 n
Y  a  a X  a X    a X  e
 n 0 1 1n 2 2n k kn n
Matriceal: Y = XA + e
Valorile estimate: Ŷt = â0 + â1X1t + â2X2t + … + âkXkt
Ŷ = XÂ
Variabila reziduală (ut): Yt = Ŷt + ut,
Matriceal: Ŷ = XÂ + u
Metoda celor mai mici pătrate: Â = (X'X)-1X'Y

2. Ipoteze ale modelului linear de
regresie
I–1: Linearitatea modelului.
I–2: Ipotezele referitoare la variabilele explicative
a. Fiecare variabilă exogenă are dispersia nenulă, dar finită
b. Numărul de observaţii este superior numărului de parametri
c. Nu există nicio relaţie lineară între două sau mai multe
variabile explicative (absenţa colinearităţii)
I–3: Ipotezele referitoare la erori
a. Erorile et au media nulă
b. Media condiţionată a erorilor M(et/Xt) = 0
c. Erorile et sunt independente (nu sunt autocorelate)
d. Erorile et au dispersia constantă oricare ar fi t (erorile nu sunt
heteroscedastice)
e. Erorile et sunt normal distribuite

3. Proprietăţi ale estimatorilor
P-1: estimatorii sunt lineari.
P-2: estimatorii sunt nedeplasaţi.
P-2': estimatorii sunt consistenţi.
P-3: estimatorii sunt eficienţi.
P-4: estimatorii sunt normal distribuiţi.
P-5: estimatorii sunt de maximă
verosimilitate.

Teorema Gauss -Markov
Dacă sunt verificate ipotezele de la I-1 la I-3, atunci

estimatorii parametrilor din modelul linear unifactorial de
regresie sunt cei mai buni estimatori lineari nedeplasaţi, în
sensul că, dintre toţi estimatorii lineari nedeplasaţi, au cea
mai mică dispersie.
În literatura de specialitate se foloseşte expresia BLUE

(Best Linear Unbiased Estimators) pentru estimatorii
parametrilor din modelul de regresie lineară calculaţi prin
metoda celor mai mici pătrate, atunci când estimatorii
respectivi îndeplinesc condiţiile din teorema Gauss-Markov.

4. Acurateţea ajustării. Criterii de specificare a
modelului
Coeficientul de determinare R2 n
VTM VTR u 2
t
R2   1  1 t 1
 Y  Y 
n
Y VT VT 2
t
Ŷ = â0 + â1X t 1
Yt ●
ut
Yt - Ȳ
Ŷt ●
Ŷt - Ȳ
Coeficientul de determinare corectat
Ȳ
R2  1 
n 1
n  k 1

1  R2 
Xt X
VTR
R  1 n  k 1  1
2
VT
n  1 VTR
n  k  1 VT
 1
n 1
n  k 1
1  R2  
n 1

Criteriul informaţional Akaike (Akaike information
criterion – AIC)
2 k 1 2 k 1
 VTR  1 n 2   u 2t  2k  1
AIC   e n
   ut   e n
ln AIC  ln 
 n  n  t 1   n  n
 
Criteriul Schwartz
 VTR 
k 1
1 n 2
k 1
  u 2t  k  1
SCHWARTZ   n n    u t   n n ln SC   ln  ln(n )
 n  n
 n  n  t 1   

Erori de specificare
a modelului multifactorial de regresie
lineară
Omiterea unor variabile explicative importante
a. Dacă o variabilă importantă omisă este corelată cel puţin
cu o variabilă inclusă în model, atunci estimatorii
parametrilor reţinuţi în model sunt deplasaţi şi nu sunt
consistenţi;
b. Chiar dacă variabilele omise nu sunt corelate cu
variabilele reţinute în model, estimatorul termenului liber
(â0) este, în general, deplasat;
c. Dispersiile estimate pentru parametrii variabilelor reţinute
în model sunt estimatori deplasaţi ai dispersiilor reale şi,
în consecinţă, testul t privind semnificaţia estimatorilor
nu este valid.
Erori de specificare
a modelului multifactorial de regresie
lineară
Includerea unor variabile nerelevante
a. Dacă o variabilă explicativă nerelevantă este inclusă în
model, atunci estimatorii parametrilor pentru toate
celelalte variabile din model sunt nedeplasaţi şi
consistenţi;
b. Dispersiile estimate pentru parametrii variabilelor din
model sunt mai mari decât în cazul neincluderii
variabilelor nerelevante şi deci estimatori nu sunt
eficienţi;
c. Deoarece dispersiile estimate pentru parametrii
modelului sunt nedeplasate, testul t privind semnificaţia
estimatorilor este valid.
5. Teste de semnificaţie
Dispersia estimatorilor
Var(Â) = (X'X)-1X'VX (X'X)
 σ e21 σ e1e2 ... σ e1en 

 
 σ e2e1 σ e2 2 ... σ e2en 
V
    
 
 σe e σ ene2 2 
... σ en 
 n1
Dacă Vσ I 2
atunci Var( Â)  σ e2 ( X' X )1 σ â2i  σ e2 dii
en
n
u 2
t
 
M su2  σ e2 sâ2i  su2dii
s 
2
u
t 1
n  k 1

Pasul 1: Se formulează ipoteza nulă H0: ai = a şi H1: ai > a.
â  a
Pasul 2: Pornind de la datele de selecţie se calculează statistica t â  i
Sub H0, statistica respectivă urmează o distribuţie sâ i
i
Student cu n – k - 1 grade de libertate. Dacă valoarea calculată t este mare

admitem că, probabil, parametrul ai este mai mare decât a.
Pasul 3: Din tabelul statisticii Student, pornind de la numărul gradelor de libertate
(n – 2) şi de la nivelul de semnificaţie ales (α), se selectează o valoare t*
astfel încât P(t > t*) = α.
Pasul 4: Dacă t > t* atunci se respinge H0 şi admitem că parametrul ai este
semnificativ mai mare decât a. Dacă ipoteza alternativă este H1: ai < a,
atunci se respinge H0 dacă t < -t* şi admitem H1.
Observaţie: dacă a = 0, atunci H0: ai = 0 şi H1: ai > 0.
Testul t – unilateral pentru

