Sie sind auf Seite 1von 23

Fakultt fr Betriebswirtschaft, mit Unterricht in

Fremdsprachen Deutsche Abteilung

Projekt
Bulgarien

Chicheanu Aurelian
Codreanu Theodor
Dumitru Alexandru
Dediulescu Andreea
Dumitrescu Stefan

Inhaltsverzeichnis

TEIL 1
1.Graphische Darstellung der Daten
2. Zentral Tendenz Indikatoren
3. Streuungsindikatoren
4. Varianzanalyse
5. Korrelationskoeffizienten
TEIL 2 Regressionsanalyse
Regressionsmodell 1: Lineare Einfachregression
Regressionsmodell 2: Lineare Einfachregression
Regressionsmodell 3: Mehrfachregression mit 2 exogene
Variablen
Regressionsmodell 3: Mehrfachregression mit 3 exogene
Variablen

Um den Projekt zu machen haben wir den Programm Excel von Microsoft Ofice verwendet. In
unserem Projekt gibt es auch Schlufolgerungen auf Basis der Ergebnisse von Excel. In Bezug
auf die Analyze fr das Einfachsregressionsmodell und auch fr das lineare
Mehrfachregressionsmodell haben wir Daten betreffend die Anzahl der Bevlkerung Bulgarien,
die Anzahl der Bevlkerung, die in Stdte leben, die Anzahl der Bevlkerung, die in Dorfer
leben, das Bruttoinlandsprodukt , das Bruttoinlandsprodukt pro Kopf. Wir haben Daten seit 1987
bis 2013 benutzt.
Wir haben die Informationen in der nchsten Tabelle synthetisiert. Wir haben 6 Variblen
zwischen den Jahren 1987 und 2013 analysiert.
Krt. Nr.

Jahr

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013

Bevlkerun
g insgesamt
8765875
8891117
8917457
8939738
8960679
8960547
8958171
8971359
8981446
8876972
8718289
8632367
8540164
8472313
8443591
8406067
8362826
8312068
8256786
8210624
8170172
8020282
7868468
7823557
7781161
7739900
7699020

Lndliche
Bevlkerung
3358522
3325011
3290185
3253796
3216973
3172930
3135449
3108935
3081354
3015064
2931350
2873111
2813472
2767905
2739354
2708267
2675519
2640661
2604686
2571814
2541005
2472974
2397994
2356534
2316218
2276769
2237951

Stdtische
Bevlkerung
5503013
5566106
5627272
5685942
5743706
5787617
5822722
5862424
5900092
5861908
5786939
5759256
5726692
5704408
5704237
5697800
5687307
5671407
5652100
5638810
5629167
5547308
5470474
5467023
5464943
5463131
5461069

BIP ( US $)
20039627960
20056236992
19804095112
16959385509
17411159923
17562123350
20261212467
28429027976
23002458745
21746812560
20726301370
10943548724
10371900499
10831999517
9704877673
13069094969
10110256626
11195830237
14631307233
13659823835
13353530517
14303810795
16343311507
21101364345
25919754936
29300588273
33649638299

Das BIP pro


Kopf ( US $)
11422
11544
11889
11632
12017
11643
11916
11903
11875
11942
11334
11934
12051
12064
12207
12401
1098
11142
11805
1258
13625
14299
14929
15299
15918
16485
16991

GNI (current
US$)
19722533929
19856669575
19645938119
16878327489
17372952117
17497791452
20129664497
28111206956
22573124626
21117032358
19082648402
9832580948
10201807530
10639277625
9512277581
12637094969
9714156337
10838930179
14347807210
13475123816
13030130533
14328710793
16686811507
21445164368
26225260999
29384093006
32798571154

WEB- Adresse: http://data.worldbank.org/country

Teil I.
In den erste Teil des Projektes haben wir mit der Hilfe der Daten die folgende Indikatoren
gerechnet:
Graphische
Darstellung
der
Daten,
zentral
Tendenz
Indikatoren,
Streuungsindikatoren, Varianzanalyse, Korrelationskoeffizienten. (Sheet Bulgarien). Fr diese
Daten haben wir die Funktion Data Analysis-Descriptive Statistics.
Auf dieser Weise haben wir die Zentral Tendenz Indikatoren ( Mittelwert, Modalwert,
Medienwert),Streuindikatoren(Varianz,Standard
Abweichung,
Varianz
Coeff)
und
Korrelationskoeffizienten erhaltet.
Graphische Darstellung.

