Upload
ovidiu-beres
View
246
Download
0
Embed Size (px)
Citation preview
8/15/2019 068-091 Cap 3. Liniar Multiplu l,l
1/16
Capitolul 3.
MODELUL LINIAR MULTIPLU
3.1. Forma modelului
În general fenomenele economice pe care dorim să le modelăm prin econometrie sunt complexe şi pot fi reprezentate printr-un model liniar simplu. Modelul liniar multiplu corespunde mai bine acesnecesităţi, introducând mai multe variabile explicative.
t kt k t t t xa xa xaa y ε +++++= ...22! T t ,...,= "#. $
• t indexează observaţiile
• T numărul de observaţii
• t y variabila endogenă la momentult "sau observaţia cu rangult $
• t x
este realizarea variabilei explicative la momentult
"sau observaţia cu rangult $• t x 2 este realizarea variabilei explicative 2 la momentult "sau observaţia cu rangult $.......• kt x este realizarea variabilei explicativek la momentult "sau observaţia cu rangult $
• t ε este realizarea %nt a variabilei reziduale
• k aaaa ,...,,, 2! parametrii de estimat ai modelului.
&ub forma din ecuaţia #. modelul este greu de utilizatat, fapt pentru care vom prefera o formă m
condensată, matricială. 'acă rescriem modelul observaţie cu observaţie, obţinem(
T kT k T T T
t kt k t t t
k k
k k
xa xa xaa y
xa xa xaa y
xa xa xaa y
xa xa xaa y
ε
ε
ε
ε
+++++=
+++++=
+++++=+++++=
...
.......
...
.......
...
...
22!
22!
222222!2
22!
ceea ce sub formă matricială "%ntre paranteze numărul de linii şi respectiv de coloane$ devine(
$,"$,"$,"$," T k
a
k T
X
T
Y ε +
+
⋅
+
="#.2$
unde(
)*
8/15/2019 068-091 Cap 3. Liniar Multiplu l,l
2/16
=
T
t
y
y
y
y
Y
...
...2
=
kT T T
kt t t
k
k
x x x
x x x
x x x
x x x
X
...
...............
...
...............
...
...
2
2
222
2
=
k a
a
a
a
a
...2
!
=
T
t
ε
ε
ε
ε
ε
...
...2
+rima coloană a matricei X conţine doar valoarea , care corespunde coeficientului!a . stfel matricea X are
T linii şik coloane "k variabile explicative plus constanta$.
3.2. Estimarea parametrilor
onsiderăm modelul sub formă matricială, cuk variabile explicative şiT observaţii(ε +⋅= a X Y
+entru estimarea componentelor vectoruluia , având ca şi componente coeficienţii k aaaa ,...,,, 2!aplicăm ca şi la modelul liniar simplu metoda patratelor minime "M+M$, minimizând suma patrateerorilor.
/otăm( ∑=
=T
t t S 2
ε
$000020min"
$000000min" $"$0min"
$0min"min 2
Xa X aY X aY Y
Xa X aY X a XaY Y Y XaY XaY
T
t t
+−=+−−=
−−=
=∑=
ε ε ε
"#.#$
unde (0ε este vectorul transpus al luiε 10a este vectorul transpus al luia 10Y este vectorul transpus al luiY 10 X este transpusa matricii X .
+entru a minimiza expresia, derivăm %n raport cua (
!0202 =+−=∂∂ a X X Y X
aS "#.3$
⇒ Y X X X a 0$0" −= "#.4$
ceastă soluţie este realizabilă dacă matricea patratică X X 0 este inversabilă. Matricea este esteneinversabilă doar %n caz de coliniaritate perfectă %ntre oricare două variabile explicative.