H0: a1 = 0, contra H1: a1 > 0
5% 45% 50%
0 s â1  t n  2; 0.05 â1
Se acceptă H0 Se respinge
H0
6. Multicolinearitatea
Consecinţe ale multicolinearităţii

a. Dacă două sau mai multe variabile explicative din modelul de regresie
multiplă sunt perfect corelate, estimatorii parametrilor nu pot fi calculaţi prin
MCMMP.
b. Dacă anumite variabile explicative sunt relativ puternic corelate, estimatorii
obţinuţi prin MCMMP sunt lineari, normal distribuiţi, nedeplasaţi, consistenţi şi
de maximă verosimilitate.
c. Creşterea abaterii standard a estimatorilor calculaţi pentru parametrii
modelului reduce valoarea testului t statistic. Totuşi, testul t rămâne valid.
d. Se reduce precizia estimatorilor calculaţi pentru parametrii modelului, în
sensul că abaterea standard mare duce la creşterea intervalului de încredere
în care sunt garantaţi parametrii.
e. Deoarece covarianţa între variabilele explicative corelate relativ puternic
poate fi mare, interpretarea parametrilor individuali este dificilă.

Identificarea multicolinearităţii
a. Coeficienţii de corelaţie lineară, calculaţi pentru perechile de variabile
explicative din model, sunt mari în valoare absolută (sunt, în modul, apropiaţi
de +1).
b. Determinantul matricei (X'X) are valori în apropierea lui zero.
c. Coeficientul de determinare R2 este mare, iar valorile testelor t (Student) sunt
mici.
d. Estimatorii parametrilor sunt sensibili la specificarea modelului.
Atenuarea multicolinearităţii
a. Eliminarea unor variabile explicative
b. Realizarea unor observaţii suplimentare asupra variabilelor din model
c. Prelucrarea primară a datelor (ritmuri, sporuri, indici, logaritmarea valorilor
observate etc.)
d. Regresia ridge

7. Heteroscedasticitatea erorilor
Def.: Proprietatea erorile de a nu avea o dispersie constantă
Consecinţe ale ignorării fenomenului de heteroscedasticitate a erorilor

a. Estimatorii parametrilor din model sunt nedeplasaţi şi consistenţi.
b. Estimatorii parametrilor din model nu sunt eficienţi (există estimatori care au o dispersie
mai mică).
c. Estimatorii calculaţi pentru dispersia şi covarianţa parametrilor sunt deplasaţi, nu sunt
consistenţi şi nu sunt eficienţi.
d. Testul t Student aplicat pentru analiza semnificaţiei estimatorilor nu este valid. Dispersia
corectă a parametrului ai este subestimată, astfel încât calculele sugerează o precizie a
estimării mai bună decât este în realitate.
e. Estimatorii parametrilor nu au proprietatea de maximă verosimilitate.
Testarea heteroscedasticităţii
Testul Goldfeld–Quandt
Testul Breusch-Pagan
Testul White

8.Autocorelarea erorilor
Def.: Autocorelarea erorilor presupune existenţa unei covarianţe nenule între erorile din
ecuaţia de regresie
Consecinţe ale autocorelării erorilor
b. Estimatorii parametrilor din model nu sunt eficienţi şi nu sunt de maximă verosimilitate.
c. Estimatorii calculaţi pentru dispersia şi covarianţa parametrilor sunt deplasaţi, nu sunt
consistenţi şi nu sunt eficienţi.
d. Testul t statistic (Student) aplicat pentru analiza semnificaţiei estimatorilor nu este valid.
e. Valorile t-Student calculate pentru semnificaţia parametrilor sunt supradimensionate
(sugerează o semnificaţie a parametrilor mai mare decât este în realitate).
f. Abaterea standard a erorilor este subdimensionată şi, în consecinţă, R2 este
supradimensionat, ceea ce indică o ajustare mai bună decât este în realitate.
Testarea autocorelării erorilor
Testul Durbin – Watson
Testul Lagrange
Atenuarea fenomenului de autocorelare a erorilor
Procedura Cochrane – Orcutt
Procedura Hildreth – Lu
9. Teste de normalitate a distribuţiei erorilor
Consecinţe ale lipsei de normalitate a erorilor

b. Estimatorii parametrilor din model nu au proprietatea de maximă
verosimilitate.
c. Testul t statistic (Student) aplicat pentru analiza semnificaţiei estimatorilor
nu este valid.
Testarea distribuţie normale a erorilor

Testul Jarque-Bera
Atenuarea fenomenului de autocorelare a erorilor

a. Identificarea tipului de distribuţie a erorilor şi aplicarea unor tehnici adecvate
de rezolvare a problemei de regresie.
b. Aplicarea unor tehnici de transformare a seriilor de date Yt şi/sau Xt, astfel
încât să fie eliminată non-normalitatea distribuţiei erorilor.

10.Prognoza econometrică
prezent
t1 t2 t3
timp
Perioada de Prognoza Prognoza

estimare ex-post ex-ante
Y = XA + e,
Ŷn+p = Xf+p Â, Â = (X'X)-1X'Y
şi Ŷn 1  t n k 1; s f  Yn 1  Ŷn 1  t n k 1; s f
unde 
s 2f  se2 1  X np X ' X  X 'np
1


Bibliografie
Baltagi B.H., 2008, Econometrics, Springer
Bourbonnais R., 2009, Économétrie, Dunod
Greene W.H., 2003, Econometric Analysis, Prentice Hall
Hayashi F., 2000, Econometrics, Princeton University Press
Johnston, J., DiNardo J.E., 1997, Econometric Methods, McGraw-Hill
Maddala G.S., 2001 Introduction to Econometrics, Wiley
Ramanathan R., 1992, Introductory Econometrics, Dryden Press
Verbeek M., 2005, A Guide to Modern Econometrics, Wiley
Wooldridge J.M., 2008, Introductory Econometrics: A Modern Approach,
South-Western.
În limba română
Andrei T., Bourbonnais R., 2008, Econometrie, Ed. Economică, Bucureşti
Jula D., 2003, Introducere în econometrie, Ed. Professional Consulting,
Bucureşti
Pecican E.S., 2006, Econometrie, Ed. All Beck, Bucureşti
Zaman C., 1998, Econometrie, Pro-Democraţia, Bucureşti

