Sveuilite Jurja Dobrile u Puli

Odjel za ekonomiju i turizam

Dr. Mijo Mirkovi






Alen Belullo


UVOD U EKONOMETRIJU











Sveuilite Jurja Dobrile u Puli
Odjel za ekonomiju i turizam
Dr. Mijo Mirkovi








UVOD U EKONOMETRIJU

Sveuilini udbenik









Autor: Doc. dr. sc. Alen Belullo



Copyright Belullo, Alen

Nakladnik:
Sveuilite Jurja Dobrile u Puli
Odjel za ekonomiju i turizam
Dr. Mijo Mirkovi


Za nakladnika:
Prof. dr. sc. Robert Matijai, rektor


Recenzenti:
Dr. sc. Goran Buturac
Prof. dr. sc. Ante Rozga

Lektura:
Marija Belullo, prof.


Objavljivanje ove knjige odobrio je Senat Sveuilita Jurja Dobrile u Puli
odlukom Klasa: 003-08/11-02/70-01, Ur. broj: 380/11-01/-1 od 15. prosinca
2011. godine sukladno Zakljuku Povjerenstva za izdavaku djelatnost
Sveuilita Jurja Dobrile u Puli od 28. studenog 2011. godine.






UVOD U EKONOMETRIJU/ Alen Belullo. Pula:
Sveuilite Jurja Dobrile u Puli, Odjel za ekonomiju i
turizam Dr. Mijo Mirkovi, 2011.

Bibliografija.

ISBN 978-953-7498-50-4

1. Belullo, A.
Sadrzaj
Predgovor iii
1 Uvod u regresijsku analizu 1
1.1 Pojam ekonometrije . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Koraci u ekonometrijskoj analizi . . . . . . . . . . . . . . . . 2
1.2.1 Odreivanje teorije ili hipoteze . . . . . . . . . . . . . 2
1.2.2 Specikacija matematickog modela . . . . . . . . . . . 2
1.2.3 Specikacija ekonometrijskog modela . . . . . . . . . . 3
1.2.4 Prikupljanje podataka . . . . . . . . . . . . . . . . . . 5
1.2.5 Procjena ekonometrijskog modela . . . . . . . . . . . . 9
1.2.6 Testiranje hipoteza . . . . . . . . . . . . . . . . . . . . 10
1.2.7 Prognoziranje i predvianje . . . . . . . . . . . . . . . 10
1.3 Regresijska funkcija populacije i regresijska funkcija uzorka . 11
2 Parametri modela dobiveni metodom najmanjih kvadrata 18
2.1 Procjena parametara . . . . . . . . . . . . . . . . . . . . . . . 18
2.2 Svojstva regresijskog pravca . . . . . . . . . . . . . . . . . . . 26
2.3 Svojstva procjenitelja . . . . . . . . . . . . . . . . . . . . . . 28
3 Pokazatelji kvalitete regresije 32
3.1 Koecijent determinacije . . . . . . . . . . . . . . . . . . . . . 33
3.2 Znacajnost procjenitelja . . . . . . . . . . . . . . . . . . . . . 39
3.2.1 Standardna greka procjenitelja . . . . . . . . . . . . . 39
3.2.2 Testiranje hipoteza nad procjeniteljima . . . . . . . . 42
A Izvodi i dokazi 57
A.1 Izvod parametara modela s jednom nezavisnom varijablom
metodom najmanjih kvadrata . . . . . . . . . . . . . . . . . . 57
B Matematika 59
B.1 Neka svojstva operatora zbrajanja

. . . . . . . . . . . . . . 59
i
C Statistika 61
C.1 Distribucije vjerojatnosti izvedene iz normalne distribucije . . 61
D Podaci 62
D.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
E Statisticke tablice 63
ii
Predgovor
Ovaj udzbenik nastaje iz potrebe da studenti lake shvate teorijske pretpos-
tavke na kojima se temelji metoda najmanjih kvadrata. Cilj je bio napisati
rad koji polazi od osnovnih ekonometrijskih pojmova, tj. namijenjen je ci-
tatelju koji nema nikakvog predznanja iz tog podrucja, ali je ipak pisan u
strogoj matematickoj formi, kako bi se izbjegle zamke nedorecenosti, u koje
upadaju mnogi udzbenici iz ekonometrije, pisani za pocetnu razinu. Ka-
ko ne bi prosjecnom citatelju opterecivali tekst slozeniji matematicki dokazi
i osnove teorije distribucije vjerojatnosti, dani su u dodacima. Matema-
ticka notacija konzistentna je kroz cijeli rad (npr. populacijske vrijednosti
su uvijek oznacene grckim alfabetom, dok vrijednosti uzoraka uvijek latin-
skom abecedom, velikim podebljanim slovima oznacene su matrice, malim
podebljanim slovima vektori, nepodebljani izrazi su skalari, varijable u de-
vijacijskoj formi su uvijek prikazane tildom itd.).
U knjizi se nadalje, zbog potreba poopcavanja, paralelno koristi obicna
algebra, karakteristicna za pocetnicke udzbenika, i matricna algebra, karak-
teristicna za napredne udzbenike iz ekonometrije. Na taj se nacin pokuao
premostiti jaz, koji postoji izmeu pocetnih udzbenika i naprednih udzbe-
nika iz ekonometrije, tj. da se zorno prikaze na koji se nacin mogu poopciti
obicne jednadzbe kojima se prikazuju jednostavniji modeli (npr. modeli s
jednom nezavisnom varijablom) putem matricnog zapisa istih ekonometrij-
skih izraza koji vrijede za slozenije modele (npr. s /1 nezavisnih varijabli).
Na taj se nacin moze dobiti dojam elegancije i kompaktnosti matricnog za-
pisa, a koritenjem matricno orijentiranih softwarea brzo i ekasno rjeavati
zadatke prikazane u knjizi.
U knjizi su prikazani mnogobrojni primjeri i zadaci te su dani svi poda-
ci potrebni citatelju da bi mogao sam jednostavno reproducirati prikazane
dobivene rezultate.
Osim studentima, koji sluaju predmet Ekonometrija, Analiza vremen-
skih nizova, Ekonometrija II, namijenjen je i istrazivacima koji zele dobiti
cvrste temelje, kako bi shvatili samu bit regresijske analize pomocu metode
najmanjih kvadrata. to se tice potrebnog predznanja, da bi se knjiga mogla
lako citati, potrebno je samo osnovno znanje iz matricne algebre.
Knjiga je podijeljena u tri poglavlja: u prvom dijelu objanjava se po-
iii
jam ekonometrije, koraci u ekonometrijskoj analizi te regresijska funkcija
populacije i uzorka; u drugom dijelu objanjava se na koji se nacin dobiva-
ju parametri metodom najmanjih kvadrata, svojstva regresijskog pravaca i
procjenitelja, da bi se u zadnjem dijelu prikazali pokazatelji kvalitete regre-
sije.
Buduci da je ova knjiga proizala iz dijelova priprema za predavanja iz
predmeta Ekonometrija zelio bih se zahvaliti svim studentima koji su svojim
komentarima i pitanjima tijekom predavanja doprinijeli da se knjiga priblizi
njihovim potrebama i boljem razumijevanju gradiva, kao i svim onim stu-
dentima koji su uspjeno detektirali tiskarske greke u radnim verzijama
ovog rada, jer sam svjestan da je rat s tiskarskim grekama bespovratno
izgubljen, ali poneka je bitka dobivena, zahvaljujuci njima. Nadalje, poseb-
no bih se zahvalio profesorici Mariji Buelic i Sanji Blazevic koje su svojom
beskrajnom upornocu i altruizmom doprinijele da ova knjiga uopce ugleda
svjetlost dana. Za tehnicku podrku zahvalio bih se aniju Buricu. Na kraju
volio bih reci jedno veliko hvala blizim clanovima moje obitelji na njihovim
sugestijama i lekturi, te za uvijek prisutnu podrku kada su s dubokim ra-
zumijevanjem cesto morali podnositi moja prevrtljiva raspolozenja tijekom
njezinog nastajanja.
iv
Poglavlje 1
Uvod u regresijsku analizu
1.1 Pojam ekonometrije
Ekonometrija doslovno znaci ekonomsko mjerenje. Ekonometriju mozemo
denirati kao znanstvenu disciplinu koja se bavi empirickim dokazivanjem
ekonomskih zakona deniranih u ekonomskoj teoriji. Usko je vezana uz
discipline: ekonomska teorija, matematicka ekonomija i ekonomska
statistika.
Ekonomska teorija postavlja svoje zakone uglavnom na kvalitativnoj ra-
zini, tj. odreuje smjer kretanja zavisnosti odreenih ekonomskih pojava,
bez odreivanja velicine i znacajnosti tih veza.
Matematicka ekonomija izrazava ekonomsku teoriju u odreenoj mate-
matickoj formi (jednadzbe), bez osvrtanja na empiricku provjeru tih teorija.
Ekonomska statistika bavi se prikupljanjem, obradom i prezentiranjem
ekonomskih pokazatelja u obliku tablica i slika. Ekonomska statistika ne bavi
se provjerom ekonomskih teorija na temelju tako prikupljenih podataka.
Znaci, ekonometrijom se provjeravaju, koristeci se metodama matema-
ticke ekonomije i podacima dobivenim iz statistike, jesu li valjane ekonomske
teorije za odreeni uzorak (populaciju).
Ekonometriju mozemo podijeliti u dvije glavne skupine: teorijska eko-
nometrija i primijenjena ekonometrija. Teorijska ekonometrija bavi se
razvijanjem ekonometrijskih metoda, dok se primijenjena ekonometrija bavi
primjenjivanjem ekonometrijskih metoda koje je razvila teorijska ekonome-
trija na konkretnim ekonomskim problemima.
Teorijska i primijenjena ekonometrija mogu koristiti ili Bayesov ili kla-
sicni pristup statistickom zakljucivanju. Glavna je razlika izmeu ova dva
pristupa u njihovom poimanju vjerojatnosti. Po Bayesovom pristupu vjero-
jatnost se odnosi na stupanj razumno prihvatljivog uvjerenja; vjerojatnost je
vezana za stupnjeve pouzdanosti koje istrazivac unaprijed ima o nekom em-
pirickom fenomenu (prije samog promatranja podataka). Drugim rijecima
po Bayesu imamo subjektivni pristup konceptu vjerojatnosti. Po klasicnom
1
pristupu vjerojatnost se odnosi na frekvenciju pojavljivanja odreenog do-
gaaja u ponovljenim izvlacenjima, ili imamo objektivni pristup konceptu
vjerojatnosti.
1.2 Koraci u ekonometrijskoj analizi
Ekonometrijska analiza slijedi odreen put, a to je:
1. Odreivanje teorije ili hipoteze
2. Specikacija matematickog modela
3. Specikacija ekonometrijskog modela
4. Prikupljanje podataka
5. Procjena ekonometrijskog modela
6. Testiranje hipoteza
7. Predvianje i prognoziranje
1.2.1 Odreivanje teorije ili hipoteze
Svoje teorije i hipoteze ekonometrija uglavnom preuzima, kao to smo rekli,
iz ekonomske teorije. Tako je npr., J. M. Keynes rekao da ako se raspoloziv
dohodak stanovnitva poveca, tada ce se, uz ostale nepromijenjene uvjete,
povecati potronja stanovnitva, ali za manje od povecanja raspolozivog do-
hotka. Ne govori nam nita u prilog tome koliko ce se potronja povecati za
jedinicno povecanje raspolozivog dohotka, vec nam govori samo o smjeru za-
visnog kretanja tih varijabli i da je granicna sklonost potronji stanovnitva
izmeu 0 i 1.
1.2.2 Specikacija matematickog modela
Iako je Keynes pretpostavio pozitivnu vezu izmeu potronje i raspolozi-
vog dohotka, nije specicirao precizni oblik funkcionalne veze izmeu tih
varijabli. Matematicka ekonomija sugerira sljedecu funkcionalnu formu:
j = ,
0
+ ,
1
r 0 < ,
1
< 1 (1.1)
gdje:
y = potronja
x = raspoloziv dohodak
,
0
= autonomna potronja
,
1
= granicna sklonost potronji
2
Raspoloiv dohodak
P
o
t
r
o

