10916638_770522126351389_1507130397_n
DESCRIPTION
rata somajuluiTRANSCRIPT
Academia de Studii Economice din Bucureti
Facultatea de ManagementInfluena Ratei omajului i a Ratei Infracionalitilor asupra Ratei CriminalitiiProblema A
nregistrai pentru 41 de uniti (judee), valorile specifice ale unei perechi de caracteristici (X i Y) ntre care exist o legtur logic. Datele prezentate sub forma tabelar fac parte din lucrare. 1. Prezentarea problemei (inclusiv descrierea naturii legturii dintre cele dou variabile, conform teoriei economice);
Se nregistreaz un eantion de n=41 orae, cupluri de valori (xi, yi) cu privire la efectul ratei de omaj asupra criminalitii, pentru anul 2005.Tabelul 1. Rata de omaj i criminalitatea, nregistrate pe un eantion de 41 de orae alese din Statistica Teritorial 2013, pentru anul 2005.
NR. CRTJudeRata Criminalitii ( Y )Rata omaj ( X 1 )
1Bihor5755.9
2Bistria Nsud2814.3
3Cluj2784.4
4Maramure3674.5
5Satu Mare2513.4
6Slaj2506.1
7Alba2828.3
8Braov2328.7
9Covasna2368.8
10Harghita4078.5
11Mure2144.6
12Sibiu2156
13Bacu3626.3
14Botoani4346.2
15Iai3327.2
16Neam3305.6
17Suceava3606
18Vaslui42110.1
19Brila3646.8
20Buzu2867.4
21Constana2455.6
22Galai3418.3
23Tulcea3256
24Vrancea3894
25Arge1835.2
26Clrai4109
27Dmbovia3147.4
28Giugiu1385.6
29Ialomia32112.1
30Prahova2096.3
31Teleorman2518.9
32Bucureti-Ilfov2412.4
33Dolj3096.3
34Gorj4049.3
35Mehedini4889.5
36Olt4027.1
37Vlcea2896.4
38Arad2643.4
39Cara Severin2437.9
40Hunedoara3769.4
41Timi2122.3
Din teoria i practica - legtur statistic exprimat printr-un model de regresie simpl liniar.
Regresia liniar simpl este un caz particular al analizei de regresie, deoarece ntr-un astfel de model variabila dependent ar fi explicat numai de o singur variabil independent.
Se nelege c, n exemplul dat, rata criminalitii nu depinde numai de rata omajului, ci i de un ansamblu de alte variabile pe care le exprimm sintetic printr-o variabil numit eroare sau reziduu.
Definitie: Rata somajului masoara procentul muncitorilor someri n raport cu forta totala de munca. Rata somajului este considerata unul dintre cei mai importanti indicatori ai conditiilor macroeconomice dintr-o tara.Rata criminalitii reprezint numarul persoanelor condamnate definitiv la 100000 locuitori. Pentru a determina n ce msur variabila independenta contribuie la modificarea variabilei dependente vom elabora un model de regresie liniar simpl, vom determina dac acesta poate fi considerat valid, adic dac exist, sau nu, o legtur liniar ntre rata omajului i rata criminalitii, iar dac acesta va fi valid, vom realiza o previziune a ratei criminalitatii pentru o alta perioada, caracterizata de anumite valori ale ratei somajului. 2. Definirea modelului de regresie simpl liniar
2.1- Forma, variabilele i parametrii modelului de regresie
Forma modelului de regresie liniar simpl este: sau Y = a+ b X + y= 221,143 + 13,864*X + n modelul de regresie de mai sus, a-ul este coeficientul termenului liber; nu are semnificaie din punct de vedere economic, reprezentnd valoarea Rata criminalitii, n cazul n care rata omaj este 0. Adic dac rata omaj este 0, Rata criminalitii crete cu 221,143.b= 13,864 reprezint coeficientul de regresie sau panta dreptei de regresie. Daca valoarea lui b este mai mare dect 0 rezulta ca legtura dintre cele doua variabile este directa. Totodat daca va crete Rata criminalitii cu o unitate, rat omaj va creste cu 13,864.Variabilele modelului, pentru exemplul considerat, sunt:
- variabila dependent (rezultativ):Y rata criminalitii;
- variabila independent (factorial, predictor):
X rata omajului (%)
- variabila eroare (reziduu):
- variabila aleatoare, variabila care nsumeaz influena altor variabile asupra ratei, dar care nu sunt specificate expres n model. Variabila exprim abaterile ntre valorile observate i valorile estimate prin model.Parametrii modelului de regresie simpl liniar, numii i coeficieni de regresie, sunt:
- ordonata la origine - arat valoarea medie a variabilei Y cnd ;
- panta dreptei - arat variaia medie a variabilei dependente, Y, la o variaie absolut cu o unitate a variabilei X, adic variaia variabilei Y este proporional cu variaia variabilei X:
.Proprieti ale modelului de regresie liniar:
simplitate
capacitatea de aplicare direct pentru verificarea existenei unei relaii ntre variabile
estimarea direct a parametrilor prin metoda celor mai mici ptrate.