PARTEA a II-a:
Probleme speciale
Conţinut
1. Modele cu ecuaţii simultane

2. Econometria variabilelor calitative
3. Econometria datelor de tip panel

1. Modele cu ecuaţii simultane
Dacă este ignorată evoluţia simultană a variabilelor din sistem, iar

Consecinţe estimatorii parametrilor sunt calculaţi prin metoda celor mai mici
ale ignorării pătrate, atunci:
simultaneităţii a. Estimatorii sunt deplasaţi (distorsiunea de simultaneitate) şi nu
ecuaţiilor de sunt consistenţi.
regresie b. Prognoza este, la fel, deplasată şi nu este consistentă.
c. Testele privind parametrii sunt invalide.
 distorsiunea de simultaneitate
 problema identificării

Distorsiunea de simultaneitate
Exemplu: modelul în formă structurală de determinare simultană a

modificării salariilor şi a ratei inflaţiei (Jula D., 2003, pag. 246-
269), de tipul:
Wt = a + bPt + cEt + et (1)
Pt = α + βWt + γMt +εt, (2)
se scrie în forma redusă:
a  b b c e  b t
Wt   Mt  Et  t (3)
1  b 1  b 1  b 1  b
   a   c      e   t 
Pt      E t   M t   t  (4)
 1  b   1  b   1  b   1  b 
Rezultă că variabila Pt este corelată instantaneu cu eroarea et. În
aceste condiţii, în ecuaţia de regresie (1) covarianţa dintre eroare şi
variabila explicativă este diferită de zero.
(W reprezintă ritmul de modificare a salariilor, P este rata inflaţiei, E reprezintă o măsură a excesului
de ofertă pe piaţa muncii, M – masa monetară, iar e şi ε sunt erorile din ecuaţiile de regresie).

Problema identificării
(1) Wt = α + βPt + γEt + et → AW t = Aα + AβPt + AγEt + Aet

(2) Pt = λ + μW t + εt, → BPt = Bλ + BμW t + Bεt.
AW t + BPt = Aα + AβPt + AγEt + Aet + Bλ + BμW t + Bεt,
 Aα  Bλ   Aβ  B   Aγ   Ae t  Bε t 
(3) Wt       Pt    E t   
A  B μ
  A  Bμ A  Bμ A  Bμ
   
  
α* β* γ* e *t
Wt = α + βPt + γEt + et – ecuaţia (1)

Wt = α* + β*Pt + γ*Et + e*t – ecuaţia (3)
Deoarece A şi B pot lua orice valori, rezultă că modelul (3) generează un număr
infinit de ecuaţii de regresie care, din punct de vedere statistic, nu sunt distincte de
modelul iniţial (1). Se spune că ecuaţia (1) este neidentificată şi, în consecinţă,
pentru ecuaţia respectivă nu poate fi construită o procedură prin care să se obţină
estimatori nedeplasaţi sau consistenţi ai parametrilor.

Condiţia de ordin pentru problema de identificare
(condiţie necesară dar nu şi suficientă)
Notăm G – numărul ecuaţiilor structurale din model, atunci:
1. Dacă numărul variabilelor absente din ecuaţie (dar prezente în sistem)
este exact G-1, atunci ecuaţia este identificată;
2. Dacă ecuaţia omite mai puţin de G-1 variabile dintre cele prezente în
sistem, atunci este neidentificată;
3. Dacă ecuaţia omite mai mult de G-1 variabile dintre cele prezente în
sistem, atunci ecuaţia este supraidentificată.
Condiţia de rang (condiţie suficientă)

Procedura de aplicare: se construieşte o matrice a parametrilor modelului
(este alocată o coloană pentru fiecare variabilă – exogenă, sau endogenă
şi o linie pentru fiecare din cele G ecuaţii de regresie).
O ecuaţie este identificată dacă se poate forma cel puţin un determinant
nenul de rang G-1, pornind de la parametri din model care nu sunt
prezenţi în ecuaţia analizată.

Rezolvarea sistemelor de ecuaţii simultane
Metoda variabilelor instrumentale (metoda IV)

Metoda generalizată a variabilelor instrumentale (metoda GIV)
Metoda celor mai mici pătrate în două stadii
1. În primul stadiu, se estimează forma redusă a tuturor ecuaţiilor care
descriu evoluţia unor variabile endogene, dacă aceste variabile apar ca
explicative în una dintre celelalte ecuaţii.
2. În al doilea stadiu al procedurii, ecuaţiile structurale din model sunt
estimate prin metoda celor mai mici pătrate, folosind ca instrumente
valorile endogene estimate în primul stadiu.
Metoda celor mai mici pătrate în trei stadii
Baltagi B.H., 2008, Econometrics, Springer, p.253-294

Bourbonnais R., 2009, Économétrie, Dunod, p.203-224
Greene W.H., 2003, Econometric Analysis, Prentice Hall, p.378-423
Maddala G.S., 2001 Introduction to Econometrics, Wiley, p.343-390

2. Econometria variabilelor calitative
Situaţia 1: VARIABILELE EXPLICATIVE SUNT CALITATIVE
1.1. Variabile calitative pentru modificarea termenului liber
Pentru două grupe Pentru trei grupe
y a10  a1x  e, pentru primul grup


y   a02  a1x  e, pentru al doilea grup
a3  a x  e, pentru al treilea grup
 0 1
   
y  a10  a 02  a10 D1  a 30  a10 D 2  a1x  e
0, pentru grupurile 1 si 3

D1  
1, pentru al doilea grup
0, pentru grupurile 1 si 2

D2  
1, pentru al treilea grup
x
a  a1x  e, pentru primul grup
1
y 0
a  a1x  e, pentru al doilea grup

2
0
 
y  a10  a 02  a10 D  a1x  e
0, pentru primul grup
D (Maddala, 2001, p.302-341)
1, pentru al doilea grup