Bevlkerung insgesamt
9500000
9000000
Bevlkerung
insgesamt

8500000
8000000
7500000
7000000

BIP (aktuelle US $)
40000000000
35000000000
30000000000
25000000000
20000000000
15000000000
10000000000
5000000000
0

BIP (aktuelle US $)

Wie wir oben schon erwhnt haben, haben wir die Funktion Deskriptive Statistik benutzt
um die notwendige Daten zu erhalten.
Zentral Tendenz Indikatoren
a) Medienwert

Medienwer
t

Bevlkerun
g insgesamt

Lndliche
Bevlkerun
g

Stdtische
Bevlkerun
g

BIP
(aktuelle
US $)

Das BIP GNI


pro Kopf (current
US $)
US$)

8472313

2767905

5685942

1.74E+10

11934

Lndliche
Bevlkerun
g

Stdtische
Bevlkerun
g

BIP
(aktuelle
US $)

Das BIP GNI


pro Kopf (current
US $)
US$)

#N/A

#N/A

#N/A

#N/A

Bevlkerun
g insgesamt

Lndliche
Bevlkerun
g

Stdtische
Bevlkerun
g

BIP
(aktuelle
US $)

Das BIP GNI


pro Kopf (current
US $)
US$)

8469667.259

2810511.222

5662699

1.79E+10

11949

b) Modalwert
Bevlkerun
g insgesamt
Modalwert

#N/A

1.74E+10

#N/A

1 n
x i xki
n k 1
c) Mittelwert

Mittelwert

1.77E+10

Streuindikatoren
a) Varianz
Bevlkerun
g insgesamt

Lndliche
Bevlkerun
g

Stdtische
Bevlkerun
g

BIP
(aktuelle
US $)

Das
BIP GNI
pro Kopf (current
US $)
US$)

1.9249E+11

Varianz

1.23083E+11

17865878751

4.03E+19

12470147.8
5

4.04E+19

si si2

b)

Standardabweichun
g

Standardabweichung
Bevlkerun
g insgesamt

Lndliche
Bevlkerun
g

Stdtische
Bevlkerun
g

BIP
(aktuelle
US $)

Das BIP GNI


pro Kopf (current
US $)
US$)

438736.9836

350831.3531

133663.3037

6.35E+09

3531.30965

6.36E+09

c) Variationskoeffizient: Er ist der relative Ausdruck der Streuung und wird als
Verhltnis zwischen die Standardabweichung und Mittelwert berechnet:

Varianzcoeff

Bevlkerun
g insgesamt

Lndliche
Bevlkerun
g

Stdtische
Bevlkerun
g

BIP
(aktuelle
US $)

Das
BIP GNI
pro Kopf (current
US $)
US$)

0.05180097

0.124828305

0.023604169

0.353766

0.29553181
4

0.359805

Teil II
Im zweiten Teil des Projektes haben wir vier Regressionmodelle analysiert und zwar: 2 Liniare
Einfachregression Model , eine liniare Mehrfachregression mit 2 exogene Variablen und eine
liniare Mehrfachregression mit 3 exogene Variablen
1. Liniare Einfachregression 1-Modell
In dem ersten Fall gibt es einen unfactoriale kometrisches Modell. Wir haben eine
Einfluss der produktiven Variable y- BIP- von einem bestimmender Faktor x- Bevlkerung.
Ausgehend von den Daten der Anwendung kann man eine unifactoriale kometrisches Modell
wie folgt:

y f ( x) u

(1)
wo:
y = die reale Werte de abhngigen Variablen;
x =die reale Werte der unabhngigen Variblen;
u=die residuale Variable, bedeutet die Einflsse den anderen Faktoren den Variablen y,
nicht spezifiziert, betrachtet als seltsame Faktoren, mit unbedeutende Faktoren auf die
Varible y.
Die Analyze den Daten von der Tabelle hat zum folgenden Erklrung den Variablen
gefhrt.
y = BIP (endogene) unabhngige Variable;
x = Bevlkerung (exogene) abhngige Variable nach der Arbeitshypothese der Faktor
mit der strkeste Einfluss auf der Varible y.
Die Identifizierung des unifactorialen Modells bedeutet die Wahl einer Funktion ,die die
Fhigkeit hat, die Werte der endogene Variable y nur funktion den Werte der endogene Variable x
zu approximieren.
a) Graphische Darstellung