2.2- Reprezentarea grafic a modelului legturii dintre variabile
In baza acestei reprezentri grafice se poate vedea clar o legatura liniar direct ntre cele doua variabile astfel modelul devine un model unifactorial liniar.3. Estimarea parametrilor modelului i interpretarea acestora 3.1 Estimarea punctual a parametrilorEstimarea punctuala a parametrilor se va face plecnd de la ecuaia yi=a+bxi cu ajutorul metodei celor mai mici ptrate.
M.C.M.M.P. const n a minimiza funcia
Condiia de minim a acestei funcii rezult din:
Estimarea parametrului a:
3.2- Estimarea parametrilor prin interval de ncredere
Intervalele nu includ valoarea nula, deci parametrii sunt semnificativi statistic.In Excel datele obinute sunt prezentate astfel:
4. Testarea semnificaiei corelaiei i a parametrilor modelului de regresie
n urma folosirii programului EXCEL s-au obinut urmtoarele rezultate:
Ecuaie econometrica
Intensitatea legturii dintre cele dou variabile se determin cu ajutorul coeficientului de corelaie liniar (Multiple R): Intensitatea dintre cele 2 variabile se msoar cu ajutorul a 3 indicatori:
Coeficientul de corelaie liniara
Raportul de corelaie
Coeficientul de determinareCoeficientul de corelaie liniara:
=
Daca valoarea coeficientului de corelaie liniara este mai mare dect 0 rezult c legtura dinte cele 2 variabile este una strns.
Raportul de corelaie:
Se regsete in Excel sub forma de Multiple R. n cazul de fa, pentru un model liniar, coeficientul de corelaie este egal cu raportul de corelaie, respectiv 0.338995748
Coeficientul de determinare:
Este prezentat n Excel sub denumirea de R Square i exprim proporia n care variabila x influeneaz variabila y. n cazul de fa rata omajului influeneaz n proporie de 11% rata criminalitii, restul de 89% reprezentnd influena altor factori.
Testarea semnificaiei raportului de corelaie se face cu ajutorul testului Fisher-Snedecor:
, R fiind semnificativ dac
4.2- Testarea parametrilor unui model de regresie simplu
Testarea parametrului a:
H0: a=0 (a nu este semnificativ statistic)
H1: a0 (a este semnificat statistic)
Z critic= 1,96
Z calculat=Z calculat > Z critic, => acceptam ipoteza H1 conform creia a este semnificativ din punct de vedere statistic
Testarea parametrului b:
H0: b=0 (b nu este semnificativ statistic)
H1: b0 (b este semnificativ statistic)
Z critic= 1,96
Z calculat== 2,25
Z calculat > Z critic => acceptam ipoteza H1 conform creia b este semnificativ din punct de vedere statistic.
5. Aplicarea analizei de tip ANOVA pentru validitatea modelului de regresie simplu i interpretarea rezultatelor
Verificarea verosimilitii modelului se face cu ajutorul analizei dispersionale (analiza variaiei).
Sursa Variatiei
Grade de libertateSuma Patratelor SSDispersiile corectate MS
Datorata regresieiK=1y/xSy/x
36230.22
Datorata eroriin-k-1eSe
7154,86
Totalan-1y
1) se stabilete ipoteza nul: H0: mprtierea valorilor datorate factorului nu difer semnificativ de mprtierea acelorai valori datorate ntmplrii, deci modelul nu este valid.
2) se stabilete ipoteza alternativ: H1: modelul este valid;
3) se calculeaz testul F: ( daca Signifiance F este mai mic de 0,05 atunci modelul este valid, liniar)
Deoarece Fcalc = 5,06 > Ftab = 4 ( modelul este valid, se accepta ipoteza H1, se respinge H0.