n
j
a
y
x
1
1

x y
1 0
+ =
Slika 1.1: Deterministicki model
Jednadzba (1.1) govori nam da je potronja linearno ovisna o dohotku jer
imamo linearnu funkciju (polinom prvog stupnja). To je matematicki model
izmeu potronje i dohotka koji se u ekonomiji zove funkcija potronje.
Opcenito modelom zovemo skup matematickih jednadzbi. Jednadzbe ne
moraju biti linearne vec mogu poprimiti razlicite funkcionalne forme (logari-
tamske, eksponencijalne, itd.). U prikazanom slucaju model cini samo jedna
linearna jednadzba. y i x zovemo varijablama modela. Varijablu x, koja
ne ovisi o drugim varijablama u modelu, zovemo nezavisnom ili egzoge-
nom varijablom, dok varijablu y, koja u naem slucaju ovisi o varijabli x
zovemo zavisnom ili endogenom varijablom. ,
0
i ,
1
zovu se parametri
ili koecijenti modela. O vrijednostima parametara ovisi izgled funkcije.
,
0
odreuje odsjecak na ordinati, koji se u ekonomiji interpretira kao auto-
nomna potronja, dok ,
1
odreuje nagib ili smjer funkcije, to se u ekonomiji
interpretira kao granicna sklonost potronji.
1.2.3 Specikacija ekonometrijskog modela
Jednadzba 1.1 prikazuje egzaktnu ili deterministicku vezu izmeu vari-
jable x i varijable y. Meutim, veze izmeu ekonomskih varijabli uglavnom
nisu egzaktne stoga se pojavljuje potreba za ukljucivanjem stohastickog ele-
menta - u matematicki model. Ukljucivanjem stohastickog elementa -
matematicki se model 1.1 pretvara u ekonometrijski (stohasticki) mo-
3
del:
j = ,
0
+ ,
1
r + - 0 < ,
1
< 1. (1.2)
Stohasticki element - zovemo i slucajno odstupanje, slucajna greka
ili rezidual.
Raspoloiv dohodak
P
o
t
r
o

n
j
a
+

x
y

x y
1 0
+ =
Slika 1.2: Ekonometrijski model
Na Slici 1.2 prikazan je ekonometrijski model funkcije potronje. Iz Slike
1.2 vidimo da svaku tocku mozemo odrediti deterministickim dijelom j =
,
0
+ ,
1
r kojemu dodajemo slucajno odstupanje -. Slucajno odstupanje
moze biti pozitivno (iznad pravca) ili negativno (ispod pravca). Slucajno
odstupanje preuzima na sebe vrijednosti svih varijabli koje su izostavljene
iz modela, a koje utjecu na ponaanje j i greke koje se pojavljuju uslijed
krive funkcionalne forme. Mozemo reci da se slucajna greka - pojavljuje
zbog:
1. Neodreenosti teorije: ekonomska teorija tezi pojednostavljivanju stvar-
nog svijeta i stoga u teorijske modele ne ulaze sve varijable koje bi
mogle utjecati na j, vec samo one koje se smatraju vaznijima, kako bi
se ekonomski modeli zadrzali jednostavnima.
2. Nedostupnosti podataka: npr. mozemo smatrati da na potronju po-
jedinaca utjece, osim njihovog raspolozivog dohotka, i njihovo bogat-
stvo. Dok je raspoloziv dohodak dostupna informacija, bogatstvo je
cesto nedostupan podatak.
4
3. Manje vaznih varijabli : pretpostavimo da, osim raspolozivog dohot-
ka, na potronju utjecu i sljedece varijable: broj djece, spol, vjera,
obrazovanje i zemljopisni polozaj. Moguce je pretpostaviti da je nji-
hov utjecaj na potronju slab, nesustavan i stoga slucajan. Stoga se iz
prakticnih razloga te varijable izostavljaju, a njihov zajednicki utjecaj
na zavisnu varijablu j ulazi u slucajnu greku -.
4. Slucajnosti koje su svojstvene ljudskom ponaanju: kada bismo i us-
pjeli ukljuciti u model sve relevantne varijable, uvijek postoji u pona-
anju pojedinca odreena doza slucajnosti koja se ne moze racionalno
objasniti, ma koliko mi to pokuavali.
5. Loih zamjenskih varijabli : cesto varijable koje predlaze ekonomska
teorija nisu neposredno mjerljive. U poznatoj funkciji potronje Milto-
na Friedmana permanentna potronja ovisi o permanentnom dohotku.
Meutim, niti je permanentni dohodak, niti je permanentna potronja
neposredno mjerljiva velicina, vec se procjenjuju na temelju njihovih
tekucih vrijednosti. U tom slucaju moze doci do greke u njihovoj pro-
cjeni. Ovu ce mjernu greku takoer na sebe preuzeti slucajna greka
-.
6. Krive funkcionalne forme: iako smo ispravno u model ukljucili rele-
vantne varijable moguce je da smo pogrijeili u odabiru funkcionalne
forme. Npr. pretpostavimo da je umjesto j = ,
0
+ ,
1
r + - ispravan
model j = ,
0
+,
1
r+,
2
r
2
+-. U modelu sa samo dvije varijable lako
je na temelju izgleda dijagrama disperzije odrediti funkcionalnu formu.
Meutim, u modelima s vie nezavisnih varijabli to postaje vrlo teko
jer nije moguce prikazati viestruko dimenzionalni dijagram disperzije.
Greka, koja se pojavljuje uslijed odabira krive funkcionalne forme, uci
ce u slucajnu greku -.
1.2.4 Prikupljanje podataka
Parametre ,
0
i ,
1
modela 1.2 procjenjuju se na temelju opazanja varijabli
r i j koji se dobiju iz statistike. Opazanja o varijablama mogu se prikup-
ljati za vremenska razdoblja, pa govorimo o vremenskim nizovima (eng.
time series). Osim toga mogu se prikupljati za pojedince, grupe pojedinaca,
predmete ili za geografska podrucja, pa govorimo o podacima vremenskog
presjeka (eng. cross section). Obje se vrste podataka mogu kombinira-
ti da bi se dobili zdruzeni podaci vremenskih nizova i vremenskih
presjeka (eng. pooled cross sections).
Vremenski nizovi
Vremenski se nizovi sastoje od opazanja jedne ili vie varijabli kroz vrijeme.
Takvi se podaci mogu prikupljati dnevno (npr. cijene dionica), tjedno
5
(npr. ponuda novca), mjesecno (npr. indeks cijena, stopa nezaposlenosti),
kvartalno (npr. BDP), godinje (npr. drzavni proracun), desetogodi-
nje (npr. popis stanovnitva).
Tablica 1.1: Potronja i BDP u Hrvatskoj od 1997. do 2005. godine
Godina
Potronja (C)
u milijardama kuna
BDP (Y)
u milijardama kuna
1997. 79.023 123.811
1998. 82.741 137.604
1999. 83.336 141.579
2000. 109.500 152.519
2001. 99.611 165.639
2002. 100.139 181.231
2003. 115.081 198.422
2004. 122.100 212.826
2005. 130.576 229.031
Izvor: International Financial Statistics (IFS), Meunarodni monetarni fond, veljaa 2007.
U Tablici 1.1 prikazani su podaci o hrvatskoj potronji i BDP-u za raz-
doblje od 1997. do 2005. godine na temelju kojih mozemo izracunati hr-
vatsku funkciju potronje. Vidimo da se radi o dva vremenska niza izrazena
na godinjoj frekvenciji. Svi podaci koji ulaze u odreenu ekonometrijsku
analizu moraju biti izrazeni u istoj vremenskoj frekvenciji (svi moraju biti
godinji, kao u gornjem slucaju, kvartalni, itd.) Podatke iz viih frekven-
cija mozemo pretvoriti u nize frekvencije (npr. kvartalne u godinje)
pomocu prosjeka za varijable koje prikazuju stanja (npr. cijene, kamat-
njaci), ili pomocu zbrajanja za varijable koje prikazuju tokove (npr. BDP,
potronja, investicije). S nizih frekvencija na vie frekvencije moguce
je transformirati varijable pomocu statistickih metoda interpolacije (za sta-
nja) i distribucije vrijednosti (za tokove). Vremenske nizove karakteriziraju
trend i sezonska odstupanja (za frekvencije vie od godinjih) a njima
se bavi jedan posebni dio ekonometrije koji se zove Analiza vremenskih
nizova ili Ekonometrija vremenskih nizova. Na slici 1.3 prikazan je
hrvatski BDP izrazen u kvartalima (tromjesecno) gdje se jasno vidi da u
promatranom razdoblju BDP ima znacajan trend rasta i velika sezonska od-
stupanja; BDP je najveci u 3. kvartalu a najmanji u 1. kvartalu
1
. Drugim
rijecima, vremenski nizovi cesto nisu stacionarni procesi
2
, a stacionarnost
je jedna od pretpostavki na kojima leze ekonometrijski modeli.
1
Jasno se vidi da je 1995. godine "podbacila" sezona uslijed redarstvenih akcija Bljeska
i Oluje.
2
Kaze se da je vremenski niz stacionaran ako se njegova sredina i varijanca asimptotski
ne mijenjaju tijekom vremena.
6
BDP
bazni indeks 2000. =100
1993 1995 1997 1999 2001 2003 2005
75
100
125
150
Slika 1.3: Hrvatski kvartalni BDP od 1993:1-2006:3
Vremenski presjeci
Podaci vremenskog presjeka su podaci jedne ili vie varijabli prikupljeni u
zadanoj vremenskoj tocki. Kada bismo na taj nacin htjeli prikupiti podatke
na temelju kojih bismo mogli procijeniti funkciju potronje u Hrvatskoj,
morali bismo prikupiti npr. opazanja o dohotku i potronji po gradovima ili
zupanijama.
U Tablici 1.2 prikazan je vremenski presjek (za 2004. g.) potronje i
BDP-a za tranzicijske zemlje. Vidimo da se skup opazanja u ovom slucaju
ne sastoji od razlicitih godina, vec od podataka za razlicite zemlje za 2004.
godinu. Ako ne bismo imali na raspolaganju podatke za sve zemlje za 2004.
g., mogli bismo koristiti za neke zemlje i podatke iz 2003. ili 2005. godi-
ne, ako smatramo da nije dolo do strukturnih promjena u tim godinama.
Drugim rijecima, u analizi vremenskih presjeka mozemo zanemariti manje
razlike u vremenu prikupljanja podataka. Kao to vremenski nizovi imaju
svoje specicne probleme (stacionarnost), tako i vremenski presjeci imaju
svoje specicne probleme, meu kojima je najznacajniji heterogenost po-
dataka.
Dijagramom disperzije na slici 1.4 prikazan je odnos izmeu BDP-a i po-
tronje u tranzicijskim zemljama. Imamo male zemlje s malim BDP-om kao
to su Makedonija, Bugarska, Hrvatska, Slovenija i Slovacka, zemlje sa sred-
7
Tablica 1.2: Potronja i BDP 2004. godine u tranzicijskim zemljama
Zemlja
Potronja (C)
u milijardama US $
BDP (Y)
u milijardama US $
Bugarska 16.518 24.225
Hrvatska 20.249 35.295
eka 54.818 108.212
Maarska 68.572 102.157
Makedonija 4.182 5.368
Poljska 161.921 252.254
Rumunjska 51.277 75.574
Slovaka 23.833 42.011
Slovenija 17.874 32.601
Izvor: International Financial Statistics (IFS), Meunarodni monetarni fond, veljaa 2007.
njim BDP-om kao Rumunjska,

