b) Utilizând pachetul de programe EViews în vederea estimării parametrilor modelului au fost

obţinute următoarele rezultate:

Tabelul 2
Dependent Variable: Y
Method: Least Squares
Sample: 1 10
Included observations: 10
Semnif. Semnif. Semnif.
Variable Coefficient Std. Error t-Statistic Prob.
ind. ind. ind.
C 0,2409 0,0523 4,6111 0,0017
X 0,0122 0,0006 21,0187 0,0000
R-squared 0,9822 Mean dependent var 1,23
Adjusted R-
S.D. dependent var 0,5078
squared 0,9800
S.E. of
Akaike info criterion -2,252 AIC
regression 0,0718

Sum squared
0,0413 Schwarz criterion -2,1915 SC
resid

Log likelihood 13,2602 L F-statistic 441,7857 Fc

Durbin-Watson
1,86 Prob(F-statistic) 0,0000 p(F)
stat

Semnificaţia indicatorilor necunoscuţi pe care-i calculează pachetul de programe EViews este

următoarea:
probabilitatea asociată parametrului â, respectiv . O valoare cât mai apropiată
de zero a acestei probabilităţi va indica o semnificaţie ridicată a parametrului respectiv, în caz contrar,
aceasta confirmând, împreună cu testul t, faptul că parametrul respectiv este nesemnificativ.
= coeficientul de deteminare corectat sau ajustat. Acesta este utilizat în vederea evidenţierii
numărului de variabile factoriale cuprinse în model, precum şi a numărului de observaţii pe baza
cărora au fost estimaţi parametrii modelului. În cazul unui model multifactorial acesta va înregistra
valori inferioare coeficientului de deteminaţie. Expresia acestui indicator este următoarea:
n 1
Rc2 1  1  R 2 
n k
L= logaritmul funcţiei de verosimilitate (presupunând că erorile sunt normal distribuite),
funcţie ce este determinată ţinând seama de valorile estimate ale parametrilor. Relaţia de calcul a
acestui indicator, utilizată de către pachetul de programe EViews, este următoarea:

unde: suma pătratelor erorilor;

k = numărul variabilelor exogene;
n = numărul de observaţii.
Acest indicator este utilizat în vederea elaborării unor teste statistice destinate depistării
variabilelor omise dintr-un model econometric, precum şi a unor teste destinate depistării variabilelor
redundante dintr-un model econometric, ca, de exemplu, testul LR sau raportul verosimilităţilor
(Likelihood Ratio).
= media variabilei dependente sau endogene, având următoarea relaţie de calcul:

1
 = abaterea medie pătratică (standard) corespunzătoare variabilei dependente, a cărei relaţie
de calcul este următoarea:

AIC = criteriul Akaike este utilizat în cazul comparării a două sau mai multe modele
econometrice. Relaţia de calcul a acestuia, utilizată de către pachetul de programe EViews, este
următoarea:

Regula de decizie utilizată în cazul aplicării acestui test este aceea potrivit căreia este ales acel
model econometric pentru care s-a obţinut valoarea cea mai mică corespunzătoare acestui
indicator.
SC = criteriul Schwartz este, de asemenea, utilizat pentru a compara două sau mai multe
modele econometrice. Relaţia de calcul a acestuia, utilizată de către pachetul de programe EViews,
este următoarea:

Şi în acest caz, este ales acel model econometric pentru care s-a obţinut valoarea cea mai
mică corespunzătoare acestui indicator.
p(F) = probabilitatea asociată statisticii F. O valoare cât mai apropiată de zero a acestei
probabilităţi va indica o semnificaţie ridicată a rezultatelor estimării, respectiv a modelului.
Pe baza estimatorilor parametrilor au fost calculate valorile estimate ale variabilei y,
şi ale variabilei reziduale, . Valorile acestora sunt prezentate în
cadrul tabelului 3 (utilizând pachetul de programe EViews):

Tabelul 3.
Actual Fitted Residual Residual Plot
(graficul reziduurilor)
Actual Fitted Residual Residual Plot
0.5 0.48515 0.01485 | . |* . |
0.7 0.60726 0.09274 | . | .* |
0.8 0.85147 -0.05147 | .* | . |
1 0.97358 0.02642 | . | * . |
1.1 1.21779 -0.11779 |* . | . |
1.3 1.33990 -0.03990 | . * | . |
1.4 1.46200 -0.06200 | .* | . |
1.6 1.58411 0.01589 | . |* . |
1.8 1.70621 0.09379 | . | . * |
2.1 2.07253 0.02747 | . | * . |

- dispersia variabilei reziduale

unde: k = numărul variabilelor exogene.