6. Testarea ipotezelor clasice asupra modelului de regresie simpl
Estimarea prin metoda celor mai mici ptrate a parametrilor modelului de regresie are sens numai dac sunt respectate anumite ipoteze.
6.1. Ipoteze statistice clasice asupra modelului de regresie simpl
Ipotezele statistice clasice asupra modelului de regresie sunt:- Liniaritatea modelului. Relaia ntre Y i X este liniar. Aceast ipotez este necesar pentru estimarea parametrilor modelului;
- Normalitatea erorilor. Variabila este distribuit normal: ;
- Homoscedasticitatea. Varianele V() sunt constante, oricare ar fi valorile variabilei X, adic, ;
Necorelarea erorilor. Erorile sunt necorelate ntre ele: ;
Independena erorilor de valorile variabilei X. Valorile variabilei sunt independente de valorile variabilei explicative X, adic .
nclcarea ipotezelor poate afecta calitatea estimatorilor.
6.2. Testarea liniaritii modelului propus
Liniaritatea relaiei dintre variabila dependent i variabila independent este important att pentru acurateea predictiv a modelului ct i pentru validitatea coeficienilor estimai.
Verificarea liniaritii se poate efectua grafic, folosind: scatterplots; diagrama reziduurilor din regresie.
Diagrama reziduurilor din regresie
Diagrama reziduurilor din regresie se construiete lund pe ordonat variabila reziduu i pe abscis variabila dependent . Dac reziduurile apar dispersate aleator, de o parte i de alta a valorii zero , atunci relaia poate fi modelat cu ajutorul regresiei liniare.
Dac reziduurile apar dispersate n blocuri deasupra sau sub valoarea zero, atunci relaia dintre variabilele considerate nu poate fi modelat cu ajutorul regresiei liniare.
Testarea ipotezei de autocorelare a erorilorVerificarea ipotezei de independen a erorilor n cazul acestui model va fi realizat cu ajutorul testului Durbin-Watson i const n calcularea termenului empiric:
Acceptarea sau respingerea ipotezei de independen a erorilor se bazeaz pe o anumit regul, care const n:
- dac autocorelare pozitiv;
- dac indecizie, recomandndu-se acceptarea autocorelrii pozitive;
- dac erorile sunt independente;
-dacindecizie, recomandndu-se acceptarea autocorelrii negative;
- dac autocorelare negativ.
Dac se accept autocorelarea pozitiv6.3Testarea normalitatii erorilor
Se tie c, dac erorile urmeaz legea normal de medie zero i de abatere medie ptratic (consecina ipotezelor c1, c2, c3), atunci are loc relaia:
.
Verificarea ipotezei de normalitate a erorilor se va realiza cu ajutorul testului Jarque-Berra, care este i el un test asimptotic (valabil n cazul unui eantion de volum mare), ce urmeaz o distribuie hi ptrat cu un numr al gradelor de libertate egal cu 2, avnd urmtoarea form:
~ =
unde: n = numrul de observaii;
S= coeficientul de asimetrie (skewness), ce msoar simetria distribuiei erorilor n jurul mediei acestora, care este egal cu zero, avnd urmtoarea relaie de calcul:
K = coeficientul de aplatizare calculat de Pearson (kurtosis), ce msoar boltirea distribuiei (ct de ascuit sau de aplatizat este distribuia comparativ cu distribuia normal), avnd urmtoarea relaie de calcul:
= 2,75Utiliznd pachetul de programe EViews n vederea calculrii testului Jarque-Berra, se constat c JB= 0,91, i c p(JB) = 0,87. Deoarece valoarea calculat a testului JB este mai mica dect valoarea tabelat a lui , iar testul JB a depit valoarea tabelat, ipoteza de normalitate a erorilor se accept.
6.4 Testarea ipotezei de homoscedasticitate
Exist dou variante de aplicare a testului White:
- utilizarea testului Fisher Snedecor clasic, bazat pe ipoteza nulitii parametrilor, respectiv:
H0:
Ipoteza de homoscedasticitate presupune faptul c variabila rezidual este de medie nul, iar dispersia ei este constant i independept de x. Pe baza acestei afirmaii putem admite faptul c legtura dintre y i x este relative stabil. Verificarea se face cu ajutorul testului White.