Ceka i Maarska, i na kraju imamo Poljsku
koja znatno odskace po svojoj velicini. U tom slucaju, imamo heterogene
podatke i zato moramo voditi racuna o tzv. efektu razmjera ili efektu
opsega.
Zdruzeni podaci i panel (uzduzni) podaci
Ako kombiniramo vremenske nizove s vremenskim presjecima dobijemo zdru-
zene podatke.
Posebna vrsta zdruzenih podataka, u kojima se kroz razlicite vremenske
tocke pojavljuju iste vremenski presjecne jedinice (iste obitelji, iste zemlje,
itd.), zovu se panel ili uzduzni (longitudinalni) podaci. Tablica 1.3 pri-
kazuje uzduzne podatke o potronji i BDP-u za tranzicijske zemlje. U tom
slucaju imamo za svaku vremenski presjecnu jedinicu (zemlju) niz vremen-
skih tocaka (od 1997. do 2005. godine). Ako gledamo tablicu kroz njezine
retke, vidimo vremenski presjek, ali ako je gledamo kroz stupce, vidimo vre-
menski niz. Znaci, uzduzni podaci su kombinacija vremenskih presjeka i
vremenskih nizova za iste vremenski presjecne jedinice.
Pretpostavimo, meutim, da se u dvije razlicite godine (2000. i 2005.)
istrazivala funkcija potronje hrvatskih obitelji s pitanjima o njihovim do-
hocima i potronji. Kada bismo ukljucili samo opazanja iz 2000. godine, ili
samo opazanja iz 2005. godine, radilo bi se o vremenskom presjeku. Meu-
tim, kako bi se povecao broj opazanja mozemo zdruziti podatke iz 2000. i
2005. godine i tako dobiti zdruzene podatke iz obje godine. Buduci da su
se obitelji za istrazivanje birale slucajno, vrlo je mala vjerojatnost da je ista
obitelj sudjelovala u istrazivanju 2000. i 2005. godine. Stoga za razlicite vre-
menske tocke imamo razlicite vremenski presjecne jedinice (obitelji). U tom
slucaju ne govorimo o uzduznim (panel) podacima nego samo o zdruzenim
(pooled) podacima.
8
Slika 1.4: Odnos BDP-a i potronje u tranzicijskim zemljama 2004. godine.
1.2.5 Procjena ekonometrijskog modela
Kada imamo podatke, mozemo procijeniti parametre funkcije potronje 1.2
na temelju vrijednosti prikazanih u Tablici 1.1. Na Slici 1.5 prikazana je
hrvatska funkcija potronje za razdoblje od 1997. do 2005. godine.
Pravac koji prolazi kroz tocke dijagrama disperzije nacrtali smo na nacin
da minimiziramo sumu kvadrata odstupanja. O toj metodi bit ce vie rijeci
u sljedecem poglavlju. Dobiveni koecijenti prikazanog pravca su:
j = 21.42 + 0.47r. (1.3)
Kapica nad j oznacava da se radi o procijenjenoj vrijednosti (prika-
zanoj pravcem) stvarne zavisne varijable j (prikazana tockama). Iz procije-
njene funkcije potronje prikazane u jednadzbi 1.3 vidimo da je koecijent
nagiba 0.47, to znaci da bi u promatranom razdoblju povecanje BDP-a u
Hrvatskoj za 1 kunu povecalo u prosjeku potronju stanovnitva za 47 lipa.
Iz Slike 1.5 vidimo da smo provukli regresijski pravac kroz dijagram
disperzije. Kada se, meutim, prica o linearnoj regresiji, ne misli se na
linearnost u varijablama, vec na linearnost u parametrima. Mogli smo
kroz tocke dijagrama disperzije povuci i neki drugi oblik funkcije, kao npr.
9
Tablica 1.3: Potronja i BDP u tranzicijskim zemljama u razdoblju od 1997.
do 2005. g. (u milijardama US dolara)
Godina
1997. 1998. 1999. 2000. 2001. 2002. 2003. 2004. 2005.
C 7.57 8.60 9.22 8.73 9.47 10.69 13.73 16.52 18.71
Bugarska
Y 10.38 12.74 12.93 12.62 13.63 15.55 19.97 24.22 26.72
C 12.83 13.01 11.72 13.22 11.94 13.60 17.18 20.25 21.95
Hrvatska
Y 20.10 21.64 19.91 18.42 19.86 23.03 29.62 35.29 38.49
C 30.72 32.58 31.84 29.77 32.08 38.56 47.23 54.82 61.50
eka
Y 57.13 61.85 60.19 56.71 61.84 75.27 91.35 108.21 123.97
C 28.28 29.37 30.67 30.25 34.22 44.00 57.59 68.57 75.10
Maarska
Y 45.72 47.05 48.04 47.96 53.32 66.71 84.42 102.16 110.37
C 2.71 2.59 2.56 2.67 2.41 2.92 3.53 4.18
Makedonija
Y 3.72 3.58 3.67 3.59 3.44 3.79 4.63 5.37
C 98.56 107.86 106.00 109.65 123.65 132.28 141.95 161.92 190.32
Poljska
Y 157.12 172.67 167.84 171.18 190.51 198.00 216.48 252.25 302.67
C 26.06 31.81 26.49 25.95 28.10 31.56 39.29 51.28 73.16
Rumunjska
Y 35.13 42.00 35.67 37.04 40.13 45.76 59.51 75.57 97.25
C 11.67 12.38 11.72 11.57 12.25 14.20 18.70 23.83 27.21
Slovaka
Y 21.56 22.43 20.60 20.45 21.11 24.52 32.98 42.01 47.43
C 11.45 12.12 12.50 11.08 11.20 12.38 15.66 17.87 18.87
Slovenija
Y 19.72 21.04 21.56 19.31 19.77 22.29 28.07 32.60 34.35
Izvor: International Financial Statistics (IFS), Meunarodni monetarni fond, veljaa 2007.

j = ,
0
+ ,
1
r
2
, ili lnj = ,
0
+ ,
1
lnr, tj. nelinearan model u varijablama,
meutim, i dalje govorimo o linearnoj regresiji jer su prikazani modeli li-
nearni u parametrima. Modeli tipa j = ,
0
+ ,
2
1
r, j =
_
,
0
+ ,
1
r, iako
su linearni u varijablama, nisu linearni u parametrima i stoga govorimo o
nelinearnim (u parametrima) regresijskim modelima.
1.2.6 Testiranje hipoteza
Kao to smo ranije rekli Keynes je ocekivao da je granicna sklonost potronji
izmeu 0 i 1. U slucaju Hrvatske procijenili smo u jednadzbi 1.3 da je
granicna sklonost potronji u Hrvatskoj u promatranom razdoblju bila 0.47.
Kako bismo zakljucili da je dobiveni rezultat za Hrvatsku u suglasju sa
Keynesijanskom ekonomskom teorijom, i da se ne radi o slucajnosti, moramo
dodatno testirati je li ova vrijednost statisticki znacajno razlicita od 0 i
mogucnost da nije veca od 1.
1.2.7 Prognoziranje i predvianje
Na temelju jednadzbe 1.3 mozemo predvidjeti vrijednosti varijable j za zada-
ne vrijednosti varijable r. Npr. mozemo predvidjeti kolika ce biti potronja
stanovnitva u Hrvatskoj ako BDP dosegne vrijednost od 250 milijardi kuna
10
BDP u milijardama kuna
100 120 140 160 180 200 220 240
P
o
t
r
o

n
j
a

u

m
i
l
i
j
a
r
d
a
m
a

k
u
n
a
70
80
90
100
110
120
130
140
Slika 1.5: Hrvatska funkcija potronje za razdoblje od 1997. do 2005. godine
na sljedeci nacin:
j
250
= 21.42 + 0.47(250) = 138.92.
Drugim rijecima, na temelju vrijednosti naih parametara prognoziramo
da ce potronja stanovnitva biti 138.92 milijarde kuna, kada ce BDP u
Hrvatskoj iznositi 250 milijardi kuna.
1.3 Regresijska funkcija populacije i regresijska funk-
cija uzorka
Pretpostavimo da smo iz hipoteticke populacije studenata prikupili podat-
ke o njihovom mjesecnom dohotku i o njihovoj mjesecnoj potronji. Studente
smo podijelili na 10 dohodovnih razreda (od 100 kn do 1000 kn) i u Tablici
1.4 prikazali njihove mjesecne potronje. Stoga imamo 10 ksnih vrijednos-
ti varijable r kojima odgovaraju razlicite vrijednosti j. Drugim rijecima
imamo 10 dohodovnih podpopulacija.
Iz Tablice 1.4 jasno se vidi da se u svakoj dohodovnoj grupi studenti
razlicito ponaaju (imamo one sklonije tednji i one manje sklone tednji);
tako npr. pojedini studenti koji imaju dohodak 300 kn troe vie (250 kn
11
Tablica 1.4: Mjesecna potronja i dohodak studenata (u kunama)
Dohodak
100 200 300 400 500 600 700 800 900 1000
80 120 190 240 290 350 460 500 600 700
85 145 200 260 330 410 480 520 620 710
90 150 230 300 365 445 490 540 640 750
95 160 240 310 370 460 500 550 660
100 165 250 330 375 480 510 590 680
180 270 360 390 495 520 620 700
200 410 530 650
430 540 670
P
o
t
r
o

n
j
a
560
Ukupno 450 1120 1380 1800 2960 2640 4590 4640 3900 2160
( )
i
x y E |
90 160 230 300 370 440 510 580 650 720
i 270 kn) nego pojedini studenti koji imaju dohodak 400 kn (240 kn i 260
kn). Mozemo, meutim, primijetiti da unatoc tim varijabilnostima postoji
odreeno pravilo da u prosjeku studenti koji imaju veci dohodak vie i troe.
To se jasno vidi iz aritmetickih sredina (ili prosjeka) svake podpopulacije
koje su prikazane u zadnjem retku Tablice 1.4 koje zovemo vrijednostima
uvjetnog ocekivanja jer su uvjetovane zadanim vrijednostima varijable r.
Uvjetno ocekivanje oznacavamo s 1 (j[r
i
) te citamo ocekivana vrijednost
j za zadanu vrijednost r. Tako npr. ocekivana potronja studenata, koji
imaju dohodak od 200 kn, iznosi 160 kn, dok je kod studenata, koji imaju
800 kn, ocekivana potronja 580 kn.
Uvjetno ocekivanje razlikuje se od matematickog (neuvjetnog) oceki-
vanja 1 (j) koji prikazuje prosjecnu potronju svih 64 studenata populacije,
neovisno o njihovom dohodovnom razredu. U naem bi slucaju matematicko
ocekivanje bilo 1 (j) =
_
450+1120++2160
64
_
= 400.625.
Na slici 1.6 prikazan je dijagram disperzije na temelju Tablice 1.4. Spa-
janjem svih uvjetnih ocekivanja za sve ksne vrijednosti dohotka dobili smo
regresijsku funkciju populacije (RFP)
3
koja u naem slucaju poprima
oblik pravca. Sve tocke kojima prolazi regresijski pravac populacije oznaca-
va ocekivanu potronju odreenog dohodovnog razreda; tako npr. za razred
200 kn ocekivana potronja je 160 kn, za razred 500 kn ocekivana potronja
je 370 kn, itd. Opcenito mozemo reci da regresijska funkcija populacije pred-
stavlja sve tocke uvjetnih ocekivanja zavisne varijable j za ksne vrijednosti
nezavisne varijable r.
Na temelju tako denirane regresijske funkcije populacije mozemo odre-
diti pojedinacnu potronju svakog studenta kao odstupanje od uvjetnog oce-
3
Na slici je oznacena sa E (yjx
i
).
12
0 100 200 300 400 500 600 700 800 900 1000 1100
P
o
t
r
o