(vezi tabelul afişat de programul EViews)

2
 - abaterea medie pătratică a variabilei reziduale, :

(vezi tabelul afişat de programul EViews)

- abaterile medii pătratice ale celor doi estimatori:

(vezi tabelul afişat de programul EViews)

- raportul de corelaţie:

(vezi tabelul afişat de programul EViews)

- variabila Durbin-Watson, d:

(vezi tabelul afişat de programul EViews)

c) Estimatorii obţinuţi cu ajutorul M.C.M.M.P. sunt estimatori de maximă

verosimilitate dacă pot fi acceptate următoarele ipoteze:
c1) Variabilele observate nu sunt afectate de erori de măsură.
Această condiţie se poate verifica cu regula celor trei sigma, regulă care constă în
verificarea următoarelor relaţii:

Pe baza datelor din tabelul 2., coloanele 6, 10, se obţin:

Deoarece valorile acestor variabile aparţin intervalelor şi

, ipoteza de mai sus poate fi acceptată fără rezerve.
3
 c2) Variabila aleatoare (reziduală) u este de medie nulă , iar dispersia ei
este constantă şi independentă de X - ipoteza de homoscedasticitate, pe baza căreia se poate
admite că legătura dintre Y şi X este relativ stabilă.
Verificarea ipotezei de homoscedasticitate a erorilor în cazul acestui model se va realiza cu
ajutorul testului White.
Aplicarea testului White presupune parcurgerea următoarelor etape:
- estimarea parametrilor modelului iniţial şi calculul valorilor estimate ale variabilei
reziduale, u;
- construirea unei regresii auxiliare, bazată pe prespunerea existenţei unei relaţii de
dependenţă între pătratul valorilor erorii, variabila exogenă inclusă în modelul iniţial şi
pătratul valorilor acesteia:

şi calcularea coeficientului de determinare, R2, corespunzător acestei regresii auxiliare;

- verificarea semnificaţiei parametrilor modelului nou construit, iar dacă unul dintre
aceştia este nesemnificativ, atunci ipoteza de heteroscedasticitate a erorilor este acceptată.
Există două variante de aplicare a testului White:
- utilizarea testului Fisher –Snedecor clasic, bazat pe ipoteza nulităţii parametrilor,
respectiv:
H0:
Dacă ipoteza nulă, potrivit căreia rezultatele estimării sunt nesemnificative (
), este acceptată, atunci ipoteza de homoscedasticitate se verifică, cazul contrar
semnificând prezenţa heteroscedasticităţii erorilor.
- utilizarea testului LM, calculat ca produs între numărul de observaţii
corespunzătoare modelului, n, şi coeficientul de determinare, R2, corespunzător acestei
regresii auxiliare. În general, testul LM este asimptotic distribuit sub forma unui χ , pentru
care numărul gradelor de libertate este egal cu: , unde k = numărul variabilelor exogene,
respectiv:
~χ
Dacă χ , erorile sunt heteroscedastice, în caz contrar, sunt
homoscedastice, respectiv ipoteza nulităţii parametrilor, , este acceptată.
Aplicarea testului White s-a realizat utilizând pachetul de programe EViews:

Tabelul 4
White Heteroskedasticity Test:
F-statistic 0.268194 Probability 0.772275
Obs*R-squared 0.711731 Probability 0.700567

Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Sample: 1 10
Included observations: 10

Variable Coefficient Std. Error t-Statistic Prob.

C 0.0006 0.0065 0.0954 0.9267
4
 0.0001 0.0002 0.6757 0.5209
-7.56E-07 1.05E-06 -0.7233 0.4929

R-squared 0.0712 Mean dependent var 0.0041

Adjusted R-squared -0.1942 S.D. dependent var 0.0047
S.E. of regression 0.0052 Akaike info criterion -7.4612
Sum squared resid 0.0002 Schwarz criterion -7.3704
Log likelihood 40.3058 F-statistic 0.2682
Durbin-Watson stat 3.0191 Prob(F-statistic) 0.7723

Analizând rezultatele afişate de programul EViews se constată că

şi χ , iar estimatorii parametrilor
modelului sunt nesemnificativi pentru un prag de semnificaţie ( ), deci
ipoteza de homoscedasticitate se verifică.
c3) Valorile variabilei reziduale sunt independente, respectiv nu există fenomenul
de autocorelare a erorilor.
Verificarea ipotezei de independenţă a erorilor în cazul acestui model va fi realizată cu
ajutorul testului Durbin-Watson şi constă în calcularea termenului empiric:

şi compararea acestei mărimi „ d ” cu două valori teoretice şi , preluate din tabela