Die hufigste benutzte Prozedur, im Fall eines unficatorialien Modells, ist die graphische
Darstellung der zwei Reihen mit der Hilfe der Korelograme. Die Korelagrame bedeutet die
Verbindung zwischen BIP und Bevlkerung. Es wurde in den untere Grafik, auf der Basis den
Daten von der Tabelle, dargestellt.

BIP (aktuelle US $)
40000000000
35000000000

BIP (aktuelle US $)

30000000000

Linear (BIP (aktuelle


US $))

25000000000
20000000000
15000000000
10000000000

Linear (BIP (aktuelle


f(x) = - 1747.77x + 32747073452.13
US $))
R = 0.01

5000000000
0
6000000

8000000

10000000

b) Schtzung der Parameter


Die Parameter sind reale und unbekannte Gren, die im Modell als Regressionskoeffizienten
kommen.

Werte der Parameter


a=32747073452
b=-1747.770366

y=a+ bX

y=327470734521747.770366X

Die Interpretation der Parameter:


Parameter a - zeigt den Punkt, an dem die Regressionsgerade die OY-Achse schneidet
Es ist die durchschnittliche Anzahl der BIP wenn die Anzahl der Bevlkerung nicht mehr steigt.
Parameter b - zeigt die proportionale nderung der exogene variable (X), wenn sich die
endogene variable (Y) um eine Einheit ndert.
wenn b positiv ist ( >0 ) , gibt es einen positiven Zusammenhang. In unserem Fall b ist negativ
also wir haben einen negativen Zusammenhang zwischen Landwirtschaft und Bevlkerung. Es
hat eine negative Richtung .
c) Testen Sie die Signifikanz der Parameter
Signifikanz der Parameter
t teoretic
t berechnet
H0: a=0(a ist nicht signifikant)

2.06
1.344237727

tcalc<t teoretic => H0, a nicht signifikant

H1: a/=0(a ist signifikant)

Weil n = 15 30 haben wir eine kleine Stichprobengroe und wir verwenden den t-Test.
Weil t berechnet < t theoretisch ist , akzeptiert man die H0 und das bedeutet, dass a nicht
signifikant ist ,von Null verschieden, also a ist nicht signifikant.
d) Testen Sie die Gltigkeit des Modells
Um die Gltigkeit des Regressionsmodells zu testen, formuliert man folgende Hypothesen:
s y2 / x se2
H0:

das Modell ist nicht gltig

s y2 / x se2
H1:

das Modell ist gltig

Fcalc

s y2 / x
se2

Wir werden den Formel

benutzen.

Gultigkeit des Modells


F berechnet
F teoretic

0.37019399
4.24169905

F berechnet < F teoretic => Modell ist nicht gltig

Von Anova Tabel haben wir die F berechnet, und zwar 0.37019399 und fr F teoretic haben wir
den nchsten Formel benutzt. =FINV(0.05,1,25), 4.24169905.
F berechnet < F teoretic => Modell ist nicht gltig
e) Testen der Voraussetzungen der Anwendung der :
n

DW


i2


i 1

i 1

KQM Autokorrelation, Homoskedastizitt und Normalverteilung

1) Autokorrelation Durbin Watson Test


D1=1.35 ; d2=1.49

0<DW<D1
0<DW<1.35
3.17E-01
Sum of Square residuals
Sum of Square difference of
residual
DW