Aplicarea testului White:
Mai departe de face verificarea semnificaiei parametrilor de regresie nou construit, iar daca unul dintre acetia este nesemnificativ statistic, atunci ipoteza de heterodasticitate a erorilor este acceptat. Aplicarea testului White se va face utiliznd testul Fisher-Snedecor bazat pe ipoteza nulitii parametrilor.
H0: H1:Conform datelor obinute mai sus se accepta ipoteza H1, conform creia parametrii modelului sunt semnificativi statistic.
F calculat=F critic = 4
Datorit faptului c F calculate este mai mare dect F critic, se accept heterodasticitatea modelului.
Dac ipoteza nul, potrivit creia rezultatele estimrii sunt nesemnificative (), este acceptat, atunci ipoteza de homoscedasticitate se verific.
- utilizarea testului LM, calculat ca produs ntre numrul de observaii corespunztoare modelului, n, i coeficientul de determinare, R2, corespunztor acestei regresii auxiliare. n general, testul LM este asimptotic distribuit sub forma unui , pentru care numrul gradelor de libertate este egal cu: , unde k = numrul variabilelor exogene, respectiv:
~
Dac , erorile sunt heteroscedastice, n caz contrar, sunt homoscedastice, respectiv ipoteza nulitii parametrilor, , este acceptat.
Aplicarea testului White s-a realizat utiliznd pachetul de programe EViews:
Analiznd rezultatele afiate de programul EViews se constat c i , iar estimatorii parametrilor modelului sunt nesemnificativi pentru un prag de semnificaie (), deci ipoteza de heteroscedasticitate se verific.
Concluzii :Modelul de regresie liniar are un coeficient de determinare = 0.1149, adic rata criminalitii este explicata n msur de aproape 11% de ctre variabila independent inclus n model.Valoarea testului F este suficient de mare pentru a determina validitatea global a modelului pentru un prag de semnificaie de cel puin Significance F = 0.03014, cu mult mai mic dect ales.7. Previziunea valorii variabilei Y dac variabila X crete cu 10% fa de ultima valoare nregistrat (inclusiv interval de ncredere) pentru toate variantele cunoscute.
2,3( este ultima nregistrare n campul x1) * 1.1 (110%) = 2,53
= 221,14 + 13,862,53 = 256,185 Rezult astfel ca y 41 este mai mic dect ultima valoare nregistrat y 42, rezultnd la o cretere cu 10% a lui x i o creste cu 10% a lui y (rata criminalitii). 1. Prezentarea problemei (inclusiv descrierea naturii legturii dintre cele dou variabile, conform teoriei economice);
Se nregistreaz un eantion de n=41 orae, cupluri de valori (xi, yi) cu privire la efectul ratei infracionalitii asupra criminalitii, pentru anul 2005.
Tabelul 1. Rata infracionalitii i criminalitatea, nregistrate pe un eantion de 41 de orae alese din Statistica Teritorial 2013, pentru anul 2005.
NR. CRTJudeRata Criminalitii ( Y )Rata infracionaliti ( X 2 )
1Bihor575734
2Bistria Nsud2811011
3Cluj278945
4Maramure367851
5Satu Mare2511216
6Slaj250975
7Alba2821167
8Braov232915
9Covasna2361234
10Harghita4071356
11Mure214976
12Sibiu215795
13Bacu362901
14Botoani4341177
15Iai332839
16Neam3301413
17Suceava3601152
18Vaslui4211017
19Brila364759
20Buzu286931
21Constana2451028
22Galai3411028
23Tulcea3251061
24Vrancea3891121
25Arge183678
26Clrai4101248
27Dmbovia3141223
28Giugiu138789
29Ialomia3211059
30Prahova209761
31Teleorman251812
32Bucureti-Ilfov241922
33Dolj309876
34Gorj4041263
35Mehedini488906
36Olt4021012
37Vlcea289542
38Arad264933
39Cara Severin243914
40Hunedoara3761534
41Timi212727
Definitie: Rata infracionalitii masoara procentul infraciunilor la 100000 de locuitori. Rata infraionalitii este considerata unul dintre cei mai importanti indicatori ai conditiilor macroeconomice i sociale dintr-o tara.Rata criminalitii reprezint numarul persoanelor condamnate definitiv la 100000 locuitori. 2. Definirea modelului de regresie simpl liniar
2.1- Forma, variabilele i parametrii modelului de regresie
Forma modelului de regresie liniar simpl este: Y = a+ b X + y= 192,45 + 0,121*X + n modelul de regresie de mai sus, a-ul este coeficientul termenului liber; nu are semnificaie din punct de vedere economic, reprezentnd valoarea Rata criminalitii, n cazul n care populaia din mediul urban este 0. Adic dac rata infracionalitatea din mediul urban este 0, Rata criminalitii crete cu 192,45.