3.3. Ipote e !u"dame"tale asupra modelului
+entru o analiză mai detaliată a importanţei lor, a se vedea 'ormont, 555, Maddala, 5*6 sau 7reen, 2!!6.• 8 ( !$" =t E ε 1 variabila reziduală este de medie nulă 1
• 8 2( t y şi t x reprezintă valori numerice observate fără erori)5
8/15/2019 068-091 Cap 3. Liniar Multiplu l,l
3/16
• 8 #( Modelul este liniar %n raport cut x sau o transformare a lui t x "logaritm, inversiune, etc.$ 1
• 8 3( t E t ∀= $" 22 σ ε "varianţa perturbaţiilor este constantă, indiferent det $
• 8 4( !$,cov" 0 =t t ε ε "erorile nu sunt corelate$ 1
• 8 ) ( !$,cov" =t it x ε k i ,...,2,=∀
perturbaţiile sunt independente %n raport cu variabilaele explicative 1• 8 6( t N t ∀≈ $,!" 2σ ε
+e lângă aceste ipoteze %ntâlnite şi la modelul liniar simplu, mai avem şi ipoteze structurale, care ţin de fmodelului(• 8 *( variabilele explicative nu sunt coliniare. ceasta implică existenţa matricei inverse a lui$0" X X ,
respectiv $0" − X X 1
• 8 5(T
X X $0" tinde spre o matrice finită nesingulară 1
• 8 ! ( +> k T , adică numărul de observaţii este mai mare decât numărul de variabile explicative pluconstanta.În cazul +> k T s-ar obţine un sistem de ecuaţii nedeterminat.În cazul += k T s-ar obţine un sistem deT ecuaţii cuT necunoscute perfect determinat.
3.#. Propriet$%ile estimatorilor
&ub formă matricială, modelul poate fi scris sub diferite forme(ε +⋅= a X Y
a X Y ⋅=9bţinem(
ε
ε
ε
0$0"
0$0"$"0$0"
$"0$0"
0$0"
X X X a
X X X Xa X X X
Xa X X X
Y X X X a
−
−−
−
−
+=+=
+==
"#.)$
'ar cunoaştem că !$" =ε E ,⇒ a E X X X aa E =+= − $"0$0"$" ε "#.6$
deci estimatorul este nedeplasat(aa E =$" "#.*$
alculăm matricea varianţelor şi covarianţelor coeficienţilor modeluluiaΩ (
:$$";" −−−=Ω aaaa E a "#.5$
'in #.) avem (ε 0$0" X X X aa −=−
şi deci(
6!
8/15/2019 068-091 Cap 3. Liniar Multiplu l,l
4/16
$0"0$0" −=− X X X aa ε
deoarece $0" − X X este o matrice simetrică.
$0"00$0"$0$"" −−=−− X X X X X X aaaa εε
de unde obţinem(
$0"$0"0$0"$0$"" −−=−−=Ω X X X E X X X aaaaa εε "#. !$
/otând cu( ε εε Ω=$0" E matricea varianţelor şi covarianţelor luiε şi ţinând cont de ipotezele de
8/15/2019 068-091 Cap 3. Liniar Multiplu l,l
5/16
$1"$"$0" −−+− ≈−Ω−+ k T k a Fisher aaaak
Teste re!eritoare la u" *oe!i*ie"t
>estăm egalitatea unui coeficient cu o valoare datăCa "utilizăm această notaţie, deoarece am notat cua
vectorul parametrilor.
C(
C(!aa H
aa H
i
i
≠=
Dtim din 2. 3 că $" −−≈−
k T a
ii Student aa
iσ
. &ub ipoteza ! H , rezultă(
$"C
−−≈=−
k T aa
ii Student t aa
i
iσ
"#. 4$
- dacăα
C −−> k T a t t i respingem ! H , deci ia este semnificativ diferit de Ca "cu un risc de Eα $- dacă α C −−≤ k T a t t i acceptăm ! H , deci ia nu este semnificativ diferit de Ca "cu un risc de Eα $În cele mai multe situaţii dorim să testăm nulitatea coeficienţilor pentru a şti dacă o variabilă explicativă e%ntr-adevăr semnificativă, ceea ce devine un caz particular al ipotezei de mai sus, pentru care!C =a . Felaţia#. 4 devine(
$"C
−−≈= k T aa
i Student t a
i
iσ
"#. )$
&e poate construi astfel un interval de %ncredere pentru coeficientulia (
α σ σ α α −=+≤≤− −−−− $"+rob ii ak T iiak T i t aat a "#. 6$
Test re!eritor la u" a"sam+lu de *oe!i*ie"%i
>estăm simultan egalitatea unui ansamblu de coeficienţi din modelul de regresie cu un ansamblu de valfixate.