n
j
a
0
100
200
300
400
500
600
700
800
( )
i
x y E |
Dohodak
x
y
160
370
510
Slika 1.6: Regresijska funkcija populacije izvedena iz Tablice 1.4
kivanja dohodovnog razreda kojemu pripada
-
i
= j
i
1 (j[r
i
) .
Stvarna potronja bit ce
j
i
= 1 (j[r
i
) + -
i
. (1.4)
Znaci, potronja i toq studenta sastoji se od dva dijela: jedan je de-
terministicki ili sustavni dio 1 (j[r
i
) kojeg mozemo predvidjeti na temelju
dohodovnog razreda kojemu student pripada te od -
i
to predstavlja slu-
cajno odstupanje ili nesustavni dio. Slucajno se odstupanje pojavljuje zbog
utjecaja ostalih varijabli na potronju studenata a koje nisu ukljucene u mo-
del, kao npr. spol, stanuje li student s roditeljima ili je podstanar, drutvo
u kojemu se krece, navike, itd
4
. Ako pretpostavimo da imamo linearnost
1 (j[r
i
) u varijabli r
i
kao na slici 1.6 tada se jednadzba 1.4 pretvara u
j
i
= ,
0
+ ,
1
r
i
+ -
i
. (1.5)
Nazalost, u praksi nemamo na raspolaganju cjelokupnu populaciju vec
samo uzorak iz te populacije. Stoga je problem, s kojim smo suoceni, da na
4
Glavni razlozi pojavljivanja slucajne greke "
i
objanjeni su u naslovu Specikacija
ekonometrijskog modela na stranici 4.
13
temelju poznavanja samo vrijednosti uzorka, izvucenog iz neke populacije,
moramo procijeniti nama nepoznatu funkciju populacije prikazanu jednadz-
bom 1.5. Pretpostavimo da smo iz populacije prikazane u Tablici 1.4 izvukli
jedan slucajan uzorak (Uzorak 1) potronje studenata za svaku dohodovnu
grupu, prikazan u Tablici 1.5
Tablica 1.5: Slucajni uzorci iz Tablice populacije
Dohodak Potronja: uzorak 1 Potronja: uzorak 2
100 80 95
200 145 200
300 270 240
400 310 330
500 375 390
600 480 460
700 530 500
800 520 550
900 700 640
1000 750 700
Mozemo primijetiti da za svaku dohodovnu grupu (ksna vrijednost r)
imamo samo jednu vrijednost potronje (j), za razliku od populacije kada
smo za svaku vrijednost r imali vie vrijednosti j. Vrijednosti iz Tablice
1.5 (Potronja: uzorak 1) prikazali smo na Slici 1.7 i provukli kroz tocke
regresijsku funkciju uzorka (RFU
1
) koja u naem slucaju poprima izgled
pravca kojeg cemo oznaciti
^ j
i
= /
0
+ /
1
r
i
+ c
i
(1.6)
gdje je:
^ j
i
= procjenitelj 1 (j[r
i
)
/
0
= procjenitelj ,
0
/
1
= procjenitelj ,
1
c
i
= slucajno odstupanje uzorka koje interpretiramo kao procjenitelj -
i
.
Cilj regresijske funkcije uzorka ^ j
i
= /
0
+/
1
r
i
+c
i
je procijeniti nepoznatu
regresijsku funkciju populacije j
i
= ,
0
+ ,
1
r
i
+ -
i
.
Iz nae populacije, prikazane u Tablici 1.4, mozemo izvuci i drugi uzorak
(Uzorak 2 koji je prikazan u Tablici 1.5). Na slici 1.7 vidimo da, iako izvuce-
ni iz iste populacije, regresijske funkcije uzoraka (RFU
1
i RFU
2
) meusobno
se razlikuju zbog uktuacije populacije oko regresijske funkcije populacije.
Jedino u specijalnom slucaju, kada bi se sve tocke populacije prikazane na
slici 1.6 nalazile na regresijskom pravcu populacije, tada bi regresijski pravci
uzoraka prikazani na slici 1.7 bili potpuno jednaki. to je veca disperzija
tocaka oko regresijske funkcije populacije, to je vjerojatnost da su regre-
sijske funkcije uzoraka meusobno razlicitije. Postavlja se, dakle, pitanje
14
Dohodak
0 100 200 300 400 500 600 700 800 900 1000 1100
P
o
t
r
o

n
j
a
0
100
200
300
400
500
600
700
800
RFU
2
RFU
1
Slika 1.7: Regresijske funkcije uzoraka temeljene na populaciji iz Tablice 1.4
jesu li i pod kojim uvjetima regresijske funkcije uzoraka dobri procjenitelji
regresijske funkcije populacije?
Odgovor glasi da ce regresijska funkcija uzorka biti dobar procjenitelj
"nevidljive" regresijske funkcije populacije ako vrijede sljedece pretpos-
tavke o RFP, koje zovemo i pretpostavkama klasicnog linearnog re-
gresijskog modela:
1. Linearnost u parametrima: vec smo rekli da kada govorimo o linearnim
modelima govorimo o linearnosti u parametrima. Neki modeli mogu
izgledati nelinearno u parametrima kao na primjer Cobb-Douglasova
funkcija proizvodnje
5
j = ,
0
1

1
1

2
c
"
(1.7)
koju, meutim, mozemo jednostavno linearizirati ako je logaritmiramo
lnj = c + ,
1
ln1 + ,
2
ln1 + - (1.8)
gdje je a = ln,
0
. Vidimo da je jednadzba 1.8 nelinearna u varijablama
(zbog logaritama), ali linearna u parametrima. U tom slucaju govori-
mo da je model prikazan jednadzbom 1.7 sutinsko linearan model,
5
Napomena: e u jednadzbi (1.7) odnosi se na bazu prirodnog logaritma a ne na slucajno
odstupanje uzorka.
15
jer ga mozemo odreenim transformacijama pretvoriti u model line-
aran u parametrima. S druge strane, da je Cobb-Douglasova funkcija
bila denirana kao
j = ,
0
1

1
1

2
+ -, (1.9)
ne bi je bilo moguce nikakvom transformacijom linearizirati. U tom
slucaju govorimo da je model sutinsko nelinearan model i da ne
zadovoljava pretpostavku o linearnosti u parametrima.
2. Nestohasticnost varijable r: vrijednosti varijable r ksirane su u po-
novljenom uzorkovanju, kao na primjeru u Tablici 1.4 kada imamo
razlicite vrijednosti potronje (j) za ksne (iste) vrijednosti dohotka
(r).
3. Sredina slucajne greke -
i
je jednaka nuli ili simbolicki 1 (-
i
[r
i
) = 0.
Buduci da regresijska funkcija populacije predstavlja uvjetno matema-
ticko ocekivanje 1 (j[r
i
), tj. sredinu (prosjek) j za zadani r
i
, to znaci
da je zbroj pozitivnih i negativnih odstupanja -
i
za svaki zadani r
i
jednak nuli.
Primjer 1.1 Zbrajanjem odstupanja od uvjetnog matematicko oceki-
vanja za dohodovnu grupu 100 kn u Tablici 1.4 dobijemo (80 90) +
(85 90) + + (100 90) = 10 + (5) + + 10 = 0. Isto vrijedi
i za sve ostale dohodovne grupe.
4. Homoskedasticnost: jednaka varijanca za sva opazanja ili simbolicki
\ ar (-
i
[r
i
) = 1 [-
i
1 (-
i
[r
i
)]
2
= o
2
.
Razumno bi bilo ocekivati, u naem hipotetickom primjeru, osim da
studenti s vecim dohotkom troe apsolutno vie u odnosu na studente
s manjim dohotkom, da varijanca odstupanja (rasipanje oko RFP, va-
rijabilnost potronje unutar dohodovne grupe) bude veca za studente s
viim dohocima u odnosu na one koji imaju manji dohodak i stoga ma-
nji "manevarski" prostor za potronju. Ako varijanca slucajne greke
nije ista za sva opazanja, vec ovisi o nekoj od nezavisnih varijabli (u
naem slucaju raste s rastom dohotka) govorimo o heteroskedasticnos-
ti, koju simbolicki oznacavamo s Var(-
i
[r
i
) = o
2
i
, gdje nam subskript
i govori da varijanca slucajnog odstupanja -
i
nije konstantna.
5. Odsutnost autokorelacije slucajnih odstupanja: za dvije ksne vrijed-
nosti r
i
i r
j
za (i ,= ,), kovarijanca (korelacija) izmeu dva slucajna
odstupanja -
i
i -
j
za bilo koji (i ,= ,) je nula, ili simbolicki
Cov (-
i
, -
j
[r
i
, r
j
) = 1 [-
i
1 (-
i
)] [r
i
[-
j
1 (-
j
)] [r
j
= 0.
To znaci da je odstupanje - slucajno, tj. da nema sustavni obrazac
(kao npr. isti predznak s prethodnim opazanjem).
16
6. Odsutnost multikolinearnosti : izmeu nezavisnih varijabli (kada ih
imamo vie) ne smije postojati savrena linearna veza. Ako postoji
znacajna veza izmeu nezavisnih varijabli, vrlo je teko izolirati utje-
caj pojedinih varijabli na zavisnu varijablu j.
7. Kovarijanca izmeu -
i
i r
i
je nula, ili simbolicki
Cov (-
i
, r
i
) = 1 [-
i
1 (-
i
)] [r
i
1 (r
i
)] = 0.
Kada smo denirali RFP u jednadzbi 1.5 pretpostavili smo da r i -
imaju zasebne utjecaje na j (deterministicki i nesustavni dio). Meu-
tim, kada bi oni bili meusobno korelirani, takvi se zasebni utjecaji r
i - na j ne bi mogli pravilno identicirati.
8. Broj opazanja mora biti veci od broja parametara koji se procjenjuju:
na temelju jednog opazanja (jedna tocka u dvodimenzionalnom pros-
toru) ne mozemo procijeniti pravac na tom prostoru; potrebne su nam
minimalno dvije tocke da odredimo parametre pravca ,
0
i ,
1
, drugim
rijecima potrebna su nam barem dva opazanja.
9. Varijabilnost vrijednosti x: vrijednosti varijable r ne smiju biti sve
iste. Bolje je ako varijabla r ima vece uktuacije jer se u tom slucaju
varijablom r mogu bolje objasniti uktuacije zavisne varijable j.
10. Pravilno speciciran regresijski model : kada govorimo o pravilno speci-
ciranom modelu, govorimo o pravilno speciciranoj funkcionalnoj
formi, pravilno speciciranim nezavisnim varijablama i pravilno
speciciranim pretpostavkama o vjerojatnosti j, r, i -.
17
Poglavlje 2
Parametri modela dobiveni
metodom najmanjih
kvadrata
U prethodnom poglavlju objasnili smo da ako vrijede pretpostavke o RFP-u
mogu se donositi zakljucci o regresijskoj funkciji populacije (RFP)
j
i
= ,
0
+ ,
1
r
i
+ -
i
na temelju regresijske funkcije uzorka (RFU)
^ j
i
= /
0
+ /
1
r
i
+ c
i
.
Postavlja se, meutim, pitanje kako procijeniti parametre /
0
i /
1
regresijske
funkcije uzorka.
2.1 Procjena parametara
Tablica 2.1: Mjesecna potronja i dohodak studenata (u kunama)
Student Potronja Dohodak
Marko 100 150
Ivan 250 300
Mira 300 500
Maja 210 400
Ana 160 200
Pretpostavimo da smo izabrali jedan reprezentativni uzorak studenata
koji su nam dali podatke o njihovim mjesecnim potronjama i dohocima.
Prikupljeni podaci prikazani su u Tablici 2.1. Ako vrijednosti iz Tablice
18
Dohodak
0 100 200 300 400 500 600
P
o
t
r
o

n
j
a
0
50
100
150
200
250
300
350
Slika 2.1: Dijagram disperzije mjesecnog dohotka i potronje studenata (u
kunama)
2.1 prikazemo dijagramom disperzije, u kojemu svakom opazanju odgovara
jedna tocka u dvodimenzionalnom prostoru dobijemo Sliku 2.1.
Iz prikazanih tocaka vidimo da kada se vrijednost dohotka studenata
povecava, povecava se i njihova potronja . Meutim na temelju prikaza-
nih tocaka ne mozemo tocno kvanticirati npr.: koliko ce studenti povecati
potronju, ako im se dohodak poveca za 100 kn, kolika je vjerojatnost po-
tronje studenta koji ima 450 kn dohotka, kolika je autonomna (koja ne
ovisi o dohotku) potronja studenata, itd. Odgovore na ova pitanja moguce
je dobiti ako kroz tocke dijagrama disperzije provucemo odreenu matema-
ticku funkciju. Na temelju pozicioniranja tocaka na dijagramu disperzije
prikazanom na Slici 2.1 mozemo pretpostaviti da je prikladni funkcionalni
oblik regresijske funkcije pravac kojim bismo mogli objasniti vezu izmeu
dohotka i potronje studenata. Problem koji se sada namece je kako odrediti
parametre pravca koji ce ga denirati. Razumno bi bilo da pravac odredimo
tako da minimiziramo zbroj svih odstupanja (greke), tj. min

c
i
.
Iz Slike 2.2 vidimo da pravac P1 prolazi blize tockama dijagrama dis-
perzije od pravca P2. S druge strane ako zbrojimo odstupanja za P1 (-
35+0+60+(-30)+10) vidimo da je rezultat

c
i
= 5, dok ako zbrojimo
odstupanja za P2 (-180+(-120)+60+50+190) rezultat je

c
i
= 0. Drugim
rijecima po kriteriju minimizacije odstupanja bolji je pravac P2 u odnosu
19
Dohodak
0 100 200 300 400 500 600
P
o
t
r
o