Exemplu:
Anul Trim. I Trim. II Trim. Trim. 2400 Y = (a1 + a2D2 + a3D3 + a4D4) + bX + e, T3
III IV Y = (a1D1 + a2D2 + a3D3 + a4D4) + bX + e,

T3
2200 unde variabile dummy sezoniere sunt definite:
2001 900 1100 1400 1200
1, pentru trimestrul " i" T3
2002 950 1150 1500 1300
2000 Di   T3
2003 1025 1200 1550 1350

0, pentru celelalte trimestre T3
T2
2004 1150 1300 1600 1450 1800 T3 T2 T4
T2 T4
T4
2005 1250 1450 1800 1500 T2
1600 T3 T2 T4 T4 T1, 2009 T1, 2010
T3
2006 1300 1600 1950 1600 T3 T4 T1, 2008
T4 T2
2007 1350 1650 2000 1600 1400 T3
T4 T1, 2007
T4 T2 T1, 2006
2008 1500 1750 2100 1700 T1, 2005
1200 T4 T2
T2 T1, 2004
2009 1600 1800 2250 1750 T2
T1, 2003
2010 1600 1850 2400 1800 1000
T1, 2002
T1, 2001
800

1.2. Variabile calitative pentru modificarea înclinaţiei dreptei de regresie
Să presupunem că ecuaţiile de regresie pentru două seturi de
t X Y D1 D2 t X Y D1 D2 observaţii sunt: (Maddala, 2001, p.308-310)
1 2 147 0 0 26 26 230 1 26 y1 = a1 + b1x1 + e1, pentru primul grup
2 4 145 0 0 27 27 238 1 27 y2 = a2 + b2x2 + e2, pentru al doilea grup.
3 3 144 0 0 28 29 242 1 29
4 4 144 0 0 29 30 253 1 30 Cele două ecuaţii pot fi scrise astfel:
5 5 152 0 0 30 30 248 1 30
6 7 152 0 0 31 31 256 1 31 y1 = a1 + (a2 – a1)0 + b1x1 + (b2 – b1)0 + e1,
7 8 158 0 0 32 32 258 1 32 y2 = a1 + (a2 – a1)1 + b1x2 + (b2 – b1)x2 + e2,
8 8 156 0 0 33 33 269 1 33
9 9 161 0 0 34 35 278 1 35 Dacă admitem că e1 şi e2 au aceeaşi distribuţie, atunci se
10 10 160 0 0 35 36 283 1 36 poate scrie:
11 11 158 0 0 36 37 288 1 37 y = a1 + (a2 – a1)D1 + b1x + (b2 – b1)D2 + e,
12 12 166 0 0 37 37 285 1 37
13 13 166 0 0 38 38 287 1 38 0, pentru observatiile din grupul I
14 14 169 0 0 39 39 292 1 39 D1  
15 16 168 0 0 40 40 301 1 40 1, pentru observatiile din grupul II
350
16 17 169 0 0 41 41 306 1 41 0, pentru observatiile din grupul I
17 17 177 0 0 42 44 322 1 44 D2  
18 18 180 0 0 43 44 319 1 44 300 x 2 , pentru observatii le din grupul II
19 19 182 0 0 44 44 316 1 44
20 22 179 0 0 45 46 329 1 46 250
21 23 217 1 23 46 49 348 1 49
22 23 214 1 23 47 49 348 1 49 200
23 24 217 1 24 48 48 336 1 48
24 24 217 1 24 49 49 349 1 49 150
25 26 232 1 26 50 51 353 1 51
100
2 4 8 10 13 17 19 23 26 29 31 35 37 40 44 49 49

y = a1 + (a2 – a1)D1 + b1x + (b2 – b1)D2 + e
y = 139.75 – 40.01D1 + 2x + 3.01D2
350
325
300 y2 = 99.74 + 5.01x2

275
250
225
200
y1 = 139.75 + 2x1
a1 = 139.75 şi a2 – a1 = -40.01 175
→ a2 = 99.74 150
b1 ≈ 2 şi b2 – b1 = 3.01 125
0 5 10 15 20 25 30 35 40 45 50
→ b2 = 5.01

Situaţia 2: VARIABILELE DEPENDENTE SUNT CALITATIVE
Modele cu variabile calitative binare: modele de tip Probit şi Logit

k
Modelul de regresie: y  a 0   a jx ij  ei unde yi nu este observată (variabilă latentă).

i
j1 1, când y*  0
Ceea ce observăm este o variabilă de tip dummy definită astfel: y  
0, în caz contrar
Exemplu: variabila dummy observată înregistrează dacă o persoană are sau nu un loc de

muncă, atunci yi poate fi definită ca dorinţa sau abilitatea de a găsi un loc de muncă.
  k
   k

Pi = Prob(yi = 1) = Prob e i   a 0   a j x ij  = 1 – F    a 0   a j x ij 
  
  j1    j 1 
F este funcţia de distribuţie cumulată a erorilor. Dacă F este simetrică, 1 – F(–Z) = F(Z),
atunci  k 

Pi = F a 0 
  a j x ij 

 j1 
Modelele probit şi logit diferă în ceea ce priveşte specificarea distribuţiei erorilor ei din
ecuaţia de regresie. Dacă distribuţia cumulată a erorilor este o funcţie logistică rezultă un
model de tip logit. Dacă distribuţia a erorilor urmează o distribuţie normală, rezultă un
model de tip probit.