C
C!
((
mm
mm
aa H aa H
≠=
Bfectuăm testul cu privire lam coeficienţi, deci ma şi respectiv Cma sunt vectori de dimensiunem (
$1"C$"$0" −−
− ≈=−Ω− k T mammamm Fisher F aaaam mm "#. *$
- dacă α $1"C −−≤ k T ma F F m acceptăm ! H , deci ma nu este semnificativ diferit deCma "cu un risc de Eα $
- dacă α $1"C −−≤ k T ma F F m respingem ! H , deci ma este semnificativ diferit deCma "cu un risc de Eα $.
'esigur şi pentru testul cu privire la un ansamblu de coeficienţi, dorim să testăm cel mai adesea nulitatea lo>estul devine(
62
8/15/2019 068-091 Cap 3. Liniar Multiplu l,l
6/16
mm
mm
a H
a H
!(
!(!≠=
unde m! este vectorul nul de dimensiunem (
$1"C0 −−
− ≈=Ω k T mamam Fisher F aam mm "#. 5$
3.,. A"ali a (aria"%ei
a şi %n cazul modelului liniar simplu, avem următoarele relaţii($ &uma reziduurilor este nulă(
∑=
=T
t t !ε .
2$ Media "suma$ seriei variabilei endogene este egală cu media "suma$ seriei aGustate(
∑∑==
=T
t t
T
t t y y
t t y y =
'in aceste două relaţii putem deduce ecuaţia de analiză a varianţei(
SPRSPE SPT
y y y yT
t t
T
t t
T
t t
$"$" 222
+=
+−=− ∑∑∑===
ε "#.2!$
Suma patratelor totală (SPT) Suma patratelor expli!ată (SPE) "" Suma patratelor re#iduală (SPR)
Bcuaţia ne permite să apreciem global calitatea aGustării modelului. ceasta este cu atât mai bunăcât varianţa "suma patratelor$ reziduală este mai mică. +entru că valoarea ei depinde de unitatea de măsuvariabilei, preferăm un parametru adimensionat(
2
2
2
2
2
$"$"
$"
∑∑
∑∑
=
=
=
=
−−=
−
−= T
t t
T
t
t
T
t t
T
t
t
y y y y
y y
R
ε
"#.2 $
care este de fapt raportul dintre varianţa explicată şi cea totală.2 R se numeşte coeficient de determinaţie, iar
R coeficient de corelaţie liniară multiplă.Dtim că dacă numărul de observaţiiT este egal cu numărul de variabile explicative plus constanta
"k $ funcţia trece prin toate punctele de coordonate reprezentate de observaţii. baterile fiind nucoeficientul de determinaţie va fi egal cu , dar puterea explicativă a modelului este nulă. tunci câ
numărul de observaţii este relativ mic %n raport cu numărul de variabile explicative calculăm un2 R corectat,
pe care %l notăm cu2 R (
6#
8/15/2019 068-091 Cap 3. Liniar Multiplu l,l
7/16
$" 22 Rk T
T R −−−
−−= "#.22$
naliza varianţei permite estimarea semnificativităţii globale a modelului de regresie. >estul formulează astfel(
nenulcoeficientun putincelexista(
!...( 2! H
aaa H k ====
/ulitatea termenului constant !a nu ne interesează, ci doar variabilele explicative. 9ricum, un model %n car
numai termenul constant este semnificativ nu are sens economic. 'acă ipoteza! H este acceptată %nseamnă
că nu există nici o relaţie liniară semnificativă %ntre variabila endogenă şi cele explicative, adicăSPE nu estesemnificativ diferită de !. +e baza ecuaţiei de analiză a varianţei(
∑∑∑===
+−=−T
t t