n
j
a
0
50
100
150
200
250
300
350
-180
-35
-120
+60
+50
-30
+10
+190
P1
P2

= 5
i
e

= 0
i
e

= 5825
2
i
e

= 89000
2
i
e
Slika 2.2: Kriterij minimalnih kvadrata odstupanja
na pravac, koji "na oko" izgleda bolji, P1. Zato? Vrijednosti odstupanja c
i
poprimaju pozitivne i negativne vrijednosti tako da se u njihovom zbraja-
nju meusobno ponitavaju. Tako u slucaju pravca P2, u kojemu su velika
odstupanja, imamo u zbroju vece (potpuno) ponitavanje vrijednosti odstu-
panja u odnosu na pravac P1, koji ima vidno manja odstupanja, ali koja se u
zbroju ne ponitavaju u cijelosti. Ponitavanje vrijednosti u zbroju mozemo
izbjeci tako da kvadriramo vrijednosti c
i
. Iz Slike 2.2 vidimo da je za pravac
P1 zbroj

c
2
i
=
_
(35)
2
+ 0
2
+ + 10
2
_
= 5825 znatno manji u odnosu
na pravac P2 gdje je

c
2
i
= ((180)
2
+ (120)
2
+ + 190
2
) = 89000.
Ako nam kriterij za vucenja pravca kroz tocke dijagrama disperzije posta-
ne minimizacija

c
2
i
, tada vidimo da pravac, koji "na oko" izgleda bolji,
bolji je i na temelju naeg postavljenog kriterija minimizacije kvadrata
odstupanja koji sprjecava ponitavanje pozitivnih i negativnih vrijednosti
odstupanja. Metodu, koja se temelji na kriteriju minimizacije kvadrata od-
stupanja, zovemo Obicnom metodom najmanjih kvadrata (eng. OLS
- Ordinary Least Square).
Kvadriranjem odstupanja, osim to pretvaramo odstupanja u pozitivne
vrijednosti, dajemo vecu tezinu vecim (udaljenijim od regresijskog prav-
ca) odstupanjima u odnosu na manja, buduci da su vrijednosti kvadrirane.
Problem se u tom slucaju moze pojaviti u prisutnosti izuzetno udaljenih
20
odstupanja (eng. outliers), cija prisutnost moze bitno promijeniti izgled
regresijskog pravca, buduci da je metoda najmanjih kvadrata izuzetno osjet-
ljiva na takve udaljene tocke. Uobicajeno je rjeenje tog problema da se
opazanja vezana za udaljene tocke jednostavno izbace iz analize. Pri tome
se meutim mora pristupiti vrlo pazljivo jer ponekad te udaljene tocke u
sebi mogu sadrzavati bitne informacije o vezi izmeu analiziranih varijabli.
Na temelju kriterija minimizacije kvadrata odstupanja iz Slike 2.2 vidi-
mo da je pravac P1 bolji od pravca P2. Ali nitko nam ne jamci da je pravac
P1 najbolji izmeu svih mogucih pravaca koje mozemo potegnuti kroz di-
jagram disperzije po kriteriju minimizacije kvadrata odstupanja. Moramo
li na temelju recenoga potegnuti kroz tocke dijagrama disperzije veliki broj
pravaca i na temelju njihovog zbroja kvadrata odstupanja odluciti koji je od
njih najbolji, ili drugim rijecima koji ima minimalni

c
2
i
? Takav bi pristup
bio sigurno vremenski jako rastroan i na kraju ne bismo imali konacan od-
govor, tj. ne bismo imali nikakvu sigurnost da je na pravac, najbolji meu
onima koje smo testirali, i najbolji meu onima koje nismo testirali. Ovaj
problem rijeio je njemacki matematicar Carl Friedrich Gauss na sljedeci
nacin. Za model s jednom nezavisnom varijablom
j
i
= /
0
+ /
1
r
i
+ c
i
(2.1)
moramo izabrati parametre /
0
i /
1
tako da minimiziraju

c
2
i
. Da bismo
dobili parametri s tim svojstvima moramo parcijalno derivirati izraz

c
2
i
po /
0
i /
1
i izjednaciti prve derivacije s nulom kako bismo dobili ekstreme
funkcija (minimum).
Kriterij najmanjih kvadrata mozemo denirati kao
Min
n

i=1
c
2
i
= Min
n

i=1
(j
i
/
0
/
1
r
i
)
2
(2.2)
gdje j
i
oznacava stvarnu vrijednost j za i-to opazanje, a : oznacava broj
opazanja.
Parcijalnim deriviranjem izraza 2.2 po parametrima /
0
i /
1
i izjednaca-
vanjem prve derivacije s nulom dobivamo jednadzbe
0
0/
0

(j
i
/
0
/
1
r
i
)
2
= 2

(j
i
/
0
/
1
r
i
) = 0 (2.3)
0
0/
1

(j
i
/
0
/
1
r
i
)
2
= 2

r
i
(j
i
/
0
/
1
r
i
) = 0. (2.4)
Simultanim rjeavanjem jednadzbi 2.3 i 2.4 po parametrima /
0
i /
1
(cje-
loviti izvod prikazan je u Dodatku A.1) dobijemo vrijednosti parametara
koje imaju svojstvo minimizacije sume kvadrata odstupanja prikazanih u
jednadzbi 2.2 koje glase
/
1
=

(r
i
r) (j
i
j)

(r
i
r)
2
=

~ r
i
~ j
i

~ r
2
i
(2.5)
21
/
0
= j /
1
r (2.6)
gdje j i r prikazuju sredine uzoraka, a ~ r i ~ j oznacavaju varijable r i j u
njihovoj devijacijskoj formi
1
~ r
i
= r
i
r ~ j = j
i
j.
Koritenjem Gaussovih jednadzbi 2.5 i 2.6 mozemo dobiti parametre
(procjenitelje) modela na temelju obicne metode najmanjih kvadrata u slu-
caju jedne nezavisne varijable.
Ako imamo vie nezavisnih varijabli procjenitelje, temeljene na Ga-
ussovoj metodi najmanjih kvadrata (OLS), mozemo jednostavno dobiti ko-
ritenjem matricne algebre.
Model sa (/ 1) brojem nezavisnih varijabli
j
i
= /
0
+ /
1
r
1i
+ /
2
r
2i
+ + /
(k1)
r
(k1)i
+ c
i
(2.7)
mozemo prikazati u matricnoj formi
y = Xb +e (2.8)
u kojoj
y =
_

_
j
1
j
2
.
.
.
j
n
_

_
X =
_

_
1 r
11
r
(k1)1
1 r
12
r
(k1)2
.
.
.
.
.
.
.
.
.
.
.
.
1 r
1n
r
(k1)n
_

_
b =
_

_
/
0
/
1
.
.
.
/
k1
_

_
e =
_

_
c
1
c
2
.
.
.
c
n
_

_
gdje
y = : 1 vektor stupac s opazanjima zavisne varijable
X = : / matrica s opazanjima nezavisnih varijabli
b = / 1 vektor stupac nepoznatih parametara
e = : 1 vektor stupac odstupanja.
Svaki element matrice X ima dva subskripta; prvi se odnosi na varijablu
(stupac), dok se drugi odnosi na opazanje (redak). Tako npr. element r
24
oznacava cetvrto opazanje varijable r
2
. Interesantno je primijetiti da je prvi
redak u matrici X ispunjen jedinicama. Ovaj redak odrazava konstantni
clan koji se veze za parametar /
0
.
Na je cilj, kao i u slucaju sa samo jednom nezavisnom varijablom, mini-
mizirati sumu kvadrata odstupanja koju u matricnoj algebri mozemo pisati
min
n

i=1
c
2
i
= min(e
0
e). (2.9)
1
Neka svojstva devijacijskih formi prikazana su u Dodatku A.1
22
Iz jednadzbe 2.8 imamo
e = y Xb, (2.10)
to sumu kvadrata odstupanja pretvara u
e
0
e = (y Xb)
0
(y Xb)
= y
0
y b
0
X
0
y y
0
Xb +b
0
X
0
Xb
= y
0
y2b
0
X
0
y +b
0
X
0
Xb. (2.11)
Zadnji je korak moguc jer su b
0
X
0
y i y
0
Xb meusobno jednaki skalari.
Minimizirati sumu kvadrata odstupanja po parametrima modela mozemo
ako deriviramo e
0
e po parametrima i izjednacimo prvu derivaciju s nulom
0
0b
_
y
0
y 2b
0
X
0
y +b
0
X
0
Xb
_
= 2X
0
y+2X
0
Xb = 0, (2.12)
iz cega slijedi da
b =
_
X
0
X
_
1
X
0
y. (2.13)
Za dobivanje jednadzbe 2.13 nismo koristili nikakve pretpostavke o na-
cinu na koji se podaci generiraju. Jedino to pretpostavljamo je da postoji
inverzna matrica (X
0
X)
1
, tj. da matrica X
0
X nije singularna matrica,
to podrazumijeva da niti jedan redak (stupac) te matrice ne smije bi-
ti egzaktna linearna kombinacija ostalih redaka, to znaci da nema
multikolinearnosti (linearne veze izmeu nezavisnih varijabli).
Tablica 2.2: Izracun vrijednosti procjenitelja (parametara) na temelju obicne
metode najmanjih kvadrata odstupanja
Student
Marko 100 150 -104 -160 16640 25600 126.34 -26.34 693.87
Ivan 250 300 46 -10 -460 100 199.15 50.85 2586.09
Mira 300 500 96 190 18240 36100 296.22 3.78 14.29
Maja 210 400 6 90 540 8100 247.68 -37.68 1420.00
Ana 160 200 -44 -110 4840 12100 150.61 9.39 88.18
1020 1550 0 0 39800 82000 1020 0 4802.44
Sredina 204 310 204 960.49

i
y
i
x
i
x
~
i
y
~
i i
y x
~ ~ 2 ~
i
x
i
y
i
e
2
i
e
Primjer 2.1 Iz jednadzbi za parametre 2.5 i 2.6 i Tablice 2.2 mozemo iz-
racunati:
/
1
=

~ r
i
~ j
i

~ r
2
i
=
39800
82000
= 0.48537 (2.14)
/
0
= j /
1
r = 204 0.48537 310 = 53. 535. (2.15)
23
Isti smo rezultat mogli dobiti i koritenjem matricne forme iz jednadzbe
2.13 koja vrijedi za broj / nezavisnih varijabli pa stoga vrijedi i za slucaj
samo jedne nezavisne varijable, kao u naem primjeru:
b =
_
X
0
X
_
1
X
0
y
gdje su
X =
_

_
1 150
1 300
1 500
1 400
1 200
_

_
, y =
_

_
100
250
300
210
160
_

_
Ako izracunamo
2
da
X
0
X =
_
1 1 1 1 1
150 300 500 400 200
_
_

_
1 150
1 300
1 500
1 400
1 200
_

_
=
_
5 1550
1550 562 500
_
i da
X
0
y =
_
1 1 1 1 1
150 300 500 400 200
_
_

_
100
250
300
210
160
_

_
=
_
1020
356 000
_
,
u konacnici imamo
b =
_
X
0
X
_
1
X
0
y =
_
5 1550
1550 562 500
_
1
_
1020
356 000
_
=
_
53. 535
0.485 37
_
.
(2.16)
Vidljivo je da smo u 2.16 dobili identicni rezultat kao i u jednadzbama
2.14 i 2.15, tj. da je /
0
= 53.535, a /
1
= 0.48537. Drugim rijecima na
regresijski pravac uzorka (zaokruzen na dvije decimale) dobiven metodom
najmanjih kvadrata je
^ j
i
= 53.54 + 0.49r
i
. (2.17)
Iz Tablice 2.2 vidimo da je