Zi
1  t2 
Modelul probit FZi    exp  dt
 2π  2
k
unde Zi  a0   a jx ij
j1
k
Pi
Modelul logit log  a 0   a j x ij
1  Pi j 1
Modele multinominale
Modele cu variabile dependente limitate
Modelul cu variabile trunchiate
Modelul Tobit
Baltagi B.H., 2008, Econometrics, Springer, p.253-294

Greene W.H., 2003, Econometric Analysis, Prentice Hall,
p.663-802
Maddala G.S., 2001 Introduction to Econometrics, Wiley,
p.301-341
Thomas A., 2000, Économétrie des variables qualitatives,
Dunod.
Exemplu (Fox, 2007): Survival of Passengers on the Titanic

3. Econometria datelor de tip panel
Introducere
Studiul datelor în structură de tip panel înseamnă analiza în comun a observaţiilor în secţiune
transversală (regiuni, ţări, sectoare, gospodării, firme etc.), realizate în mai multe perioade de timp.
Structuri de date:
 date în structuri transversale: şomajul în luna septembrie, pe judeţe: Alba, Arad, Argeş, …
 serii de timp: şomajul în jud. Alba în ian., feb., mar., …
 serii de tip panel: şomajul în Alba, Arad, Argeş … urmărit în ian., feb., mar., …
Exemple de date de tip panel:
 dinamica lunară (sau trimestrială, anuală) a ratei şomajului (sau a veniturilor, câştigurilor
salariale …) pe judeţe (sau regiuni, ţări)
 dinamica producţiei industriale, pe ramuri
 dinamica VAB / trimestre şi pe ramuri
 dinamica PIB / trimestre, pe structura de utilizare
 dinamica investiţiilor străine directe / ţări
 evoluţia PIB (inflaţiei, ratei şomajului, datoriei publice …) pe ţări
Modelul de regresie lineară simplă, pentru datele de tip panel se scrie

yit = α + βxit + eit,
unde i = 1, 2, …, N (indivizi, gospodării, firme, regiuni, ţări …), t = 1, 2, …, T (timpul), α şi β sunt
parametrii modelului. Variabilele yit şi xij măsoară înregistrarea unui fenomen în structura i, la
momentul t. Evident, modelul poate fi extins prin includerea mai multor variabile explicative.

Avantajele analizei datelor de tip panel
1. Poate surprinde particularităţile individuale, structurile invariante dintr-o unitate, sau la un
moment dat în timp. În acest mod, distorsiunea indusă prin agregarea datelor poate fi
redusă sau eliminată.
2. Aduce un spor de informaţie prin surprinderea variabilităţii individuale
3. Reduce fenomenul de multicolinearitate a variabilelor
4. Creşte numărul gradelor de libertate – şi, implicit, puterea testelor, deci gradul de
încredere în rezultatele obţinute
5. Creşte eficienţa şi consistenţa estimărilor econometrice
6. Permite construirea şi testarea unor modele comportamentale mai complexe decât
modelele bazate pe analiza seriilor de timp sau a structurilor transversale.
7. Permite o mai bună analiză a dinamicii ajustărilor structurale.
Limitele utilizării datelor de tip panel

Principalele limite provin din dificultatea asigurării datelor, pentru toate unităţile
considerate în secţiunea transversală şi toate momentele succesive de timp (acoperirea
cu date, non-răspuns la interviu, erorile de măsurare, problemele de selecţie,
dimensiunea redusă a seriilor de timp, autocorelarea spaţială etc.).

Modelul de regresie pentru date de tip panel cu
descompunerea erorii
Modelul: yit = α + βxit + eit, i = 1, 2, …, N (indivizii), iar t = 1, 2, …, T (timpul)
Surprinderea efectelor individuale se face prin descompunerea variabilei de discrepanţă (abatere)
eit în trei componente: eit = μi + ηt + vit,
 Variabila μi estimează efectul specific individual, neobservabil şi este invariantă în timp:
estimează efectul variabilelor neincluse în model asupra endogenei, în unitatea i (efectul
individual specific);
 Variabila ηt estimează efectul specific temporal, invariabil în structurile transversale: estimează
efectul variabilelor neincluse în model asupra endogenei, la momentul t (efectul fix în timp);
 Variabila de eroare (discrepanţa remanentă) vit este variabilă atât între indivizi, cât şi în timp.
− Modelul cu efecte fixe presupune că μi şi ηt sunt parametrii fixaţi şi au suma nulă. Modelul
de acest tip se aplică atunci când analizăm un set specific de variabile pentru de N firme,
sau regiuni, sau ţări, în T momente (sau intervale) de timp. Estimarea se realizează prin
metoda celor mai mici pătrate, după adăugarea unor variabile de tip dummy pentru fiecare
individ i şi pentru perioadele t (mai puţin un individ şi o perioadă pentru a evita crearea
unei colinearităţi cu α, constanta).
− Modelul cu efecte aleatoare presupune că μi, ηt şi vit sunt variabile aleatoare independente
una faţă de cealaltă, de medie nulă, nu sunt autocorelate, nu sunt heteroscedastice şi au
abaterile standard σμ, ση, σv. Modelul de acest tip se aplică atunci când analizăm N unităţi
(indivizi) aleşi întâmplător dintr-o populaţie de dimensiune mare.

Testarea specificării modelului (Hsiao, 1986)
Presupunem că procesul {yi,t} este definit în mod general prin relaţia următoare, iN, tZ:
yi,t = αi + βixit + eit,
Test H10 : αi=α, βi=β, i[1,N]
H11 H10
Test H02 : βi=β, i[1,N] yi,t = α + βxi,t + ei,t
H12 H02
yi,t = αi + βixi,t + ei,t

sau Test H30 : αi = α, i[1,N]
yi,t = α + βixi,t + ei,t
H30 H13
yi,t = α + βxi,t + ei,t yi,t = αi + βxi,t+ ei,t

Arrelano M., 2002, Panel Data Econometrics, Oxford
University Press.
Baltagi B.H.,2005, Econometric Analysis of Panel Data,
Wiley
Hurlin C., 2002, L’Econométrie des Données de Panel.
Université Dauphine, Paris
Hsiao C., 1990, Analysis of Panel Data, Cambridge
University Press
Wooldridge J.M., 2002, Econometric Analysis of Cross-
Section and Panel Data, MIT Press

PARTEA a III-a:
Econometria seriilor de timp
Conţinut
1. Staţionaritate
2. Cointegrare
3. Modele de tip ARIMA
4. Modele de tip VAR

1. Staţionaritate
Procese staţionare
Dacă media şi dispersia unei serii de timp se modifică în timp, seria este
considerată ca fiind ne-staţionară. Dacă procesul aleator este invariant, seria
de timp este staţionară. Formal, procesul aleator yt este staţionar (în sens
restrâns, sau slab) dacă media este constantă şi independentă de timp:
M(yt) = M(yt+m) = μ, t şi m,
dispersia este finită
var(yt) < ∞, t
covarinaţa este independentă de timp şi nu depinde decât de numărul de
decalaje cov(yt, yt+k) = M[(yt – μ)(yt+k – μ)] = γk
În particular, cov(yt, yt) = M[(yt – μ)(yt+k – μ)] = γ0
este dispersia seriei yt.