T
t t
T
t t y y y y
222 $"$" ε
construim tabloul de analiză a varianţei(
>abelul #. ( naliza varianţei&ursa variaţiei &uma patratelor /umărul gradelor
de libertate$aria%ilele expli!ati&e (
k x x x ,...,, 2 )
2$"∑=
−=T
t t y ySPE k
$aria%ila re#iduală ∑=
=T
t t SPR2
ε −− k T
Total 2$"∑= −=
T
t t y ySPT −T
&e construieşte raportul(
$H"$"H
$H"
H$"
C 22
2
2
−−−=
−−
−=
∑∑
=
=
k T Rk R
k T
k y y
F T
t t
T
t t
ε
"#.2#$
'in ipoteza de normalitate e erorilor şi sub ipoteza! H rezultă că C F urmează o distribuţie =is k T k F F respingem ipoteza ! H , modelul este global explicativ1
- dacă α $,"C −−≤ k T k F F acceptăm ipoteza ! H , modelul nu este global explicativ.
3.-. aria+ile i"di*atoare )" modelul li"iar multiplu
63
8/15/2019 068-091 Cap 3. Liniar Multiplu l,l
8/16
În anumite situaţii dorim să integrăm %ntr-un model un factor explicativ binar de tipul I un fenomare loc sau nu J sau un factor cu două valori posibile I bărbat H femeie J sau I a mai avut H nu a mai aaccident J. +entru a modela astfel de fenomene apelăm la variabile indicatoare, care pot lua doar două valo! sau . Modelul de regresie diferă după apariţia H neapariţia fenomenului doar prin valoarea unui coeficiiar ceilalţi coeficienţi rămân identici.
- %n cazul existenţei fenomenului(t kt k t t t xa xa xaa y ε +++++= ...22! T t ,...,= "#.24$
- %n cazul inexistenţei fenomenului(
t kt k t t t xa xa xa% y ε +++++= ...22! T t ,...,= "#.2)$
+utem scrie aceste două ecuaţii sub forma unei ecuaţii unice(
t kt k t t t t xa xa xa (a% y ε +++++−= ...$" 22!! "#.26$
unde( =t ( atunci când fenomenul există 1
!=t ( atunci când fenomenul nu există.&e %ncorporează deci o variabilă explicativă suplimentară faţă de modelul iniţial şi se aplică metodele clde estimare.
3./. Pre(i iu"ea (aria+ilei e"do0e"e pri" re0resia li"iar$ multipl$
+roblema se pune ca şi la modelul liniar simplu de a estima valoarea variabilei endogene pentru uansamblu cunoscut de valori ale variabilelor explicative. +resupunem modelul estimat sub forma(
t kt k t t t xa xa xaa y ε +++++= ...22! "#.2*$Kaloarea punctuală previzionată pentru observaţia+t este(
22! ... ++++ ++++= kt k t t t xa xa xaa y "#.25$
Broarea de previziune este(
+++ −= t t t y yε "#.#!$
Kaloarea estimată +t y este nedeplasată dacă ipotezele modelului liniar multiplu sunt respectate.
+reviziunea se poate realiza astfel doar dacă valorile variabilelor explicative sunt cunoscute c
exactitate. În cazul %n care acestea sunt probabiliste este necesară o altă abordare. Bste cazul seriilor de de exemplu pentru care s-a dezvoltat o teorie diferită.
Karianţa erorii de previziune este egală cu(
:$0"0;22 +−
++=+ t t X X X X t ε ε σ σ "#.# $
unde
=
+
+
+
+ 2
...kt
t
t
t
x
x
x
X este matricea "vectorul$ valorilor variabilelor explicative pentru observaţia+t .