Durbin-Watson (vezi anexa nr. 1) în funcţie de un prag de semnificaţie , arbitrar ales, de
numărul variabilelor exogene şi de valorile observate .
Acceptarea sau respingerea ipotezei de independenţă a erorilor se bazează pe o
anumită regulă, care constă în:
- dacă autocorelare pozitivă;
- dacă indecizie, recomandându-se acceptarea autocorelării pozitive;
- dacă erorile sunt independente;
- dacă indecizie, recomandându-se acceptarea autocorelării
negative;
- dacă autocorelare negativă.
Pe baza datelor problemei, valoarea empirică a variabilei Durbin-Watson este:

Lucrând cu un prag de semnificaţie , numărul variabilelor exogene fiind ,

iar numărul observaţiilor , din tabela distribuţiei Durbin-Watson se citesc valorile
(pentru cazul ) şi .
Deoarece , se poate accepta ipoteza de independenţă
a valorilor variabilei reziduale.
c4) Verificarea ipotezei de normalitate a valorilor variabilei reziduale
Se ştie că, dacă erorile urmează legea normală de medie zero şi de abatere medie
pătratică (consecinţa ipotezelor c1, c2, c3), atunci are loc relaţia:
.

5
 Verificarea ipotezei de normalitate a erorilor se va realiza cu ajutorul testului Jarque-
1
Berra , care este şi el un test asimptotic (valabil în cazul unui eşantion de volum mare), ce
urmează o distribuţie hi pătrat cu un număr al gradelor de libertate egal cu 2, având
următoarea formă:

~χ

unde: n = numărul de observaţii;

S= coeficientul de asimetrie (skewness), ce măsoară simetria distribuţiei erorilor
în jurul mediei acestora, care este egală cu zero, având următoarea relaţie de
calcul:

K = coeficientul de aplatizare calculat de Pearson (kurtosis), ce măsoară boltirea

distribuţiei (cât de „ascuţită” sau de aplatizată este distribuţia comparativ cu
distribuţia normală), având următoarea relaţie de calcul:

Testul Jarque-Berra se bazează pe ipoteza că distribuţia normală are un coeficient de

asimetrie egal cu zero, S = 0, şi un coeficient de aplatizare egal cu trei, K = 3.
Dacă probabilitatea p(JB) corespunzătoare valorii calculate a testului este
suficient de scăzută, atunci ipoteza de normalitate a erorilor este respinsă, în timp ce, în
caz contrar, pentru un nivel suficient de ridicat al probabilităţii ipoteza de normalitate
a erorilor este acceptată, sau dacă χ , atunci ipoteza de normalitate a erorilor
este respinsă.
Utilizând pachetul de programe EViews în vederea calculării testului Jarque-Berra
(vezi figura 3) se constată că χ şi că p(JB) = 0,849. Deoarece
valoarea calculată a testului J-B este mai mică decât valoarea tabelată a lui χ , iar
probabilitatea ca testul J-B să nu depăşească valoarea tabelată este suficient de mare, ipoteza
de normalitate a erorilor poate fi acceptată.

1
EViews, User Guide,Version 2.0, QMS Quantitative Micro Software, Irvine, California, 1995, p. 140-141.
6
 5
Series: Residuals
Sample 1 10
4 Observations 10

Mean -9.54E-17
3 Median 0.015370
Maximum 0.093787
Minimum -0.117789
2 Std. Dev. 0.067726
Skewness -0.152094
Kurtosis 2.167233
1
Jarque-Bera 0.327513
Probability 0.848949
0
-0.15 -0.10 -0.05 0.00 0.05 0.10

Figura 3

d) Estimatorii modelului sunt semnificativ diferiţi de zero dacă:

Lucrând cu un prag de semnificaţie , din tabela distribuţiei Student se preia

valoarea . Comparând această valoare cu valorile calculate pentru cei doi estimatori, se
constată că:
- parametrul este semnificativ diferit de zero;
- parametrul este semnificativ diferit de zero.
Raportul de corelaţie este semnificativ diferit de zero dacă se verifică inegalitatea:
, unde valoarea empirică a variabilei Fisher-Snedecor este:

Din tabela distribuţiei Fisher-Snedeckor, cu un prag de semnificaţie de 5% şi în funcţie de

numărul gradelor de libertate şi se preia valoarea teoretică
. Se constată că , deci pentru un prag de
semnificaţie de 1%, valoarea raportului de corelaţie este semnificativ diferită de zero.
e) Analiza capacităţii de prognoză a modelului privind dependenţa dintre dintre
consumul final real al gospodăriilor populaţiei şi PIB-ul real în România în perioada 1981-
2003 poate fi realizată pe baza indicatorilor statistici propuşi de H. Theil2.
Aceşti indicatori, adaptaţi modelui supus analizei, au fost calculaţi pe baza următoarelor
relaţii:

2
cf. R. S. Pindyck, D. S. Rubinfeld, Econometric Models and Economic Forecasts, 5th ed., Mc Graw-Hill, New
York, 1981, p. 364-366.
7
  coeficientul Theil

ale cărui valori sunt cuprinse în intervalul [0, 1].