b= 0,121 reprezint coeficientul de regresie sau panta dreptei de regresie. Daca valoarea lui b este mai mare dect 0 rezulta ca legtura dintre cele doua variabile este directa. Totodat daca va crete Rata infracionalitate cu o unitate, Rata criminalitii va creste cu 0,121.2.2- Reprezentarea grafic a modelului legturii dintre variabile
In baza acestei reprezentri grafice se poate vedea clar o legatura liniar direct ntre cele doua variabile astfel modelul devine un model unifactorial liniar.
3. Estimarea parametrilor modelului i interpretarea acestora 3.1 Estimarea punctual a parametrilorEstimarea punctuala a parametrilor se va face plecnd de la ecuaia yi=a+bxi cu ajutorul metodei celor mai mici ptrate.
M.C.M.M.P. const n a minimiza funcia
Condiia de minim a acestei funcii rezult din:
Estimarea parametrului a:
3.2- Estimarea parametrilor prin interval de ncredere
Intervalele includ valoarea nula, deci parametrii nu sunt semnificativi statistic.In Excel datele obinute sunt prezentate astfel:
Tabel 2
4. Testarea semnificaiei corelaiei i a parametrilor modelului de regresie
n urma folosirii programului EXCEL s-au obinut urmtoarele rezultate
Coeficientul de corelaie liniara:
=
Daca valoarea coeficientului de corelaie liniara este mai mare dect 0 rezult c legtura dinte cele 2 variabile este una strns.
Raportul de corelaie:
Se regsete in Excel sub forma de Multiple R. n cazul de fa, pentru un model liniar, coeficientul de corelaie este egal cu raportul de corelaie, respectiv 0.28Coeficientul de determinare:
Este prezentat n Excel sub denumirea de R Square i exprim proporia n care variabila x influeneaz variabila y. n cazul de fa rata infracionalitii influeneaz n proporie de 8% rata criminalitii, restul de 92% reprezentnd influena altor factori.
Testarea semnificaiei raportului de corelaie se face cu ajutorul testului Fisher-Snedecor:
, R fiind semnificativ dac
4.2- Testarea parametrilor unui model de regresie simplu
Testarea parametrului a:
H0: a=0 (a nu este semnificativ statistic)
H1: a0 (a este semnificat statistic)
Z critic= 1,96
Z calculat=Z calculat > Z critic, => acceptam ipoteza H1 conform creia a este semnificativ din punct de vedere statistic
Testarea parametrului b:
H0: b=0 (b nu este semnificativ statistic)
H1: b0 (b este semnificativ statistic)
Z critic= 1,96
Z calculat=Z calculat > Z critic => acceptam ipoteza H1 conform creia b este semnificativ din punct de vedere statistic.
5. Aplicarea analizei de tip ANOVA pentru validitatea modelului de regresie simplu i interpretarea rezultatelor
Verificarea verosimilitii modelului se face cu ajutorul analizei dispersionale (analiza variaiei).
Sursa Variatiei
Grade de libertateSuma Patratelor SSDispersiile corectate MS
Datorata regresieiK=1y/xSy/x
26188.023
Datorata eroriin-k-1eSe
7414.048
Totalan-1y
2) se stabilete ipoteza nul: H0: mprtierea valorilor datorate factorului nu difer semnificativ de mprtierea acelorai valori datorate ntmplrii, deci modelul nu este valid.
2) se stabilete ipoteza alternativ: H1: modelul este valid;
3) se calculeaz testul F: ( daca Signifiance F este mai mic de 0,05 atunci modelul este valid, liniar)
Deoarece Fcalc = 3.53 < Ftab = 4 ( modelul nu este valid, se respinge ipoteza H1, se accepta H0.