64
8/15/2019 068-091 Cap 3. Liniar Multiplu l,l
9/16
Bxpresia varianţei erorii de previziune a fost dată fără demonstraţie. +entru detalii privind deducereei vezi 'ormont " 55*$.
Broarea de previziune este distribuită normal de medie nulă şi varianţă2 +t ε σ (
$,!" 2+
≈+ t N t ε σ ε
'acă %nlocuim 2ε σ cu estimatorul său(
∑=−−
=T
t t k T 22
ε σ ε
atunci(
$"2 :$0"0; −−+−
+
++ ≈+
−k T
t t
t t Student X X X X
y y
ε σ
"#.#2$
a şi la modelul liniar simplu, varianţa erorii de previziune este cu atât mai mică cu cât varianţa rezidueste mai mică şi valorile variabilelor explicative se apropie de mediile lor. +utem construi şi un interval%ncredere pentru valoarea previzionată a variabilei endogene(
( ) α σ σ ε α ε α −=+≤≤− ++ −−++−−++rob t t k T t t k T t t y yt y "#.##$unde(
[ ]2 $0"0 +−+=
+⋅−−= ∑+ t t T
t t X X X X k T t
ε σ ε "#.#3$
E er*i%iul 3.1
+resupunem că o variabilă t y este influenţată de factorii t x , t x 2 , t x # . 'ispunem de 2# de observaţii cu
privire la realizările acestor variabile.
>abelul #.2 /r.crt.
t y t x t x 2 t x # /r.crt.
t y t x t x 2 t x #
)# ))5 6,3 )5 # 254 *)5 !,# )62 #* *62 !,4 64 3 24) *23 6,4 **# 344 5 3,# )3 4 #!5 )6) #,! )33 34 5## 2,4 *4 ) 2*) **4 #,2 )64 #6# ))* 4,# 5! 6 #65 65 ,* )!) #2 6## #,* ) * 324 ) #,5 *)6 # ) 5## 4,! *4 5 3!3 !63 ,4 )3* 3 ! )4 !,6 63 2! ##! 664 ),! *55 #3* 5#2 *,2 6! 2 #43 642 *,5 6)! #*# *3! *, )) 22 #*3 63! 4, *4
#*) 5! 2,! *6 2# 2## 45! 5,# )22 )# ))5 6,3 )3
6)
8/15/2019 068-091 Cap 3. Liniar Multiplu l,l
10/16
&e cere(
$ În ipoteza unei legături liniare multiple dintret y şi factorii t x , t x 2 , t x # să se calculeze estimatorii
parametrilor.
2$ &ă se testeze nulitatea fiecărui parametru.#$ &ă se stabilească intervale de %ncredere la un prag de 54E pentru parametrii modelului.3$ &ă se testeze simultan nulitatea tuturor coeficienţilor din modelul de regresie.4$ &ă se calculeze 2 R şi 2 R .)$ &ă se construiască tabloul de analiză a varianţei şi testul =is
8/15/2019 068-091 Cap 3. Liniar Multiplu l,l
11/16
2*,## =a
2$ +entru testarea ipotezelor de nulitate a parametrilor avem nevoie de varianţa fiecărui estimator. ceste pot deduce din matricea de varianţe şi covarianţe a parametrilor "vezi relaţia #. #$(
2 $0" −=Ω X X a ε σ
unde estimatorul varianţei variabilei reziduale este dat de(02
−−=
k T
ε ε σ
ε
>abelul #.# ( alculul reziduurilor din estimare /r. crt. t y
t
t t
x
x y
2 2*,#!)4,
2)3#,!4#!,2!
+⋅−⋅+= t ε
)# 22!.)4 -46.)42 #* #)5.32 .4*
# 344 #66.2* 66.623 34 #53.6 4).#4 #6# #!5.#2 )#.)*) #2 242.#* )*.)26 # ) #)6.!3 -4 .!3* 3 ! 33 .42 -# .425 #3* #54.!5 -36.!5! #*# #45.#6 2#.)#
#*) #5*.!# - 2.!#2 )# 2!4.! -32.!