Autokorellation
D2<DW<4D1<=DW<=D2
D2
1.35<=DW<=1.4 1.49<DW<2.5
9
1

4-D2<=DW<=4D1
2.51<=DW<=2.6
5

4D1<DW<4
2.65<DW<
4

1.03E+21
3.27E+20
3.17E-01

Erstmal haben wir die Sum of Square residuals und Sum of Square difference of residual
berechnet und dann haben wir die DW berechnet.
DW betrg 3.17E-01 und befindet sich in 0 < DW <d1 , 0 < DW < 1.28 , das heit , wir haben
eine Positive Autokorellation
2) White Test- Homoskedastizitt

Wir haben LM= n* R2 berechnet. LM betrg 0.393975613 und Chi-quadrat=5,99


H0-Homoskedastisch-> LM < Chi quadrat
H1-Heteroskedastisch-> LM> Chi quadrat
LM< Chi quadrat , Modell ist nicht gltig,wir haben Heteroskedastizitt.
3) Jarque Berra- Normalverteilung
S2
K 3 2 ~ 2

;2
24
6

JB n

Wir haben JB=5,99 von Projekt und wir mssen den Formel berechnen.
Mit der Hilfe der Excel haben wir die JB berechnet.
Jarque Berra :

Skew
Skew * Skew
(S *S) / 6
Kurt
K-3
(k -3)(k -3)
[(k -3)(k -3)] / 24
JB

0.526652705
0.277363072
0.046227179
-0.459277276
-3.459277276
-1.42859E+20
-5.95244E+18
-1.60716E+20

S=der Schiefekoeffizient (skewness) fr die Residuen


K = der Pearson Steilkoeffizient (kurtosis), misst wie hoch die Verteilung ist(wie schmal ist die
Verteilung im Vergleich zu der Normalverteilung

1 n
yi y
n i 1
K
4

1 n
yi y
n i 1
S
3

H0: die Residuen werden normalverteilt


H1: die Residuen werden nicht normal verteilt
JB berechnet < JB teoretic , deswegen akezeptieren wir die H1,die Residuen sind nicht normal
verteilt.
2. Liniare Einfachregression 2-Model

Im den zweiten Fall, gibt es auch einen unifactorialien Modell, weil wir eine Einfluss der
produktiven Variblen y-BIP von einem bestimmender Faktor x GNI haben. Ausgehend von
den Daten der Anwendung kann man eine unifactoriale kometrisches Modell wie folgt:
y f ( x) u

(1)
wo:
y = die reale Werte de abhngigen Variablen;
x =die reale Werte der unabhngigen Variblen;
u=die residuale Variable, bedeutet die Einflsse den anderen Faktoren den Variablen y,
nicht spezifiziert im Modell, betrachtet als seltsame Faktoren, mit unbedeutende
Faktoren auf die Varible y.
Die Analyze den Daten von der Tabelle hat zum folgenden Erklrung den Variablen
gefhrt.
y = BIP (endogene) die unabhngige Variable;
x = GNI (exogene) die abhngige Variable nach der Arbeitshypothese der Faktor mit
der strkeste Einfluss auf der Varible y.
Die Identifizierung des unifactorialen Modells bedeutet die Wahl einer Funktion ,die die
Fhigkeit hat, die Werte der endogene Variable y nur funktion den Werte der endogene Variable x
zu approximieren.
a) Graphische Darstellung

Die Korelograme ist die Verbindung zwischen

BIP und GNI.Es wurde im der unteren Grafik , auf der Basis der Daten von der Tabelle,
dargestellt.

GNI (current US$)


35000000000
f(x) = 1x - 287247893.04
R = 0.99

30000000000
25000000000

GNI (current US$)


Linear (GNI (current US$))

20000000000

Linear (GNI (current US$))

15000000000
10000000000
5000000000
0
0

20000000000 40000000000

b)Schtzung der Parameter


Von Excel haben wir die Parameters erfahren und zwar:

Werte der Parameter


a=340167616.8
b=0.996266638

y=a+ bx

y=340167616.8
+0.996266638X

Die Interpretation der Parameter:


Parameter a - zeigt den Punkt, an dem die Regressionsgerade die OY-Achse schneidet