50
45
Exemplu: regresia falsă (aparentă) 40

35
Fie două serii aleatoare yt şi xt definite astfel : 30
xt = 1 + xt-1 + ηt, cu x0 = 0 25
20 X
yt = 10 + 0.5t + εt Y
15
Admitem că εt şi ηt, sunt IIDN(0,1) şi independente între 10
ele). 5
0
40 1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49
35
30
25
Y
20
15
10
0 10 20 X 30 40 50

Teste de staţionaritate
a) Procesul TS (trend staţionar – Trend Stationary) reprezintă un proces

nestaţionar de tip determinist. Un proces TS se scrie:
xt = ft + εt
unde ft este o funcţie polinomială de timp, lineară sau nelineară, iar εt este un
proces staţionar. Procesul TS linear de gradul I se scrie:
xt = a0 + a1t + εt
În aceste modele, efectul produs de un şoc (sau mai multe şocuri aleatoare), la
un moment oarecare t este tranzitoriu: modelul fiind determinist, seria se
reîntoarce la mişcarea sa pe termen lung, care, în acest caz, este dreapta de
tendinţă. Exemplul poate fi generalizat pentru funcţii polinomiale de un grad
oarecare.

b) Procesul DS (staţionar în diferenţe – Differency Stationary) este un proces
nestaţionar stochastic. Se numesc DS procesele aleatoare care pot fi
staţionarizate prin utilizarea unui filtru de diferenţiere:
(1 – L)dxt = β + εt,
unde εt este un proces staţionar, β o constantă reală, L – operatorul de decalaj,
iar d este ordinul filtrului de diferenţiere. Procesul de ordinul I (d = 1) se scrie
(1 – L)xt = β + εt  xt = xt-1 + β + εt.
β = 0: procesul DS este mers la întâmplare fără trend (trendless random walk)
sau mers la întâmplare fără derivă (random walk with zero drift):
xt – xt-1 = εt.
β ≠ 0: procesul DS este mers la întâmplare cu derivă (random walk with drift)
xt = xt-1 + β + εt.
Într-un proces de tip DS, un şoc la un moment dat influenţează la infinit valorile
seriei dinamice: efectul unui şoc este permanent şi merge în descreştere.

Testul Dickey-Fuller
Testul Dickey-Fuller (DF) permite evidenţierea caracterului staţionar sau

nestaţionar a unei serii dinamice, prin determinarea tendinţei deterministe sau
aleatoare. Există trei modele care sunt utilizate pentru construirea acestor teste:
(1) xt = 1xt-1 + εt Model autoregresiv de ordinul 1
(2) xt = 1xt-1 + β + εt Model autoregresiv cu termen liber
(3) xt = 1xt-1 + bt + c + εt Model autoregresiv cu tendinţă
Se testează ipoteza H0: 1 = 1. Dacă H0 este reţinută în unul dintre cele trei
modele, procesul este nestaţionar.
În (3), dacă se acceptă H1: 1 < 1 şi dacă parametrul b este semnificativ diferit
de zero, atunci procesul este de tip TS (cu trend staţionar).

Testul Dickey–Fuller dezvoltat (Augmented Dickey – Fuller tests, ADF) ţine
seama şi de posibilitatea ca erorile εt să nu fie zgomot alb. Testele ADF sunt
bazate, sub ipoteza alternativă |1| < 1, pe estimarea prin metoda celor mai
mici pătrate a următoarelor trei modele:
p
Δx t  ρx t 1   φ jΔx t  j1  ε t
j 2
p
Δx t  ρx t 1   φ j Δx t  j1  c  ε t
j 2
p
Δx t  ρx t 1   φ jΔx t  j1  c  bt  ε t
j 2
Alte teste:
Testul Dickey-Fuller with GLS Detrending (DFGLS) – înainte de aplicarea testului
este eliminată atât tendinţa din date, cât şi influenţa variabilelor exogene, printr-
un proces de cvasi-diferenţiere.
Testul Phillips-Perron (PP) – o metodă (neparametrică) de testare a rădăcinii
unitate în condiţii de autocorelare a erorilor.
Testul Kwiatkowski, Phillips, Schmidt, and Shin (KPSS) – analizează proprietăţile
reziduurilor din ecuaţia de regresie a lui yt în funcţie de exogenele x.

2. Cointegrarea
Definiţie: Dacă există o combinaţie lineară staţionară între variabile aleatoare
nestaţionare, atunci variabilele combinate sunt cointegrate (există o dinamică
non-staţionară comună).
Condiţiile de cointegrare
Două serii xt şi yt sunt cointegrate dacă sunt verificate două condiţii:
 seriile sunt afectate de o tendinţă aleatoare cu acelaşi grad de integrare d;
 o combinaţie lineară a acestor serii permite obţinerea unei serii cu un ordin
de integrare inferior.
Simbolic, fie xt → I(d) şi yt → I(d), a.î. α1xt + α2yt → I(d–b), cu d ≥ b > 0.
Se notează xt, yt → CI(d,b), unde [α1, α2] este vectorul de cointegrare.
În cazul general, fie k variabile, toate I(d). Se notează Xt = [x1,t, x2,t, …, xk,t].
Dacă există un vector de cointegrare α = [α1, α2, …, αk], de dimensiuni (k,1)
a.î. αXt → I(d-b)
atunci cele k variabile aleatoare sunt cointegrate, iar vectorul de cointegrare
este α. Se notează:
Xt → CI(d, b), cu b > 0.
Test de cointegrare între două variabile – algoritmul în
două etape Engle-Granger
Etapa 1: se testează ordinul de integrare a variabilelor. Seriile trebuie să fie

integrate de acelaşi ordin. Dacă seriile au ordine diferite de
integrare, atunci posibilitatea unei relaţii de cointegrare este exclusă.
Fie
xt → I(d)
yt → I(d)
Etapa 2: se estimează relaţia pe termen lung

yt = a0 + a1xt + εt
Relaţia de cointegrare este acceptată dacă reziduurile ut sunt
staţionare:
ut = yt – â0 – â1xt.
Staţionaritatea reziduurilor este analizată cu ajutorul testelor DF, sau ADF.