# 254 #34.*2 -4!.*23 24) # 5.54 -)#.544 #!5 244.44 4#.34) 2*) # 6.5) -# .5)6 #65 #*5.2) - !.2)* 324 332.) - 6.)5 3!3 #66.#3 2).))
2! ##! #2).62 #.2*2 #43 #4*.43 -3.4322 #*3 # 3.52 )5.!*2# 2## 2)6.4 -#3.4
∑∑==
=−−=−−=2#
22#
22
50
t t
t t k T k T
ε ε ε ε
σ ε
2353,!442 =ε σ
2
)2#,545!
............
644,!*62
)53,6))5
)2...64)5
#,5...4,!3,6
45!...*62))5
...
!44,2353$0"
−
−
⋅
⋅==Ω X X a ε σ
6*
8/15/2019 068-091 Cap 3. Liniar Multiplu l,l
12/16
=Ω
, 3*)4*.3*!32-!,!!265-)#,##6!#-
,3*!32-4,5 25!!,!35!!)#6,56!)-
!,!!265-!,!35!!)!,!!#45*3#,446546-
)#,##6!#-#6,56!)-#,446546-5)4),*44
a
+entru toate testele cu privire la câte un parametru, vom avea (
!5#,2!4,!2# ==−− t t k T α
• +entru parametrul !a (
!5#,22,!*44,5)4)
4#,2!
!
!
8/15/2019 068-091 Cap 3. Liniar Multiplu l,l
13/16
54,!$4,#6!,**3"+rob # =≤≤ a
3$ @a latitudinea cititorului.
4$ +entru calculul lui 2 R folosim formula(
2
2
2
2
2
$"$"
$"
∑∑
∑∑
=
=
=
=
−−=
−
−= T
t t
T
t t
T
t t
T
t t
y y y y
y y R
ε
!,))2#3!# ,2
36#*6,!4
$#4,##5" 2
2
2 =−=−
−=∑
∑
=
=T
t t
T
t t
y R
ε
+entru calculul lui 2 R corectat, notat cu 2 R , folosim(
$" 22 Rk T
T R −−−
−−=
)!*5,!$))2#,!"#2#
2#2 =−−−−−= R
)$ +entru tabloul de analiză a varianţei, calculăm(
52523, 4$"
2#2
=−= ∑=t i y ySPE 36#*6,!4
2#2 == ∑
=t t SPR ε
3!# ,2$"2!
2 =−= ∑=t
i y ySPT
>abelul #.3 ( naliza varianţei
&ursa variaţiei &uma patratelor /umărul gradelor de libertate$aria%ilele expli!ati&e (
k x x x ,...,, 2 ) 52523, 4=SPE #
$aria%ila re#iduală 36#*6,!4=SPR 5
Total 3!# ,2=SPT 22
*!