Es ist die durchschnittliche Anzahl der BIP wenn die Anzahl der GNI nicht mehr steigt.
Parameter b - zeigt die proportionale nderung der exogene variable (X), wenn sich die
endogene variable (Y) um eine Einheit ndert.
wenn b positiv ist ( >0 ) , gibt es einen positiven Zusammenhang. In diesem Fall b>0 ,Es hat
eine positive Richtung.
c)Testen Sie die Signifikanz der Parameter
Signifikanz der Parameter
t teoretic
t berechnet
H0: a=0(a ist nicht
signifikant)
H1: a/=0(a ist signifikant)

2.06
tcalc<t teoretic => H0, a nicht
1.368557456 signifikant

Weil n = 15 30 haben wir eine kleine Stichprobengroe und wir verwenden den t-Test.
Weil t berechnet < t teoretic ist , akzeptiert man die H0 und das bedeutet, dass a nicht
signifikant ist ,von Null verschieden, also a ist nicht signifikant.
d) Testen Sie die Gltigkeit des Modells
Um die Gltigkeit des Regressionsmodells zu testen, formuliert man folgende Hypothesen:
s y2 / x se2
H0:

das Modell ist nicht gltig

s y2 / x se2
H1:

Fcalc

das Modell ist gltig

s y2 / x
se2
Wir werden den Formel

Gultigkeit des Modells


F berechnet
5641.306915
F teoretic
4.24169905
F berechnet > F teoretic => Modell ist gultig

benutzen.

Von Anova Tabel haben wir die F berechnet, und zwar 5641.306915 und fr F teoretic haben wir
den nchsten Formel benutzt. =FINV(0.05,1,25), 4.24169905.
F berechnet > F teoretic => Modell ist gltig
e) Testen der Voraussetzungen der Anwendung der :
n

DW


i2


i 1

i 1

KQM Autokorrelation, Homoskedastizitt und Normalverteilung

1) Autokorrelation Durbin Watson Test


D1=1.35 ; d2=1.49

0<DW<D1
0<DW<1.35
7.81E-01
Sum of Square residuals
Sum of Square difference of
residual
DW

Autokorellation
D2<DW<4D1<=DW<=D2
D2
1.35<=DW<=1.4 1.49<DW<2.5
9
1

4-D2<=DW<=4D1
2.51<=DW<=2.6
5

4D1<DW<4
2.65<DW<
4

4.62E+18
3.61E+18
7.81E-01

Erstmal haben wir die Sum of Square residuals und Sum of Square difference of residual
berechnet und dann haben wir die DW berechnet.
DW betrg 7.81E-01 und befindet sich in 0 < DW <d1 , 0 < DW < 1.28 , das heit , wir haben
eine Positive Autokorellation
2) White Test- Homoskedastizitt
Wir haben LM= n* R2 berechnet. LM betrg 26.88087479 und Chi-quadrat=5,99
H0-Homoskedastisch-> LM < Chi quadrat
H1-Heteroskedastisch-> LM> Chi quadrat
LM> Chi quadrat , Modell ist gltig,wir haben Homoskedastizitt.
3) Jarque Berra- Normalverteilung

S2
K 3 2 ~ 2

;2
24
6

JB n

Wir haben JB=5,99 von Projekt und wir mssen den Formel berechnen.
Mit der Hilfe der Excel haben wir die folgende JB berechnet:
Jarque Berra :

Skew
Skew * Skew
(S *S) / 6
Kurt
K-3
(k -3)(k -3)
[(k -3)(k -3)] /
24
JB

1.502874264
2.258631053
0.376438509
3.636484397
0.636484397
0.405112387
0.016879683
10.61959117

H0: die Residuen werden normalverteilt


H1: die Residuen werden nicht normalverteilt
JB berechnet > JB teoretic , deswegen akezeptieren wir die H0,die Residuen sind normal verteilt.
3. Liniare Mehrfachregression mit 2 exogenen Variablen
In den dritten Fall, gibt es ein multifactorialien kometrisches Modell, weil wir eine
Einfluss der produktiven Variable y Bevlkerung von mehreren bestimmenden Faktoren x1,x2,
haben.Die bestimmende Faktoren sind x1- lndliche Bevolkerung und x2- stdliche
Bevolkerung
Ausgehend von den Daten der Anwendung kann man eine unifactoriale kometrisches
Modell wie folgt:
y f ( X 1.... Xn)

wo:
y = die reale Werte de abhngigen Variablen;
x =die reale Werte der unabhngigen Variblen;
=die residuale Variable, bedeutet die Einflsse den anderen Faktoren den Variablen y,
nicht spezifiziert im Modell, betrachtet als seltsame Faktoren, mit unbedeutende
Faktoren auf die Varible y.
Die Analyze den Daten von der Tabelle hat zum folgenden Erklrung den Variablen
gefhrt.

