n vederea realizrii prezentului proiect am utilizat aplicaia Excel din Microsoft Office i

formularea concluziilor care se pot determina pe baza outputului din Excel. Pentru analiza
modelului de regresie liniara simpl si multipla, am folosit date referitoare la totalul locuitorilor
bulgariei, totalul locuitorilor din zona urbana, totalul locuitorilor din zona urbana, pib,pib pe cap
de locuitor si gni precum si date specifice din ultimii ani si anume din 1987 pana in 2013.
Am sintetizat informatiile pentru cele 6 variabile in decursul acestor ani, in tabelul
urmator:
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 prima parte a proiectului am realizat din aceste date urmatoarele: Graphische

Darstellung der Daten, zentral Tendenz Indikatoren, Streuungsindikatoren, Varianzanalyse,
Korrelationskoeffizienten. (Sheet Bulgarien). Pentru aceste date am folosit functia Data
Analysis-Descriptive Statistics.
Astfel am aflat Zentral Tendenz Indikatoren ( Mittelwert, Modalwert, Medienwert),
Streuindikatoren( Varianz, Standard Abweichung, Varianz Coeff) si Korrelationskoeffizienten.
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 $)

Dupa cum am mentionat si mai sus am folosit functia descriptive statistic pentru a afla
toate datele necesare.
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

Varianz

Bevlkerun
g insgesamt

Lndliche
Bevlkerun
g

Stdtische
Bevlkerun
g

BIP
(aktuelle
US $)

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

1.9249E+11

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-Model
In acest prim caz modelul econometric este unui unifactorial dat fiind faptul ca avem o
influenta a variabilei rezultative y BIP - de catre un factor determinant x Bevolkerung.
Pornind de la datele aplicaiei se poate construi un model econometric unifactorial de
forma:
y f ( x) u
(1)
unde:
y = valorile reale ale variabilelor dependente;
x = valorile reale ale variabilelor independente;

u =variabila rezidual, reprezentnd influenele celorlali factori ai variabilei y,

nespecificai n model, considerai factori ntmpltori, cu influene nesemnificative
asupra variabilei y.
Analiza datelor din tabel, n raport cu procesul economic descris conduce la urmtoarea
specificare a variabilelor:
y = BIP (endogen) variabila independenta;
x = Bevolkerung (exogen) variabila dependenta respectiv factorul considerat prin
ipoteza de lucru cu influena cea mai puternic asupra variabilei y.
Identificarea modelului unifactorial const n alegerea unei funcii care s aproximeze
valorile variabilei endogene y numai n funcie de valorile variabilei exogene x.
a) Graphische Darstellung

Procedeul cel mai des folosit, n cazul unui model unifactorial, l constituie reprezentarea
grafic a celor dou iruri de valori cu ajutorul corelogramei. Corelograma care reprezinta
legtura BIP si Bevolkerung este prezentat n graficul de mai jos in baza datelor din primul
tabel.

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=327470734521747.770366X

y=aX+ b

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)
H1: a/=0(a ist signifikant)

2.06
tcalc<t teoretic => H0, a nicht
1.344237727 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

2
y/x
2
e

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

Autokorellation
D1<=DW<= D2<DW<4D2
D2

4D2<=DW<=

4D1<DW

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

1.35<=DW<
=1.49

1.49<DW<
2.51

4-D1
2.51<=DW<
=2.65

<4
2.65<D
W<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 :