8/15/2019 068-091 Cap 3. Liniar Multiplu l,l
14/16
$H"$"H
$H"
H$"
C 22
2
2
−−−=
−−
−=
∑∑
=
=
k T Rk R
k T
k y y
F T
t t
T
t t
ε
3, 535H#H
C ==SPRSPE
F
'in tabelele cu distribuţia =is
8/15/2019 068-091 Cap 3. Liniar Multiplu l,l
15/16
. regress Y X1 X2 X3
Source | SS df MS Number of obs = 23---------+----------------------- F( 3, 19) = 12.42Model | 92924.1 3 30974.7 rob ! F = 0.0001"es#du$l | 473%7.0 19 2494.0& "-s'u$red = 0. 23-------------+------------------- d* "-s'u$red = 0. 0%9
o $l | 140311.1 22 377.7% "oo MS = 49.941
------------------------------------------------------------ | /oef. S d. r. !| | 9& /o f. er 5---------+-------------------------------------------------- 61 | .2 42& .0&99% 4.41 0.000 .13%70 .3%9%1 62 | -11.0 & 3.9%90 -2.77 0.012 -19.41 -2.71& 63 | 3.12%0 1.0717 2.92 0.009 .%%4%& &.371 co s | 20.&29 9%.2 9 0.21 0.%37 -1%&.1 22 .2------------------------------------------------------------
+entru a compara intervalul de %ncredere obţinut pentru regresia multiplă cu intervalele de %ncredere ob prin regresiile simple, estimăm parametrii celor trei modele simple tot cu &> > (
. regress Y X1
Source | SS df MS Number of obs = 23---------+------------------------ F( 1, 21) = 17.0&Model | 2% %.& 1 2% %.& rob ! F = 0.000&"es#du$l | 77442. 21 3 %7.74 "-s'u$red = 0.44%1---------+------------------------ d* "-s'u$red = 0.421%
o $l | 140311.2 22 377.7% "oo MS = 0.727
------------------------------------------------------------ | /oef. S d. r. !| | 9& /o f. er 5--------+--------------------------------------------------- 61 | .294 2 .0713 & 4.13 0.000 -49.1%7 .44307 co s| %2.7220 3.4299 1.30 0.20 -1%&.1& 214. 3------------------------------------------------------------
. regress Y X2
Source | SS df MS Number of obs = 23---------+------------------------ F( 1, 21) = 3.&Model | 203&%.& 1 203&%.& rob ! F = 0.0729
"es#du$l | 1199&2.7 21 &712.03 "-s'u$red = 0.14&1---------+------------------------ d* "-s'u$red = 0.1044o $l | 140311.2 22 377.7% "oo MS = 7&.&7%
------------------------------------------------------------ | /oef. S d. r. !| | 9& /o f. er 5---------+-------------------------------------------------- 62 | -10.470 &.&4 17 -1.%9 0.073 -22.004 1.0 33 co s | 473.9 3 73.02&2 .49 0.000 322.09% 2&.%2------------------------------------------------------------
. regress Y X3
Source | SS df MS Number of obs = 23
*2
8/15/2019 068-091 Cap 3. Liniar Multiplu l,l
16/16
---------+------------------------ F( 1, 21) = 1.&0Model | 9347. 4 1 9347. 4 rob ! F = 0.2344"es#du$l | 1309 3.& 21 23 .3 "-s'u$red = 0.0---------+------------------------ d* "-s'u$red = 0.0222
o $l | 140311.2 22 377.7% "oo MS = 7%.971
------------------------------------------------------------ | /oef. S d. r. !| | 9& /o f. er 5---------+-------------------------------------------------- 63 | 1.94& 4 1.&%919 1.22 0.234 -1.3&92 &.2&0& co s | 19&.70% 11%.474 1. & 0.113 -&0. 72 442.0%------------------------------------------------------------
=ără a detalia calculele, prezentăm comparativ pentru cele trei modele simple şi pentru modelul multiintervalele de %ncredere "54E$ pentru estimarea variabilei endogene.
Kariabilaendogenă
Kariabileexogene
2 R Lnterval de%ncredere
Broare limităabsolută
Broare limitărelativă "E$
Y X !,33* "2 2,3 1 36 ,6$ 25,6 #6,5
Y 2 X !, 34 " * ,6 1 4!3,4$ ) ,3 36,!
Y # X !,!))) " 6#,! 1 4 !,#$ )*,) 35,3
Y X , 2 X ,
# X
!,))2# "232,6 1 34), $ !),* #!,)
&e observă o eroare limită mai mică la modelul multiplu şi deci o estimare mai precisă a variabilei endog
@a modelele simple se observă o precizie cu atât mai bună cu cât2 R este mai mare. cest fapt este perfect
coerent, deoarece atât 2 R cât şi eroare de estimare depind %n bună măsură de varianţa reziduală.
*#