Pentru cointegrare au fost construite tabele speciale (MacKinnon, 1991). Dacă
reziduurile sunt staţionare, se poate estima modelul corector al erorilor.

Estimarea modelului de corectare a erorii (ECM)
Toate seriile cointegrate pot fi reprezentate printr-un ECM (Error Correction

Model – ECM, teorema de reprezentare a lui Granger). Fie xt, yt → CI(1, 1).
Etapa 1: se estimează prin MCMMP relaţia pe termen lung:
yt = â0 + â1xt + ut
Etapa 2: se estimează prin MCMMP relaţia din modelul dinamic (pe termen
scurt)
∆yt = α1∆xt + α2ut-1 + et, α2 < 0
Coeficientul α2 (forţa de atracţie spre echilibru) trebuie să fie
semnificativ şi negativ. În caz contrar, se respinge o reprezentare de
tip ECM. În acest caz, mecanismul de corecţie a erorii este de sens
contrar, şi evoluţia se îndepărtează de ţinta pe termen lung.
Testul Johansen – utilizat pentru cointegrare şi estimarea unui model

vectorial de corectare a erorilor (VEC)
Condiţii de valabilitate
Econometria tradiţională aplicată pornind de la variabile nestaţionare

rămâne valabilă dacă sunt îndeplinite două condiţii principale:
1. Nu se amestecă într-o ecuaţie variabile care au ordine de
integrare diferite
2. Într-o ecuaţie dinamică, atunci când se introduc decalaje asupra
variabilelor, trebuie respectat acelaşi număr de decalaje asupra
tuturor variabilelor.

3. Modele de tip ARIMA
ARIMA(p,d,q) = modele autoregresive de ordinul p, AR(p), integrate
de ordinul d, I(d) şi de medie mobilă de ordinul q, MA(q)
1) Modele autoregresive (AR)

AR(1): yt = θ1yt-1 + εt
AR(2): yt = θ1yt-1 + θ2yt-2 + εt
…
AR(p): yt = θ1yt-1 + θ2yt-2 + … + θpyt-p + εt
unde θ1, θ2, …, θp sunt parametrii modelului, iar εt este un zgomot alb gaussian.
Ecuaţia precedentă poate fi scrisă cu ajutorul operatorului de întârziere:
(1 – θ1L – θ2L2 – … – θpLp) yt = εt
Corelograma unui proces AR(p) este caracterizată prin descreşterea geometrică a
termenilor, ρk = ρk. Corelograma parţială are doar primii p termeni diferiţi de zero.
Adăugarea unei constante nu modifică proprietăţile aleatoare ale procesului.

2) Modele de medie mobilă (MA)
MA(1): yt = εt – 1 εt-1
MA(2): yt = εt – 1 εt-1 – 2 εt-2
…
MA(q): yt = εt – 1 εt-1 – 2 εt-2 –…– q εt-q
unde 1, 2, …, q sunt parametrii modelului, iar εt este un zgomot alb gaussian.
Ecuaţia precedentă poate fi scrisă cu ajutorul operatorului de întârziere:
(1 – 1L – 2L2 – … – qLq) εt = yt
 i  q k   iq 2 
Corelograma unui proces MA(q) este dată de relaţia: ρk    φiφik  /   φi 
pentru k = 0, 1, …, q şi ρk = 0, pentru k > q.  i 0   i 0 
Corelograma parţială este caracterizată printr-o descreştere geometrică.
3) Modelele ARMA
Modelele ARMA sunt reprezentări ale unui proces generat de o combinaţie între valorile
trecute şi erorile trecute. Sunt definite prin ecuaţia
ARMA(p,q): (1 – θ1L – θ2L2 – … – θpLp)yt = (1 – 1L – 2L2 – … – qLq)εt
Pentru estimarea parametrilor şi prognoza → metodologia Box-Jenkins

4. Modele de tip VAR
Fie X şi Y variabile I(0). Modelul VAR(1)
Xt = a0 + a1Xt-1 + a2Yt-1 + ε1t
Yt = b0 + b1Xt-1 + b2Yt-1 + ε2t,
ε1t şi ε2t reprezintă şocurile (inovaţiile), în perioada t, asupra variabilelor X şi, respectiv, Y.
Reprezentarea generală
Generalizarea reprezentării VAR la k variabile I(0) şi p decalaje – notată VAR(p) – se
scrie sub forma următoare matriceală:
Yt = A0 + A1Yt-1 + A2Yt-2 + … + ApYt-p + vt
 y1,t   a11p a12p  a1kp  a10   v 1,t 

y   1   0 v 
a a 22p  a k2p  a
Yt    A p   2p A0   2  vt   
2,t 2,t
            
   1   0  
 y k,t  a kp  a kkp   v k,t 
2
a kp a k 
(I – A1L – A2L2 – … – ApLp)Yt = A0 + vt, sau A(L)Yt = A0 + vt.
Se demonstrează (Hamilton J.D., 1994) că procesul VAR(p) este staţionar dacă

polinomul definit pornind de la determinantul:
det(I – A1z – A2z2 – … – Apzp) = 0
are rădăcinile în afara cercului unitate din planul complex.
Analiza de tip VAR urmăreşte cel puţin trei obiective
fundamentale: Response to Nonfactorized One S.D. Innovations ± 2 S.E.
 Evaluarea efecteleor induse de diverse şocuri 50
asupra variabilelor din sistem (impulse response Response of X to X
function). Fiecare variabilă este afectată de 40
inovaţiile proprii, precum şi de inovaţii în celelalte 30
variabile. 20
 Descompunerea dispersiei (variaţiei) erorii de
10
prognoză (forecast error variance decomposition).
 Identificarea relaţiilor de cauzalitate (în sens 0
Granger). -10
1 2 3 4 5 6 7 8 9 10
160
120
4
80
0
40
0 -4
Response of Y to X
-40 -8
-80
-12
-120 X
Y -16
-160 1 2 3 4 5 6 7 8 9 10
78 80 82 84 86 88 90 92 94 96