1 n
yi y
n i 1
S
3

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

1 n
yi y
n i 1
K
4

K = der Pearson Steilkoeffizient (kurtosis), misst wie hoch die Verteilung

ist(wie schmal ist die Verteilung im Vergleich zu der Normalverteilung

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
In al doilea caz modelul econometric este tot unul unifactorial dat fiind faptul ca avem o
influenta a variabilei rezultative y BIP - de catre un factor determinant x GNI.
Pornind de la datele aplicaiei se poate construi un model econometric unifactorial de
forma:
y f ( x) u
(1)
unde:
y = valorile reale ale variabilelor dependente;
x = valorile reale ale variabilelor independente;
u =variabila rezidual, reprezentnd influenele celorlali factori ai variabilei y,
nespecificai n model, considerai factori ntmpltori, cu influene nesemnificative
asupra variabilei y.
Analiza datelor din tabel, n raport cu procesul economic descris conduce la urmtoarea
specificare a variabilelor:
y = BIP (endogen) variabila independenta;
x = GNI (exogen) variabila dependenta respectiv factorul considerat prin ipoteza de
lucru cu influena cea mai puternic asupra variabilei y.
Identificarea modelului unifactorial const n alegerea unei funcii care s aproximeze
valorile variabilei endogene y numai n funcie de valorile variabilei exogene x.
a) Graphische Darstellung

GNI (current US$)

35000000000
30000000000
25000000000
20000000000
15000000000
10000000000
5000000000
0

f(x) = 1x - 287247893.04 GNI (current US$)

R = 0.99
Linear (GNI (current
US$))
Linear (GNI (current
US$))

20000000000
40000000000

Corelograma care reprezinta legtura

BIP si GNI este prezentat
n graficul de mai jos in baza datelor
din primul tabel.

b)Schtzung der Parameter

Von Excel haben wir die Parameters erfahren und zwar:

Werte der
Parameter
a=340167616.8
b=0.996266638

y=aX+ b

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
1.3685574 tcalc<t teoretic => H0, a
56 nicht 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

benutzen.

Gultigkeit des Modells

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

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

D1<=DW<=
D2
1.35<=DW<
=1.49

D2<DW<4D2
1.49<DW<
2.51

4D2<=DW<=
4-D1
2.51<=DW<
=2.65

4D1<DW
<4
2.65<D
W<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

1.5028742
64
2.2586310
53
0.3764385
09
3.6364843
97
0.6364843
97
0.4051123
87
0.0168796
83
10.619591
17

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 al treilea caz modelul econometric este unul multifactorial dat fiind faptul ca avem o
influenta a variabilei rezultative y Bevolkerung - de catre mai multi factori determinanti x1,x2
, x1- lndliche Bevolkerung x2- stdliche Bevolkerung
Pornind de la datele aplicaiei se poate construi un model econometric unifactorial de
forma:
y f ( X 1.... Xn)
unde:
y = valorile reale ale variabilelor dependente;
x = valorile reale ale variabilelor independente;
=variabila rezidual, reprezentnd influenele celorlali factori ai variabilei y,
nespecificai n model, considerai factori ntmpltori, cu influene nesemnificative
asupra variabilei y.
Analiza datelor din tabel, n raport cu procesul economic descris conduce la urmtoarea
specificare a variabilelor:
y = Bevolkerung (endogen) variabila independenta;

X1 = Lndliche Bevolkerung (exogen) variabila dependenta respectiv factorul

considerat prin ipoteza de lucru cu influena asupra variabilei y.
X2 = Stdliche Bevolkerung (exogena) - variabila dependenta respectiv factorul
considerat prin ipoteza de lucru cu influena asupra variabilei y.
Identificarea modelului multifactorial const n alegerea unei funcii care s aproximeze
valorile variabilei endogene y numai n funcie de valorile variabilelor exogene x.
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

2.06

t berechnet
Signifikanz F
H0: a=0(a ist nicht
signifikant)
H1: a/=0(a ist
signifikant)

t th > t calc => H0(a ist

-2.789481273 nicht 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

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

Autokorellation
0<DW<D1
0<DW<1.28
1.45E+00
Sum of Square residuals
Sum of Square difference of
residual

D1<=DW<=
D2
1.28<=DW<
=1.57

D2<DW<4D2
1.57<DW<
2.43

4D2<=DW<=
4-D1
2.43<=DW<
=2.72

4D1<DW
<4
2.72<D
W<4

5.64E+09
8.19E+09

d1=1.28

d2=1.5
7

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

2.0637836
01
4.2592027
52
0.7098671
25
10.335512
38
7.3355123
83
53.809741
92
2.2420725
8
79.702372
04

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