c
2
i
= 4802.44 ovog pravca manja nego za
pravce iz Slike 2.2. Ne samo to, vec znamo da ne postoji pravac, meu
testiranima i ne testiranima do sada, koji bi imao manju sumu kvadrata
odstupanja. Regresijski pravac iz 2.17 mozemo gracki prikazati kao na Slici
2.3. Vidimo da za prvo opazanje (Marko iz Tablice 2.2) imamo dohodak od
150; stvarnu potronju j
1
= 100 i Markovu procijenjenu potronju naim
regresijskim pravcem od ^ j
1
= 126.34. Stoga odstupanje regresijskog pravca
2
Manipuliranje matricama olakavaju matricno orijentirani racunalni paketi kao to su
Matlab ili Scilab
24
od stvarne vrijednosti (greka) u Markovom slucaju je (j
1
^ j
1
) = c
1
=
26.34. Ostale stvarne i procijenjene vrijednosti nisu prikazane na Slici 2.3
nego ih mozemo naci u Tablici 2.2.
Dohodak
Potronja
204 = y
310 = x
i i
x y 49 . 0 54 . 53 + =
54 . 53
100
1
= y
150
1
= x
34 . 126
1
= y
0
34 . 26
1
= e
450 =
p
x
04 . 274 =
p
y
Slika 2.3: Regresijski pravac uzorka
Na temelju ovog dobivenog pravca mozemo odgovoriti na pitanja na koje
nismo mogli odgovoriti na temelju samo dijagrama disperzije kao to su:
Koliko ce studenti povecati potronju ako im se dohodak poveca za
100 kn? Prva derivacija potronje po dohotku dobivenog pravca je
d^ y
dx
= 0.49, to znaci da je granicna sklonost potronji reprezentativnog
studenta 0.49, to nam govori dace od dodatne dobivene kune potroiti
49 lipa, ili ako dobije dodatnih 100 kuna, 49 kuna ce potroiti, a 51
kunu utedjeti. Gracki 0.49 predstavlja koecijent smjera (nagib)
regresijskog pravca na Slici 2.3.
Kolika je vjerojatnost potronje studenta koji ima 450 kn dohotka? Iz
naeg pravca imamo
^ j
450
= 53.54 + 0.49(450) = 274. 04,
iz cega mozemo prognozirati da student koji ima 450 kn dohotka trebao
bi troiti 274.04 kn, kao to se jasno vidi iz regresijskog pravca na Slici
2.3.
25
Kolika je autonomna (koja ne ovisi o dohotku) potronja studenata?
Potronja, koja ne ovisi o dohotku, u naem primjeru je 53.54 kn. To
je i minimalna potronja naeg reprezentativnog studenta kada nema
dohotka (r = 0; radi se o minimumu jer za dohodak vrijedi uvjet o ne-
negativnosti). Gracki, kao to je prikazana na Slici 2.3, ta vrijednost
oznacava odsjecak na ordinati regresijskog pravca.
2.2 Svojstva regresijskog pravca
Regresijski pravac dobiven metodom najmanjih kvadrata ima sljedeca svoj-
stva:
1. Regresijski pravac prolazi kroz sredinu uzoraka ( r i j) kao to
se jasno vidi na Slici 2.3. Ovo svojstvo proizlazi iz jednadzbe 2.6 za
izracunavanje parametra /
0
. Naime, ako je
/
0
= j /
1
r (2.18)
tada vrijedi da je
j = /
0
+ /
1
r (2.19)
to nam govori da kada r poprima vrijednost svoje sredine r procije-
njena vrijednost ^ j je j. Drugim rijecima regresijski pravac prolazi kroz
tocku ( r, j).
Primjer 2.2 Lako mozemo provjeriti da za r = 310
^ j
310
= 53.54 + 0.49(310) = 204 (2.20)
^ j poprima vrijednost
3
svoje sredine j = 204, kao to se vidi iz Tablice
2.2.
2. Sredina stvarnog j jednaka je sredini procijenjenog ^ j. Svojstvo
j = ^ j proizlazi iz
4
^ j
i
= /
0
+ /
1
r
i
= ( j /
1
r) + /
1
r
i
= j + /
1
(r
i
r) . (2.21)
Zbrajanjem lijeve i desne strane jednadzbe 2.21 dobijemo

^ j
i
= : j + /
1

(r
i
r) . (2.22)
3
Mala se greka pojavljuje u ovome izracunu uslijed zaokruzivanja na dvije decimale.
4
Napomena: ovo svojstvo vrijedi samo ako regresija ima konstantni clan b
0
, jer bez
konstantnog clana, kao to se jasno vidi iz izvoda, ne moze se izvesti jednadzba 2.21.
26
Iz Svojstva B.4 operatora zbrajanja (vidi Dodatak B.1) znamo da

(r
i
r) = 0, to 2.22 pretvara u

^ j
i
= : j. (2.23)
Ako lijevu i desnu stranu jednadzbe 2.23 podijelimo s :, dobijemo

^ j
i
:
=
: j
:
^ j = j. (2.24)
Primjer 2.3 Iz Tablice 2.2 vidimo da je sredina stvarnog j = 204
jednaka sredini procijenjenog ^ j = 204.
3. Suma odstupanja je nula
5
(

c
i
= 0), to se jasno vidi iz Tablice
2.2. Ovo svojstvo proizlazi iz uvjeta minimizacije kvadrata odstupanja
po /
0
prikazanog u jednadzbi 2.3
0
0/
0

(j
i
/
0
/
1
r
i
)
2
= 2

(j
i
/
0
/
1
r
i
) = 2

c
i
= 0
(2.25)
to povlaci

c
i
= 0. Iz toga proizlazi da je i sredina odstupanja
c =

c
i
:
= 0. (2.26)
4. Odstupanja c
i
i procijenjeni ^ j
i
meusobno su neovisni. Kova-
rijancu izmeu c
i
i ^ j
i
mozemo izraziti
Cov (^ j
i
, c
i
) =
1
:
n

i=1
_
^ j
i
^ j
_
(c
i
c) (2.27)
Iz Svojstva 3. regresijskog pravca znamo da je c = 0, stoga da
bi izraz 2.27 bio nula (neovisnost izmeu ovih dviju varijabli) tada
_
^ j
i
^ j
_
c
i
mora biti jednak nuli, ili ako piemo u devijacijskoj for-
mi

^ j
i
c
i
= 0. Regresijski pravac za dvije varijable u devijacijskoj
formi mozemo pisati bez konstantnog clana

^ j
i
= /
1
~ r
i
. (2.28)
Varijable u devijacijskoj formi imaju sredinu nula, stoga regresijski
pravac prolazi kroz ishodite (vidi Svojstvo 1. regresijskog pravca),
iz cega proizlazi da je odsjecak na ordinati tog pravca jednak nuli, ili
drugim rijecima /
0
= 0. Na temelju jednadzbe 2.28 mozemo pisati

^ j
i
c
i
= /
1

~ r
i
c
i
= /
1

~ r
i
(~ j /
1
~ r
i
)
= /
1

~ r
i
~ j /
2
1

~ r
2
i
. (2.29)
5
Napomena: ovo svojstvo ne vrijedi kada nemamo konstantnog clana b
0
u regresiji.
27
Na temelju jednadzbe 2.5 mozemo pisati

~ r
i
~ j = /
1

~ r
2
i
(2.30)
to 2.29 pretvara u

^ j
i
c
i
= /
2
1

~ r
2
i
/
2
1

~ r
2
i
= 0. (2.31)
Na ovaj smo nacin dokazali da ne postoji linearna veza izmeu odstu-
panja i procijenjene zavisne varijable. U naem primjeru iz Tablice 2.2
lako se moze provjeriti da vrijedi
_
^ j
i
^ j
_
c
i
= 0.
5. Odstupanja c
i
i r
i
meusobno su neovisni, drugim rijecima

r
i
c
i
=
0. Ovaj zakljucak proizlazi iz uvjeta minimizacije kvadrata odstupanja
po /
1
prikazanog u jednadzbi 2.4
0
0/
1

(j
i
/
0
/
1
r
i
)
2
= 2

r
i
(j
i
/
0
/
1
r
i
) = 2

r
i
c
i
= 0
(2.32)
to povlaci

r
i
c
i
= 0. Ovo svojstvo regresijskog pravca, takoer se
moze lako provjeriti na primjeru iz Tablice 2.2.
2.3 Svojstva procjenitelja
Ako vrijede pretpostavke o regresijskoj funkciji populacije koje smo
naveli na stranici 15 tada procjenitelji dobiveni metodom najmanjih kva-
drata imaju odreena pozeljna svojstva navedena u Gauss-Markovljevom
teoremu:
Gauss-Markovljev teorem: Ako vrijede pretpostavke kla-
sicnog linearnog regresijskog modela, procjenitelji dobiveni me-
todom najmanjih kvadrata najbolji (najekasniji) su linearni ne-
pristrani procjenitelji, tj. imaju minimalnu varijancu u klasi li-
nearnih nepristranih procjenitelja.
1. Linearnost: znaci da je procjenitelj linearna funkcija slucajne varija-
ble jer se moze napisati kao linearna kombinacija pojedinih opazanja
j.
Primjer 2.4 Iz Tablice 2.2 mozemo dobiti vektor b iz
b =
_
X
0
X
_
1
X
0
y
=
_
33
41
39
164

85
164

23
164
101
164

2
1025

1
8200
19
8200
9
8200

11
8200
_
_

_
100
250
300
210
160
_

_
28
ili /
0
mozemo dobiti iz linearne kombinacije
33
41
100+
39
164
250
85
164
300
23
164
210 +
101
164
160 = 53. 537. Na slican nacin mozemo dobiti vrijednost
/
1
iz linearne kombinacije elemenata vektora y s drugim redom matrice
(X
0
X)
1
X
0
.
Stoga su procjenitelji dobiveni na taj nacin, linearna kombinacija vri-
jednosti zavisne varijable j pa ih zovemo linearnim procjeniteljima.
2. Nepristranost: znaci da u ponovljenom uzorkovanju mozemo oce-
kivati da je procjenitelj u prosjeku jednak stvarnom populacijskom
procjenitelju ,, to mozemo pisati
1(/) = ,. (2.33)
Na slici 2.4 mozemo vidjeti dvije distribucije dobivene ponovljenim
E(b)=
E(b)=
Nepristrana Pristrana

E(b)
D
i
s
t
r
i
b
u
c
i
j
a

f
r
e
k
v
e
n
c
i
j
a
Slika 2.4: Nepristranost i pristranost procjenitelja
uzorkovanjem iz iste populacije.
Propozicija 2.1 Procjenitelj dobiven pomocu metode najmanjih kva-
drata je nepristran, ili sredina distribucije bit ce 1(/) = ,.
29
Dokaz.
1 (b) = 1
_
_
X
0
X
_
1
X
0
y
_
= 1
_
_
X
0
X
_
1
X
0
(X +")
_
= 1
_
_
X
0
X
_
1
_
X
0
X
_
+
_
X
0
X
_
1
X
0
"
_
= 1
_
I+
_
X
0
X
_
1
X
0
"
_
= + 1
_
_
X
0
X
_
1
X
0
"
_
= . (2.34)
Zadnji korak slijedi iz
1
_
_
X
0
X
_
1
X
0
"
_
= 1
_
_
X
0
X
_
1
X
0
_
1 ["] = 0 (2.35)
zato jer su X i " nezavisni i 1 ["] = 0.
Interesantno je primijetiti da u tom dokazu nismo koristili pretpostav-
ke da nema autokorelacije i heteroskedasticnosti. To ukazuje da pro-
cjenitelji dobiveni metodom najmanjih kvadrata i u slucaju postojanja
heteroskedasticnosti i autokorelacije reziduala su nepristrani
sve dok slucajna greka ima sredinu nula i dok je neovisna od egzo-
genih varijabli. Izraz (X
0
X)
1
X
0
" iz jednadzbe 2.34 mozemo gledati
kao regresija " na X. To ukazuje da ce procjenitelji biti nepristra-
ni, i u slucaju da smo zanemarili unijeti u model neku nedostajucu
varijablu, sve dok je ta varijabla neovisna o ostalim X i ima sredinu
0. Znaci, pristranost procjenitelja, uslijed nedostajuce objasnidbene
varijable, imat cemo samo u slucaju ako je ona zavisna o drugim ne-
zavisnim varijablama i ako ima sredinu razlicitu od nule. Procjenitelj
dobiven metodom najmanjih kvadrata normalno je distribuiran
buduci da je b linearna funkcija ", a " je normalno distribuiran
6
.
3. Ekasnost: znaci da procjenitelj dobiven metodom najmanjih kva-
drata ima minimalnu varijancu izmeu svih linearnih procjenitelja koji
su nepristrani. Na slici 2.5 prikazan je ekasan i neekasan procjeni-
telj. Vidimo da su oba procjenitelja nepristrana, meutim, ekasan
ima manje odstupanja (minimalno) oko sredine u odnosu na neekas-
nog procjenitelja. Gauss-Markovljev teorem ne odnosi se na neline-
arne procjenitelje. Nelinearni procjenitelj moze biti nepristran i
imati manju varijancu u odnosu na procjenitelja dobivenog metodom
najmanjih kvadrata.
4. Konzistentnost: prethodna svojstva procjenitelja odnose se na svoj-
stva konacnih uzoraka. Kada se velicina uzorka beskonacno poveca
tada procjenitelji imaju odreena pozeljna statisticka svojstva. Ta se
svojstva zovu svojstva velikih uzoraka ili asimptotska svojstva.
Konzistentnost je jedno takvo pozeljno svojstvo, koje ima procjeni-
telj dobiven metodom najmanjih kvadrata. Kazemo da je procjeni-
telj konzistentan kada procjenitelj / povecanjem uzorka konvergira
6
Vidi o tome vie na stranici 42.
30
D
i
s
t
r
i
b
u
c
i
j
a

f
r
e
k
v
e
n
c
i
j
a
E(b)=
Efikasan
Neefikasan
Slika 2.5: Ekasan i neekasan procjenitelj
stvarnoj vrijednosti ,. Drugim rijecima kada je uzorak jako velik,
vjerojatnost da je / razlicit od , veoma je mala ili formalno
lim
n!1
Pr [/ ,[ c = 0 za sve c 0 (2.36)
to znaci, asimptotski gledano, da je vjerojatnost da procjenitelj, do-
biven metodom najmanjih kvadrata, odstupa vie od proizvoljne pozi-
tivne vrijednosti c od stvarnog parametra jednaka nuli. U tom slucaju
kazemo da limes vjerojatnosti / je , i piemo
plim / = ,. (2.37)