Die Identifizierung des unifactorialen Modells bedeutet die Wahl einer Funktion ,die die
Fhigkeit hat, die Werte der endogene Variable y nur funktion den Werte der endogene Variable x
zu approximieren.
y = Bevolkerung (endogene) die unabhngige Variable;
X1 = Lndliche Bevolkerung (exogene) die abhngige Variable nach der
Arbeitshypothese der Faktor mit der strkeste Einfluss auf der Variable y.
X2 = Stdliche Bevolkerung (exogene) - die abhngige Variable nach der
Arbeitshypothese der Faktor mit der strkeste Einfluss auf der Variable y
Die Identifizierung des multifactorialen Modells bedeutet die Wahl einer Funktion ,die
die Fhigkeit hat, die Werte der endogene Variable y nur funktion den Werte der endogene
Variable x zu approximieren.
a)Graphische Darstellung
7000000
6000000
5000000

f(x) = 0.23x + 3748769


R = 0.63

4000000

Lndliche Bevlkerung
Linear (Lndliche
Bevlkerung)
Stdtische Bevlkerung

3000000
2000000
1000000
0
7500000 8000000 8500000 9000000 9500000

Linear (Stdtische
Bevlkerung)
Linear (Stdtische
Bevlkerung)

b)Schtzung der Parameter


Von Excel haben wir die Parameters erfahren und zwar:

Werte der Parameter


a= -393252.7855
b1= 0.964652263
b2= 1.0863643

y=a +b1x1+b2x2

y=-393252.7855 + 0.964652263X1+
1.0863643X2

Parameter a - zeigt den Punkt, an dem die Regressionsgerade die OY-Achse schneidet
Es ist die durchschnittliche Anzahl der Bevlkerung wenn die Anzahl der Lndliche Bevlkerung
oder Stdliche nicht mehr steigt.
Parameter b1,b2 - zeigt die proportionale nderung der exogene variable (X), wenn sich die
endogene variable (Y) um eine Einheit ndert.
wenn b positiv ist ( >0 ) , gibt es einen positiven Zusammenhang. In diesem Fall b>0 und hat
eine positive Richtung .
c)Testen Sie die Signifikanz der Parameter
Signifikanz der Parameter
t teoretic
t berechnet
Signifikanz F
H0: a=0(a ist nicht
signifikant)
H1: a/=0(a ist signifikant)

2.06
t th > t calc => H0(a ist nicht
-2.789481273 signifikant)

Weil n = 15 30 haben wir eine kleine Stichprobengroe und wir verwenden den t-Test.
Weil t berechnet < t teoretic ist , akzeptiert man die H0 und das bedeutet, dass a nicht
signifikant ist ,von Null verschieden, also a ist nicht signifikant.

d) Testen Sie die Gltigkeit des Modells


Um die Gltigkeit des Regressionsmodells zu testen, formuliert man folgende Hypothesen:
s y2 / x se2
H0:

das Modell ist nicht gltig

s y2 / x se2
H1:

das Modell ist gltig

Fcalc

2
y/x
2
e

Wir werden den Formel

benutzen.