100
80
Variance Decomposition of X:
Period S.E. X Y Variance Decomposition of X
1 39.57498 100.0000 0.000000 60
2 45.19165 82.79265 17.20735
3 46.18167 81.97941 18.02059 40 X
4 46.46394 81.55310 18.44690 Y
5 46.53431 81.46807 18.53193 20
6 46.55305 81.44331 18.55669
7 46.55793 81.43710 18.56290
0
8 46.55921 81.43545 18.56455 1 2 3 4 5 6 7 8 9 10
9 46.55954 81.43502 18.56498
10 46.55963 81.43491 18.56509
Variance Decomposition of Y:
Period S.E. X Y
1 35.39800 25.26141 74.73859 80
2 38.56442 31.39138 68.60862
70
3 39.43587 32.05483 67.94517
4 39.65046 32.28640 67.71360
60 Variance Decomposition of Y
5 39.70752 32.33923 67.66077
6 39.72235 32.35376 67.64624 50
7 39.72624 32.35748 67.64252 X
8 39.72726 32.35847 67.64153 40 Y
9 39.72753 32.35872 67.64128
10 39.72760 32.35879 67.64121 30
20
1 2 3 4 5 6 7 8 9 10

Box G.E.P., Jenkins G.M., 1969, Time Series: Forecasting and Control. Holden-
Day Inc.
Granger C.W.J., Newbold P., 1987, Forecasting Economic Time Series.
Academic Press.
Hamilton J.D., 1994, Time Series Analysis. Princeton University Press
Harvey A.C., 1993, Time Series Models. MIT Press.
Hatanaka M., 1996, Time-Series-Based Econometrics, Unit Roots and
Cointegration, Oxford University Press
Johansen S., 1995, Likelihood-Based Inference in Cointegrated Vector Auto-
Regressive Models, Oxford University Press.
Maddala G.S., Kim I.-M., 1999, Unit Roots, Cointegration and Structural Change,
Cambridge University Press.

Econometrie - Prof - Jula

Uploaded by

Copyright:

Available Formats

Econometrie - Prof - Jula

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Econometrie - Prof - Jula

Uploaded by

Copyright:

Available Formats

Partea I: Bazele econometriei

Prof.univ.dr. Dorin JULA

29 ian. 2011 Prof.univ.dr. Dorin JULA 3

29 ian. 2011 Prof.univ.dr. Dorin JULA 4

29 ian. 2011 Prof.univ.dr. Dorin JULA 5

"Experienţa a arătat că fiecare dintre aceste trei puncte de vedere,

29 ian. 2011 Prof.univ.dr. Dorin JULA 6

Economia matematică urmăreşte exprimarea teoriei economice într-

Statistica economică se ocupă, în principal, cu înregistrarea,

Statistica matematică oferă instrumentele generale folosite pentru

29 ian. 2011 Prof.univ.dr. Dorin JULA 8

29 ian. 2011 Prof.univ.dr. Dorin JULA 9

29 ian. 2011 Prof.univ.dr. Dorin JULA 10

Dacă sunt verificate ipotezele de la I-1 la I-3, atunci

În literatura de specialitate se foloseşte expresia BLUE

29 ian. 2011 Prof.univ.dr. Dorin JULA 11

29 ian. 2011 Prof.univ.dr. Dorin JULA 12

29 ian. 2011 Prof.univ.dr. Dorin JULA 13

Var(Â) = (X'X)-1X'VX (X'X)

 σ e21 σ e1e2 ... σ e1en 

29 ian. 2011 Prof.univ.dr. Dorin JULA 16

Student cu n – k - 1 grade de libertate. Dacă valoarea calculată t este mare

Testul t – unilateral pentru

Consecinţe ale multicolinearităţii

29 ian. 2011 Prof.univ.dr. Dorin JULA 18

29 ian. 2011 Prof.univ.dr. Dorin JULA 19

Consecinţe ale ignorării fenomenului de heteroscedasticitate a erorilor

29 ian. 2011 Prof.univ.dr. Dorin JULA 20

Consecinţe ale lipsei de normalitate a erorilor

Testarea distribuţie normale a erorilor

Atenuarea fenomenului de autocorelare a erorilor

29 ian. 2011 Prof.univ.dr. Dorin JULA 22

Perioada de Prognoza Prognoza

Ŷn+p = Xf+p Â, Â = (X'X)-1X'Y

şi Ŷn 1  t n k 1; s f  Yn 1  Ŷn 1  t n k 1; s f

29 ian. 2011 Prof.univ.dr. Dorin JULA 23

29 ian. 2011 Prof.univ.dr. Dorin JULA 24

1. Modele cu ecuaţii simultane

29 ian. 2011 Prof.univ.dr. Dorin JULA 26

Dacă este ignorată evoluţia simultană a variabilelor din sistem, iar

29 ian. 2011 Prof.univ.dr. Dorin JULA 27

Exemplu: modelul în formă structurală de determinare simultană a

29 ian. 2011 Prof.univ.dr. Dorin JULA 28

(1) Wt = α + βPt + γEt + et → AW t = Aα + AβPt + AγEt + Aet

AW t + BPt = Aα + AβPt + AγEt + Aet + Bλ + BμW t + Bεt,

Wt = α + βPt + γEt + et – ecuaţia (1)

29 ian. 2011 Prof.univ.dr. Dorin JULA 29

Condiţia de rang (condiţie suficientă)

29 ian. 2011 Prof.univ.dr. Dorin JULA 30

Metoda variabilelor instrumentale (metoda IV)

Baltagi B.H., 2008, Econometrics, Springer, p.253-294

29 ian. 2011 Prof.univ.dr. Dorin JULA 31

1.1. Variabile calitative pentru modificarea termenului liber

Pentru două grupe Pentru trei grupe

y a10  a1x  e, pentru primul grup

0, pentru grupurile 1 si 3

0, pentru grupurile 1 si 2

a  a1x  e, pentru al doilea grup