Semnificaţia acestui indicator este invers proporţională cu mărimea lui, respectiv cu cât
valoarea acestuia este mai mică, tinzând către zero, cu atât capacitatea de prognoză a
modelului este mai bună.
 ponderea abaterii

unde:
media valorilor teoretice ale variabilei endogene;
media valorilor reale ale variabilei endogene;
dispersia variabilei reziduale necorectată cu numărul gradelor de libertate.
Interpretarea acestui indicator, care evidenţiază existenţa unor erori sistematice, este
aceea că, în cazul ideal3, valoarea sa este egală cu zero, aceasta tinzând către unu în cazul unor
erori de estimare de-a lungul întregii serii de timp.
 ponderea dispersiei

care este definită tot în intervalul [0, 1], aceasta măsurând evoluţia oscilantă a celor două
serii, respectiv seria ajustată şi seria empirică a variabilei endogene. Acest indicator are
aceeaşi semnificaţie ca şi cei precedenţi, respectiv o valoare scăzută indică o capacitate bună
de prognoză, în timp ce o valoare apropiată de unu exprimă o eroare de specificare a
modelului.

 ponderea covarianţei

unde:
r = coeficientul de corelaţie liniară dintre valoarea estimată a variabilei endogene, , şi cea
reală, :

Se poate observa uşor că semnificaţia acestui indicator este analogă cu a celor

menţionaţi anterior.
De altfel cei patru indicatori se regăsesc în următoarea ecuaţie propusă de Theil:
3
Demn de menţionat este faptul că, în cazul estimării parametrilor unui model statistic cu ajutorul metodei
celor mai mici pătrate, valoarea acestui indicator este egală cu zero, acesta fiind discriminant numai în cazul
utilizării altor procedee de estimare cum ar fi, de exemplu, metoda grafică, metoda punctelor empirice sau
metoda punctelor medii.
8
a cărei interpretare se realizează prin intermediul semnificaţiei acestor indicatori.
În urma calculelor efectuate cu ajutorul pachetului de programe EViews în vederea
testării capacităţii de prognoză a modelului privind dependenţa dintre încasările medii lunare
şi suprafaţa comercială au rezultat următoarele informaţii:
Rezultatele testării capacităţii de prognoză a modelului privind dependenţa încasările
medii lunare şi suprafaţa comercială

Tabelul 5
Valoarea
Simbolul
Denumirea indicatorului indicatorul
indicatorului
ui
0 1 2
Coeficientul Theil T 0,0243
Ponderea abaterii TA 0,0000
Ponderea dispersiei TD 0,0045
Ponderea covarianţei TC 0,9955

În urma analizei rezultatelor obţinute se constată că modelul posedă o bună capacitate

de prognoză, ca urmare a valorilor mici înregistrate în cazul coeficientului Theil, a ponderii
abaterii şi a ponderii dispersiei şi, deci, poate fi acceptat în vederea realizării unei prognoze a
încasărilor medii lunare.

2.4
Forecast: YF
2.0 Actual: Y
Forecast sample: 1 10
Included observations: 10
1.6
Root Mean Squared Error 0.064251
1.2 Mean Absolute Error 0.054232
Mean Abs. Percent Error 5.101146
Theil Inequality Coefficient 0.024334
0.8
Bias Proportion 0.000000
Variance Proportion 0.004487
0.4 Covariance Proportion 0.995513

0.0
1 2 3 4 5 6 7 8 9 10

YF

Dacă un antreprenor va dispune de o suprafaţă comercială de 130 m 2 , în

medie, încasările lunare vor fi egale cu:
[Link]
Pe baza ipotezei formulate la punctele precedente, cifra de afaceri y urmează o
distribuţie normală (sau distribuţia Student, dacă ), de medie şi de abatere medie
pătratică , .
Pentru

Estimarea cifrei de afaceri, care se poate obţine dacă suprafaţa va fi de 130 m 2 pe baza
unui interval de încredere se calculează cu relaţia:
9
 Pentru şi , din tabela distribuţiei Student se preia valoarea
variabilei .
Deci, cu un prag de semnificaţie de 0,01 sau cu o probabilitate egală cu 0,99, cifra de
afaceri pe care o va putea realiza întreprinzătorul va fi cuprinsă în intervalul:

10