Gultigkeit des Modells


F berechnet
10637.09267
F teoretic
4.24169905
F berechnet > F teoretic => Modell ist gultig

Von Anova Tabel haben wir die F berechnet, und zwar 10637.09267und fr F teoretic haben wir
den nchsten Formel benutzt. =FINV(0.05,1,25), 4.24169905.
F berechnet > F teoretic => Modell ist gltig
e) Testen der Voraussetzungen der Anwendung der :
n

DW


i2


i 1

i 1

KQM Autokorrelation, Homoskedastizitt und Normalverteilung

1) Autokorrelation Durbin Watson Test

0<DW<D1
0<DW<1.28

Autokorellation
D2<DW<4D1<=DW<=D2
D2
1.28<=DW<=1.5 1.57<DW<2.4
7
3

4-D2<=DW<=4D1
2.43<=DW<=2.7
2

4D1<DW<4
2.72<DW<
4

1.45E+00
Sum of Square residuals
Sum of Square difference of
residual

5.64E+09
8.19E+09

d1=1.28

d2=1.57

Erstmal haben wir die Sum of Square residuals und Sum of Square difference of residual
berechnet und dann haben wir die DW berechnet.
DW betrg 1.45E+00 und befindet sich in 0 < DW <d1 , 0 < DW < 1.28 , das heit , wir haben
eine Positive Autokorellation.
2) White Test- Homoskedastizitt
Wir haben LM= n* R2 berechnet. LM betrg 26.96957487 und Chi-quadrat=5,99
H0-Homoskedastisch-> LM < Chi quadrat
H1-Heteroskedastisch-> LM> Chi quadrat
LM> Chi quadrat , Modell ist gltig,wir haben Homoskedastizitt
3) Jarque Berra- Normalverteilung
S2
K 3 2 ~ 2

;2
24
6

JB n

Wir haben JB=5,99 von Projekt und wir mssen den Formel berechnen.
Mit der Hilfe der Excel haben wir die folgende JB berechnet:
Jarque Berra :

Skew
Skew * Skew
(S *S) / 6
Kurt
K-3
(k -3)(k -3)
[(k -3)(k -3)] / 24
JB

-2.063783601
4.259202752
0.709867125
10.33551238
7.335512383
53.80974192
2.24207258
79.70237204

H0: die Residuen werden normalverteilt


H1: die Residuen werden nicht normalverteilt
JB berechnet > JB teoretic , deswegen akezeptieren wir die H0,die Residuen sind normal verteilt.
4. Liniare Mehrfachregression mit 3 exogenen Variablen

In den letzten Fall, gibt es ein multifactorialien kometrisches Modell, weil wir eine
Einfluss der produktiven Variable y Bevlkerung von mehreren bestimmenden Faktoren
x1,x2,x3 haben.Die bestimmende Faktoren sind x1- BIP , x2- BIP/Kopf und GNI.
Ausgehend von den Daten der Anwendung kann man eine unifactoriale kometrisches
Modell wie folgt:
y f ( X 1.... Xn)

wo:
y = die reale Werte de abhngigen Variablen;
x =die reale Werte der unabhngigen Variblen;
=die residuale Variable, bedeutet die Einflsse den anderen Faktoren den Variablen y,
nicht spezifiziert im Modell, betrachtet als seltsame Faktoren, mit unbedeutende
Faktoren auf die Varible y.
Die Analyze den Daten von der Tabelle hat zum folgenden Erklrung den Variablen
gefhrt.
Die Identifizierung des unifactorialen Modells bedeutet die Wahl einer Funktion ,die die
Fhigkeit hat, die Werte der endogene Variable y nur funktion den Werte der endogene Variable x
zu approximieren.
y = Bevolkerung (endogene) die unabhngige Variable;
X1 = BIP (exogene) die abhngige Variable nach der Arbeitshypothese der Faktor mit
der strkeste Einfluss auf der Variable y.
X2 = BIP/Kopf (exogene) - die abhngige Variable nach der Arbeitshypothese der
Faktor mit der strkeste Einfluss auf der Variable
X3 = GNI (exogene) - die abhngige Variable nach der Arbeitshypothese der Faktor
mit der strkeste Einfluss auf der Variable y
Die Identifizierung des multifactorialen Modells bedeutet die Wahl einer Funktion ,die
die Fhigkeit hat, die Werte der endogene Variable y nur funktion den Werte der endogene
Variable x zu approximieren.
b)Schtzung der Parameter
Von Excel haben wir die Parameters erfahren und zwar:

Werte der Parameter


a=8791184.849
b1=0.000245655
b2=-32.87197145
b3=-0.000245434

y=a+b1x1+b2x2+b3x
3

y=8791184.849+0.000245655x1-32.87197145x2-0.000245434x3

Parameter a - zeigt den Punkt, an dem die Regressionsgerade die OY-Achse schneidet
Es ist die durchschnittliche Anzahl der Bevlkerung wenn die Anzahl der BIP, BIP/Kopf oder
GNI nicht mehr steigt.
Parameter b1,b2,3 - zeigt die proportionale nderung der exogene variable (X), wenn sich die
endogene variable (Y) um eine Einheit ndert.
wenn b positiv ist ( >0 ) , gibt es einen positiven Zusammenhang. In diesem Fall b>0 und hat
eine positive Richtung .

c)Testen Sie die Signifikanz der Parameter


Signifikanz der Parameter
t teoretic
t berechnet
H0: a=0(a ist nicht signifikant)
H1: a/=0(a ist signifikant)

2.06
t th < t calc => H1, a ist
26.38486716 signifikant

Weil n = 15 30 haben wir eine kleine Stichprobengroe und wir verwenden den t-Test.
Weil t berechnet > t teoretic ist , lehnt man die H0 und akzeptiert H1,das bedeutet, dass a
signifikant ist ,von Null verschieden, also a ist signifikant.

d) Testen Sie die Gltigkeit des Modells


Um die Gltigkeit des Regressionsmodells zu testen, formuliert man folgende Hypothesen:
s y2 / x se2
H0:

das Modell ist nicht gltig

s y2 / x se2
H1:

das Modell ist gltig

Fcalc

2
y/x
2
e

Wir werden den Formel

benutzen.

Gultigkeit des Modells


F berechnet
F teoretic

1.317098641
4.24169905

F berechnet < F teoretic => Modell ist nicht gultig

Von Anova Tabel haben wir die F berechnet, und zwar 1.317098641 und fr F teoretic haben wir
den nchsten Formel benutzt. =FINV(0.05,1,25), 4.24169905.
F berechnet <F teoretic => Modell ist nicht gltig

e) Testen der Voraussetzungen der Anwendung der :


n

DW


i2


i 1

i 1

KQM Autokorrelation, Homoskedastizitt und Normalverteilung

1) Autokorrelation Durbin Watson Test


Autokorellation
0<DW<D1
0<DW<1.21
0.198629069
Sum of Square residuals
Sum of Square difference of
residual
DW

D1<=DW<=D2
1.21<=DW<=1.65

D2<DW<4-D2
1.65<DW<2.35

4-D2<=DW<=4D1
2.35<=DW<=2.79

4-D1<DW<4
2.79<DW<4

4.27E+12
8.48E+11
1.99E-01

d1=1.21
d2=1.65

Erstmal haben wir die Sum of Square residuals und Sum of Square difference of residual
berechnet und dann haben wir die DW berechnet.
DW betrg 0.198629069und befindet sich in 0 < DW <d1 , 0 < DW < 1.28 , das heit , wir haben
eine Positive Autokorellation.

2) White Test- Homoskedastizitt


Wir haben LM= n* R2 berechnet. LM betrg 3.958436367 und Chi-quadrat=5,99
H0-Homoskedastisch-> LM < Chi quadrat
H1-Heteroskedastisch-> LM> Chi quadrat
LM> Chi quadrat , Modell ist gltig,wir haben Homoskedastizitt
3) Jarque Berra- Normalverteilung
S2
K 3 2 ~ 2

;2
24
6

JB n

Wir haben JB=5,99 von Projekt und wir mssen den Formel berechnen.
Mit der Hilfe der Excel haben wir die folgende JB berechnet:
Jarque Berra :

Skew
Skew * Skew
(S *S) / 6
Kurt
K-3
(k -3)(k -3)
[(k -3)(k -3)] / 24
JB

-2.063783601
4.259202752
0.709867125
10.33551238
7.335512383
53.80974192
2.24207258
79.70237204

H0: die Residuen werden normalverteilt


H1: die Residuen werden nicht normalverteilt
JB berechnet > JB teoretic , deswegen akezeptieren wir die H0,die Residuen sind normal verteilt.