6. Testarea ipotezelor clasice asupra modelului de regresie simpl
Estimarea prin metoda celor mai mici ptrate a parametrilor modelului de regresie are sens numai dac sunt respectate anumite ipoteze.Diagrama reziduurilor din regresie
Diagrama reziduurilor din regresie se construiete lund pe ordonat variabila reziduu i pe abscis variabila dependent . Dac reziduurile apar dispersate aleator, de o parte i de alta a valorii zero atunci relaia poate fi modelat cu ajutorul regresiei liniare.
Dac reziduurile apar dispersate n blocuri deasupra sau sub valoarea zero, atunci relaia dintre variabilele considerate nu poate fi modelat cu ajutorul regresiei liniare.
Testarea ipotezei de autocorelare a erorilor
Verificarea ipotezei de independen a erorilor n cazul acestui model va fi realizat cu ajutorul testului Durbin-Watson i const n calcularea termenului empiric:
Acceptarea sau respingerea ipotezei de independen a erorilor se bazeaz pe o anumit regul, care const n:
- dac autocorelare pozitiv;
- dac indecizie, recomandndu-se acceptarea autocorelrii pozitive;
- dac erorile sunt independente; -dacindecizie, recomandndu-se acceptarea autocorelrii negative;
- dac autocorelare negativ.
6.3Testarea normalitatii erorilor
Skewness (S)=coeficient de asimetrie
Kurtosis (K)=coeficient de aplatizare
Testul JB pe bazeaz pe ipoteza c S=0, n cazul nostru 0,164 este apropiat de aceast valoare, iar K=3.Probabilitatea Jarque-Bera(p(JB))>0,05=> se accept ipoteza de normalitate a erorilor.Testarea ipotezei de homoscedasticitate
Problema B1. Definirea modelului de regresie multipl liniarAcest proiect are scopul de a prezenta influenta ratei omajului i a ratei infracionaltii asupra ratei criminaltii prin intermediul modelului de regresie liniara multipla.
In cadrul proiectului voi folosi 41 de observatii , in anul 2005. Datele au fost preluate din baza de date Statisctic Teritorial.
2.1- Forma, variabilele, parametrii modelului de regresie multiplDin cele prezentate mai sus se observa faptul ca relatia dintre cele doua fenomene este una de cauzalitate. Fenomenele cauza sau variabilele exogene (independente) sunt reprezentate de rata omaj respectiv rata infracionalitii, iar fenomenul efect sau variabila endogena (dependenta) este reprezentata de Rata Criminalitii.Conform datelor din Tabelul nr. 1 putem construi un model econometric multifactorial de forma unei functii Yt=0+1*X1t+2*X2t+t unde Yt reprezinta valorile variabilei dependente Rata criminalitii si unde X1t;X2t reprezinta valorile variabilelor independente rata omaj repectiv rata infracionalitii.
Ecuatia functiei de regresie ia forma:
y = + 0*x0 +1*x1 +i , adica Rata criminalitii = + 0*rata omaj +1*rata infracionalitii +i 2.2 -Reprezentarea grafic a modelului legturii dintre variabile
Reprezentand grafic perechile observate (x1,x2),se constata ca intre variabile exista o legatura constanta si liniara.
2.Estimarea parametrilor modelului i interpretarea acestora
Cu ajutorul programului Excel:
Ceea ce nseamn c:
=151,7164 arat c, dac cele dou variabile explicative, X1 i X2 au valoarea 0,valoarea medie Ratei criminalitii este estimat la circa 152 persoane.
1=11,37 arata, meninnd celelalte variabile constante, atunci cnd Rata Criminalitii crete cu 1u.m., rata omajului crete, n medie, cu 11,37 %.
2=0,086 arata ca, meninnd celelalte variabile constante, rata infracionalitii
a crescut, n medie, cu aproximativ 0,086 persoane.
este numit parametru de interceptare,iar 1 si 2 coeficienti de regresie partiali. Se msoar intensitatea legturii dintre variabile folosind indicatorul adecvat, testnd semnificaia acestora pentru un nivel de semnificaie 0,05. Din tabelul generat de MS Excel avem Multiple R (Raportul de corelaie):0,39 ceea ce nseamn c legtura dintre Rata criminalitii,omaj i infracionalitate este una puternic.
Testarea semnificaiei raportului de corelaie:
Ipoteza nul (raportul de corelaie al colectivitii din care s-a extras eantionul de 41 uniti, nu difer semnificativ de zero, deci nu este semnificativ statistic);
Ipoteza alternativ ( raportul de corelaie al colectivitii din care s-a extras eantionul de 41 uniti, difer semnificativ de zero, deci este semnificativ statistic);
Testarea raportului de corelaie se face cu testul F:
Deoarece ( R nu este semnificativ diferit de zero, pentru un prag de semnificaie =0,05.