Cesto se ne moze dokazati da je neki procjenitelj nepristran; moguce je

da u odreenim nelinearnim i dinamickim modelima nepristran procje-
nitelj uopce ne postoji. U tim slucajevima konzistentnost je minimalni
uvjet, koji se postavlja pred procjenitelja, kako bi bio koristan. Sto-
ga su ekonometricari cesto vie zabrinuti konzistentnocu procjenitelja
nego li njihovom (ne)pristranocu.
31
Poglavlje 3
Pokazatelji kvalitete regresije
Nakon to smo procijenili parametre modela postavlja se pitanje koliko do-
bro tako dobiveni regresijski pravac pristaje opazanjima? Na slici 3.1 prika-
x x
y y
0 0
x y 8 . 0 20 + = x y 8 . 0 20 + =
a) b)
Slika 3.1: Pristajanje regresijskog pravca opazanjima
zana su dva istovjetna regresijska pravca uzorka izvucena iz dvije razlicite
populacije
^ j = 20 + 0.8r.
U slucaju 3.1a) tocke (opazanja) se grupiraju vrlo blizu regresijskom pravcu,
dok se u slucaju 3.1/) grupiraju daleko od regresijskog pravca. Jasno je da
gore navedeni regresijski pravac bolje pristaje slucaju a) nego slucaju /).
32
3.1 Koecijent determinacije
Uobicajen pokazatelj pristajanja regresijskog pravca nekim opazanjima je
koecijent determinacije kojeg cemo oznaciti sa 1
2
. Koecijent deter-
minacije pokazuje koliko je varijance uzorka j objanjeno naim modelom
ili matematicki koecijent determinacije mozemo denirati kao
1
2
=
Var (^ j)
Var (j)
=
1
n1

n
i=i
(^ j
i
j)
2
1
n1

n
i=i
(j
i
j)
2
=

n
i=i
(^ j
i
j)
2

n
i=i
(j
i
j)
2
(3.1)
gdje
1
n1

n
i=i
(^ j
i
j)
2
pokazuje "objanjenu" varijancu j regresijskim prav-
cem a
1
n1

n
i=i
(j
i
j)
2
"ukupnu" varijancu j. Drugim rijecima, nakon
skracivanja, koecijent determinacije regresijskog modela prikazuje dio ukup-
ne varijance j koju smo objasnili regresijskim modelom.
Na slici 3.2 prikazano
1
je za odreenu vrijednost r
i
:
ukupno odstupanje j od njegove sredine (j
i
j)
regresijskim pravcem objanjeno odstupanje j; (^ j
i
j)
regresijskim pravcem neobjanjeno odstupanje j; (j
i
^ j) kojeg
smo do sada oznacavali kao rezidual c
i
.
Propozicija 3.1 Kada je u modelu, dobiven metodom najmanjih kva-
drata, prisutan konstantni clan /
0
za j
i
= ^ j
i
+ c
i
vrijedi
Var (j
i
) = Var (^ j
i
) + Var (c
i
) .
Dokaz. Stvarnu vrijednost j
i
mozemo izracunati na temelju zbroja proci-
jenjene vrijednosti ^ j
i
i slucajnog odstupanja c
i
j
i
= ^ j
i
+ c
i
. (3.2)
Jednadzbu 3.2 mozemo pisati u devijacijskoj formi
(j
i
j) =
_
^ j
i
^ j
_
+ (c
i
c) (3.3)
Iz Svojstva 3. regresijskog pravca, iz jednadzbe 2.26 znamo da vrijedi
c = 0
1
Napomena: pogreno bi bilo iz ove slike zakljuciti da je ukupno odstupanje jednako
zbroju objanjenog odstupanja i neobjanjenog odstupanja. Na slici je stvarna vrijednost
postavljena tako da se mogu zornije prikazati te velicine, ali uocljivo je da kada bi se tocka
koja prikazuje stvarnu vrijednost y nalazila, recimo, izmeu regresijskog pravca i sredine
y da bi ukupno odstupanje bilo manje od objanjenog odstupanja.
33
y
0
i i
x b b y
1 0
+ =
x
y
x
i
y
i
( ) y y
i

( )
i i
y y
( ) y y
i

Slika 3.2: Ukupno, objanjeno i neobjanjeno odstupanje j od svoje sredine.
a iz Svojstva 2. regresijskog pravca, jednadzba 2.24 znamo da vrijedi
2
^ j = j
Na temelju navedenih svojstava 3.3 mozemo pisati
(j
i
j) = (^ j
i
j) + c
i
.
Ako preemo operatorom sume i kvadriramo obje strane jednadzbe dobijemo
n

i=1
(j
i
j)
2
=
n

i=1
(^ j
i
j)
2
+ 2
n

i=1
(^ j
i
j) c
i
+
n

i=1
c
2
i
. (3.4)
Izraz
n

i=1
(^ j
i
j) c
i
predstavlja kovarijancu izmeu procijenjenog j i reziduala, to iz Svojstva
4. regresijskog pravca, jednadzba 2.31 znamo da je 0. Stoga 3.4 mozemo
pisati
n

i=1
(j
i
j)
2
=
n

i=1
(^ j
i
j)
2
+
n

i=1
c
2
i
(3.5)
2
Napomena: Svojstva 2. i 3. regresijskog pravca dobivena metodom najmanjih kva-
drata ne vrijede kada u modelu nije prisutan konstantni clan b
0
:Vidi izvod tih Svojstava
na stranici 27.
34
i kada podijelimo s (: 1) dobijemo

n
i=1
(j
i
j)
2
: 1
=

n
i=1
(^ j
i
j)
2
: 1
+

n
i=1
c
2
i
: 1
ili
Var (j
i
) = Var (^ j
i
) + Var (c
i
)
cime smo dokazali Propoziciju 3.1.
Koristeci se ovim svojstvom koecijent determinacije mozemo izvesti ta-
ko da podijelimo cijelu jednadzbu s Var(j
i
) te nakon skracivanja za (: 1)
dobijemo
1 =

n
i=1
(^ j
i
j)
2

n
i=1
(j
i
j)
2
+

n
i=1
c
2
i

n
i=1
(j
i
j)
2
= 1
2
+

n
i=1
c
2
i

n
i=1
(j
i
j)
2
(3.6)
iz cega slijedi da je koecijent deteminacije 1
2
jednak
1
2
= 1

n
i=1
c
2
i

n
i=1
(j
i
j)
2
. (3.7)
Iz 3.7 vidimo da su vrijednosti koje 1
2
moze poprimiti izmeu 0 i 1.
Jedino ako su sva odstupanja od regresijskog pravca jednaka nuli c
i
= 0
tada je 1
2
= 1. U tom slucaju sva opazanja leze na regresijskom pravcu
i govorimo o deterministickom, a ne vie o stohastickom modelu. Ako je
1
2
= 0 to znaci da model ne objanjava kretanje j nita bolje od sredine
uzorka j. Stoga mozemo na 1
2
gledati kao na pokazatelj koliko regresijski
model bolje opisuje kretanje zavisne varijable u odnosu na trivijalni model
koji sadrzava samo konstantni clan.
Buduci da 1
2
mjeri objanjenu varijaciju varijable j , on je osjetljiv na
deniciju te varijable. Na primjer objasniti potronju studenata u naem
primjeru razlicito je od objanjenja kretanja logaritma potronje studenata,
stoga niti koecijenti determinacije iz modela, koji imaju kao zavisnu varija-
blu potronju, nisu usporedivi s koecijentima deteminacije koji imaju zavis-
nu varijablu ln(potronja). Da bi koecijenti determinacije bili usporedivi
izmeu razlicitih modela, ti modeli moraju imati istu zavisnu varijablu.
Buduci da koecijent determinacije nema u svojem temelju odreenu
hipotezu koju testiramo, vec pokazuje nam samo odnos objanjene i ukupne
varijance j, nemamo granicne vrijednosti na temelju kojih mozemo zakljuciti
je li neka pojava dovoljno dobro objanjena naim modelom. to je veci
1
2
, znaci da smo veci dio pojave objasnili, ali teko je odrediti i to je
to "veliki" koecijent determinacije. Vrijednost 1
2
= 0.5 moze biti niska
u slucajevima kada analiziramo vremenske nizove, dok u slucaju analize
vremenskih presjeka moze biti zadovoljavajuce visoka, buduci da je lake
objasniti agregatnu potronju zemlje kroz vrijeme (vremenski niz) u odnosu
na potronju pojedinih kucanstava u zemlji (vremenski presjek).
35
Primjer 3.1 Na temelju podataka iz Tablice 2.2 mozemo izracunati koe-
cijent determinacije
1
2
=

n
i=i
(^ j
i
j)
2

n
i=i
(j
i
j)
2
=
19317.56
24120.00
= 0.800 89.
Buduci da su jednadzbe 3.1 i 3.7 istovjetne za model procijenjen pomo-
cu metode najmanjih kvadrata s konstantnim clanom, 1
2
mozemo dobiti i
pomocu
1
2
= 1

n
i=1
c
2
i

n
i=1
(j
i
j)
2
= 1
4802.44
24120.00
= 0.800 89.
Ovaj nam koecijent determinacije govori da smo 80% varijacije potro-
nje studenata uspjeli objasniti pomocu kretanja njihovog raspolozivog dohot-
ka.
Koecijenta determinacije, kao to je deniran u 3.7 prate tri problema:
1. Ne vrijedi za regresijske modele koji su izracunati metodom najma-
njih kvadrata bez konstantnog clana /
0
. Jednadzbu 3.7 dobili smo iz
pretpostavki
c = 0 , ^ j = j (3.8)
koje ne vrijede kada nemamo konstantni clan u modelu
3
. U tom slu-
caju dobiveni koecijent determinacije iz 3.7 nije isti koecijentu de-
terminacije iz 3.1. Kada nemamo konstantni clan u modelu koristimo
tzv. necentriranim koecijentom determinacije koji glasi
necentrirani 1
2
=

n
i=1
^ j
2
i

n
i=1
j
2
i
= 1

n
i=1
c
2
i

n
i=1
j
2
i
. (3.9)
Ovaj se pokazatelj zove necentrirani jer varijable nisu centrirane oko
sredine ili nisu u devijacijskoj formi kao u slucaju obicnog koecijenta
determinacije iz 3.1 koji stavlja u odnos centrirane varijable oko svojih
sredina, pa se stoga cesto zove i centrirani koecijent determina-
cije. Za racunanje necentriranog koecijenta determinacije, buduci
da ne koristi devijacijske forme, nije potrebno zadovoljavati svojstva
iz 3.8.
Primjer 3.2 Ako za procjenu potronje studenata iz Tablice 2.1 ko-
ristimo model bez konstantnog clana /
0
^ j
i
= /
1
r
i
+ c
i
3
Vidi Svojstvo 2 i 3 regresijskog pravca na stranici 27.
36
centrirani 1
2
izracunat pomocu jednadzbe 3.1 je
1
2
=

n
i=i
(^ j
i
j)
2

n
i=i
(j
i
j)
2
=
33149.51
24120.00
= 1. 374 4
dok izracunat pomocu 3.7 je
1
2
= 1

n
i=1
c
2
i

n
i=1
(j
i
j)
2
= 1
6891.56
24120.00
= 0.714 28.
Necentrirani 1
2
je
necentrirani 1
2
=