Regresia multipl cu ajutorul programului Eviews:
Unde ser02: rata somaj si ser03: rata infractionalitate
Conform Figurii se observa faptul ca modelul nu este semnificativ diferit de 0, acest lucru putand fi observat in urma estimarii, unde probabilitatea nu tinde catre 0 (Prob.(C)0.05; Prob.(ri)>0.05).
Aplicarea analizei de tip ANOVA pentru validitatea modelului de regresie multipl i interpretarea rezultatelor
S se verifice validitatea modelului de regresie pentru un nivel de semnificaie 0,05.
ANOVADf
(grade de libertate)SS (variana)
(suma ptratelor)MS
(media patratelor)
(dispersia corectat)F(calculat)Significance F
Regression (variaia
datorat regresiei)
2
48345,49
24172,74Testul
F=/
3,44Este
0,04<
(se respinge H0
Modelul este valid)
Residual
(variaia rezidual)38
266924,40
7024,32
Total (variaia total)
EMBED Equation.3 40
315269,90
H0: modelul nu este valid statistic (mprtierea valorilor datorate factorului timp nu difer semnificativ de mprtierea acelorai valori datorate ntmplrii)
H1: modelul este valid statistic
tiind c pragul de semnificaie este i (exist doi factori de influen) se stabilete:
valoarea critic:
regiunea de respingere: dac , atunci H0 se respinge
Determinarea statisticii testului () are la baz relaia:
Deoarece (3,44) < (4) ( se respinge, deci este adevrat, prin urmare, modelul este invalid.Testarea ipotezelor clasice asupra modelului de regresie multiplIpoteza de normalitate a erorilor
Din figura de mai sus observam ca este incalcata ipoteza de normalitate (Jarque-Berra=17,615450), iar probabilitatea este egala cu 0.000150. Daca probabilitatea p(JB) corespunzatoare valorii calculate a testului este suficient de scazuta atunci ipoteza de normalitate a erorilor este respinsa.
Testarea ipotezei de homoscedasticitate
Conform graficului reziduurilor, ochiometric se pare ca ipoteza de homoscedasticitate nu este incalcata intrucat graficul se incadreaza intr-o banda paralela cu abscisa. Pentru a verifica acest lucru vom folosi testul White din programul E-views.
Conform Figurii se observa faptul ca estimatorii parametrilor modelului nu sunt semnificativi diferiti de 0 fapt pentru care este acceptata ipoteza de homoscedasticitate, tinand cont de faptul ca testul verifica heteroscedasticitatea (White heteroskedasticity test).
Testarea ipotezei de autocorelare a erorilorAcceptarea sau respingerea ipotezei de independen a erorilor se bazeaz pe o anumit regul, care const n:
- dac autocorelare pozitiv;
- dac indecizie, recomandndu-se acceptarea autocorelrii pozitive;
-dac erorile sunt independente;
-dacindecizie, recomandndu-se acceptarea autocorelrii negative;
-dacautocorelare negativ.
Dac erorile sunt independente7. Previziunia valorii variabilei Y dac variabila X crete cu 10% fa de ultima valoare nregistrat
y = 151,71 + 11,37 x1i + 0,086 x2ix1(42) = 1,1 * 2,3 = 2,53x2(42) = 1,1 *727= 799,7y= b0 + b1 * x1 (42) + b2 x2 (42)y=151,71+28,76+68,77=249,24Rezult c y= 249,24 este mai mare dect ultima valoare nregistrat y 41 (151,71), astfel la o cretere cu 10% a lui x1(rata omajului) i x2(rata infracionalitii) va crete i y(rata criminalitii) cu 10%.Problema CFolosind datele Problemei A, s se testeze dac dispersiile (variaiile) celor dou populaii (variabila exogen i variabila endogen) sunt egale; testai dac mediile celor dou populaii sunt egale. Rezolvarea problemei C de exemplificat n Excel, cu interpretarea rezultatelor i parcurgerea etapelor testrii ipotezelor statistice.
Avem urmtoarele variaii:
Mean mediile eantioanelor
Variance- dispersii
Observations-volum eantion Df- grad de libertate
F-statistic test f
P( F