n
i=1
^ j
2
i

n
i=1
j
2
i
=
225308.44
232200.00
= 0.970 32
li alternativno
necentrirani 1
2
= 1

n
i=1
c
2
i

n
i=1
j
2
i
= 1
6891.56
232200.00
= 0.970 32.
Iz gonjeg primjera vidimo da su centrirani 1
2
, izracunati na temelju
3.1 i 3.7, razliciti

n
i=i
(^ j
i
j)
2

n
i=i
(j
i
j)
2
,= 1

n
i=1
c
2
i

n
i=1
(j
i
j)
2
i da je 1
2
, izracunat na temelju 3.1 veci od 1, to ukazuje da u tom
slucaju ne vrijedi Var(j
i
) =Var(^ j
i
) +Var(c
i
). Jasno je da je tako iz-
racunat 1
2
pogreno izracunat jer nisu zadovoljene pretpostavke iz
3.8. S druge strane iz primjera 3.2 proizlazi da je necentrirani koe-
cijent determinacije ekvivalentan i kada nemamo konstantnog clana u
modelu. Odnosno, i dalje vrijedi

n
i=1
^ j
2
i

n
i=1
j
2
i
= 1

n
i=1
c
2
i

n
i=1
j
2
i
.
2. Ne vrijedi za regresijske modele koji nisu izracunati pomocu metode
najmanjih kvadrata (OLS). Buduci da smo koecijent determinacije
izracunali na temelju Svojstava regresijskog pravca, izvedenog pomocu
metode najmanjih kvadrata, tada, ako koristimo metodu najmanjih
kvadrata, imat cemo jednakost izmeu 3.1 i 3.7, no ako je regresijski
pravac izracunat pomocu neke druge metode tada ta jednakost vie
ne vrijedi, stoga i tako izracunat 1
2
ne vrijedi. Postoji alternativni
nacin racunanja koecijenta determinacije 1
2
, koji u slucaju metode
najmanjih kvadrata ostaje isti kao u 3.1 i 3.7, a za ostale metode
37
(ne OLS) procjenjivanja regresijskog pravca krece se uvijek izmeu
vrijednosti 0 i 1. Taj koecijent determinacije mozemo izracunati kao
1
2
= corr
2
(j
i
, ^ j
i
) =
_

n
i=1
(j
i
j)
_
^ j
i
^ j
_
(

n
i=1
(j
i
j))
_
n
i=1
_
^ j
i
^ j
__
_
2
, (3.10)
tj. izracunavamo ga na temelju kvadriranog koecijenta korelacije iz-
meu stvarnih j i procijenjenih ^ j. Ovako deniran 1
2
govori koliko se
dobro mogu varijacije u j objasniti varijacijama u ^ j, ili pokazuje jaci-
nu linearne veze izmeu ovih dviju varijabli. Buduci da se koecijent
korelacije uobicajeno oznacava s r, zato se koecijent determinacije oz-
nacava s 1
2
da bi se naglasilo da je koecijent determinacije kvadrat
koecijenta korelacije.
Primjer 3.3 Na temelju podataka iz Tablice 2.2 imamo
1
2
= corr
2
(j
i
, ^ j
i
) = 0.8949
2
= 0.800 85.
Iz gornjeg primjera proizlazi da je tako izracunat koecijent determi-
nacije istovjetan koecijentima deteminacije koje smo izracunali na
temelju 3.1 i 3.7. Interesantno je primijetiti da u slucaju samo jedne
nezavisne varijable, kao u gornjem primjeru, buduci da je procije-
njeni ^ j linearna kombinacija samo r, mozemo dobiti isti koecijent
determinacije ako kvadriramo koecijent korelacije izmeu r i j, to
se jasno vidi u sljedecem primjeru.
Primjer 3.4
1
2
= corr
2
(j
i
, r
i
) = 0.8949
2
= 0.800 85.
3. 1
2
nikada ne opada s povecanjem broja nezavisnih varijabli i kada do-
datne varijable ne objanjavaju kretanje zavisne varijable. Uobicajeni
nacin rjeavanja tog problema je ukljucivanje u izracun koecijenta
determinacije stupnjeve slobode, to nam daje tzv. korigirani 1
2
kojeg oznacavamo s

1
2
= 1
1
(nk)

n
i=1
c
2
i
1
(n1)

n
i=1
(j
i
j)
2
. (3.11)
Var(j
i
) je neovisna od broja nezavisnih varijabli r, dok

n
i=1
c
2
i
ovisi
o broju nezavisnih varijabli r, jer to je veci broj r-ova, smanjit ce se

n
i=1
c
2
i
. Da bi se efekt smanjenja sume kvadrata reziduala pri uklju-
civanju novih varijabli "kaznio", suma kvadrata reziduala dijeli se sa
38
stupnjevima slobode (: /). U tom se slucaju koecijent determina-
cije ne povecava automatski s povecanjem broja regresora, vec ovisi
o tome je li nova varijabla vie doprinijela smanjenju

n
i=1
c
2
i
svojim
ulaskom u model ili vie tetila smanjenjem stupnjeva slobode (: /).
Korigirani 1
2
je uvijek manji od nekorigiranog 1
2
, osim u slucaju ka-
da model ukljucuje samo konstantni clan pa su oba jednaka nuli. U
ekstremnim slucajevima korigirani 1
2
moze biti negativan.
Primjer 3.5 Na temelju podataka iz Tablice 2.2 korigirani koecijent
determinacije bit ce

1
2
= 1
1, (: /)

n
i=1
c
2
i
1, (: 1)

n
i=1
(j
i
j)
2
= 1
1, (5 2) 4802.44
1, (5 1) 24120.00
= 0.734 53.
3.2 Znacajnost procjenitelja
3.2.1 Standardna greka procjenitelja
Na temelju jednadzbe 2.13 procijenili smo vrijednosti parametara populacije
na temelju jednog uzorka iz te populacije. Buduci da se podaci mijenjaju
u ovisnosti o uzorku kojeg vucemo iz neke populacije, mijenjaju se i pa-
rametri uzorka b kojima procjenjujemo parametre populacije . Postavlja
se stoga pitanje koliko bi meusobno odstupali parametri razlicitih uzoraka
s istim brojem opazanja koje vucemo iz iste populacije, ili koliko mozemo
biti sigurni da dobiveni parametri na temelju nekog uzorka precizno opisuju
"nevidljive" parametre populacije? Zato to ne znamo stvarne vrijednos-
ti populacije, zakljucke o odstupanjima u populaciji donosimo na temelju
odstupanja u uzorku. Ako uzorak ima velika odstupanja oko regresijske
funkcije, kao na Slici 3.1/), zakljucujemo da je taj uzorak izvucen iz neke
populacije koja takoer ima velika odstupanja. Ako su odstupanja velika,
tada se iz populacije mogao izvuci jedan drugi uzorak koji ima bitno razlici-
te vrijednosti parametara regresijske funkcije uzorka u odnosu na na prvo
izvuceni uzorak. U tom slucaju dobiveni parametri iz jednadzbe 2.13 nisu
pouzdani za opisivanje parametara populacije, ili drugim rijecima: ne mo-
zemo biti sigurni da parametri dobiveni iz uzorka precizno opisuju stvarne
"nevidljive" parametre populacije. S druge strane ako su odstupanja oko
regresijske funkcije uzorka mala, kao na Slici 3.1a), tada pretpostavljamo da
je taj uzorak izvucen iz neke populacije koja ima mala odstupanja, i da bi
parametri, koje bismo dobili iz ostalih uzoraka iste velicine, izvuceni iz iste
populacije, bili vrlo slicni parametrima regresijskog pravca iz prvog uzorka.
Preciznost (pouzdanost) procjenitelja mjerimo standardnom devija-
cijom, koju zovemo i standardnom grekom procjenitelja i racunamo
je na temelju varijance procjenitelja. Varijancu procjenitelja mozemo
izraziti
Var (b) = 1
_
(b 1 [b]) (b 1 [b])
0

. (3.12)
39
Na temelju svojstva nepristranosti procjenitelja dobivenih metodom najma-
njih kvadrata imamo
1 [b] = (3.13)
to 3.12 pretvara u
Var (b) = 1
_
(b ) (b )
0

=
_

_
1 [/
1
,
1
]
2
1 [(/
1
,
1
) (/
2
,
2
)] 1 [(/
1
,
1
) (/
k
,
k
)]
1 [(/
2
,
2
) (/
1
,
1
)] 1 [/
2
,
2
]
2
1 [(/
2
,
2
) (/
k
,
k
)]
.
.
.
.
.
.
.
.
.
.
.
.
1 [(/
k
,
k
) (/
0
,
0
)] 1 [(/
k
,
k
) (/
2
,
2
)] 1 [/
k
,
k
]
2
_

_
(3.14)
to mozemo pisati
Var (b) =
_

_
Var (/
1
) Cov (/
1
, /
2
) Cov (/
1
, /
k
)
Cov (/
2
, /
1
) Var (/
2
) Cov (/
2
, /
k
)
.
.
.
.
.
.
.
.
.
.
.
.
Cov (/
k
, /
1
) Cov (/
k
, /
2
) Var (/
k
)
_

_
. (3.15)
Vidimo da je matrica Var(b) simetricna matrica s varijancama parameta-
ra na glavnoj dijagonali i kovarijancama izmeu parametara na pozicijama
izvan glavne dijagonale.
Iz jednadzbe 2.13 znamo da
b =
_
X
0
X
_
1
X
0
y =
_
X
0
X
_
1
X
0
(X +")
=
_
X
0
X
_
1
_
X
0
X
_
+
_
X
0
X
_
1
X
0
"
= I +
_
X
0
X
_
1
X
0
"
+
_
X
0
X
_
1
X
0
" (3.16)
iz cega imamo
(b ) =
_
X
0
X
_
1
X
0
". (3.17)
Vrijednosti matrice Var(b) mozemo stoga izracunati na temelju
Var (b) = 1
_
(b ) (b )
0

= 1
_
_
X
0
X
_
1
X
0
""
0
X
_
X
0
X
_
1
_
=
_
X
0
X
_
1
X
0
_
o
2
I
n
_
X
_
X
0
X
_
1
=
2
_
X
0
X
_
1
_
X
0
X
_ _
X
0
X
_
1
= o
2
_
X
0
X
_
1
. (3.18)
40
Iz 3.18 poznata nam je vrijednost matrice (X
0
X)
1
. Meutim skalar o
2
predstavlja varijancu regresijskog modela populacije koja nam je ne-
poznata. Mozemo je procijeniti pomocu nepristranog procjenitelja va-
rijance populacije izracunatog iz odstupanja uzorka
4
:
2
=
e
0
e
: /
(3.19)
to 3.18 pretvara u
Var (b) =
e
0
e
: /
_
X
0
X
_
1
. (3.20)
Standardne devijacije (greke) procjenitelja mozemo izracunati tako da ko-
rjenujemo varijance ili
sd (b) =
_
Var (b)
=
_
e
0
e
: /
(X
0
X)
1
. (3.21)
Iz jednadzbe 3.18 vidimo da to je veca varijanca modela populacije
o
2
(veca rasprenost oko regresijske funkcije populacije) da je veca i vari-
janca procjenitelja Var(b). Znaci, ako imamo vrlo rasprenu populaciju oko
regresijske funkcije populacije tada i regresijske funkcije uzoraka, koje su
izvedene iz te populacije, mogu se meusobno jako razlikovati. U slucaju
da imamo malu rasprenost populacije oko regresijske funkcije populacije
tada ce uzorci izvedeni iz te populacije davati slicne vrijednosti parametara
regresijskih funkcija uzoraka.
Buduci da ne znamo o
2
, nju smo procijenili iz varijance uzorka :
2
(jed-
nadzba 3.19), pretpostavljajuci da ako uzorak ima velika odstupanja oko
regresijske funkcije uzorka da i populacija iz koje je taj uzorak izvucen ima
velika odstupanja oko regresijske funkcije populacije.
Primjer 3.6 Na temelju jednadzbe 3.21 mozemo izracunati Var(b) za pa-
rametre iz primjera 2.1 na sljedeci nacin:
Var (b) =
4802.44
5 2
_
5 1550
1550 562 500
_
1
=
4802.44
3
_
225
164

31
8200

31
8200
1
82 000
_
=
_
2196. 2 6. 051 9
6. 051 9 0.01 952 2
_
.
Vidimo da je Var(/
0
) = 2196.2, Var(/
1
) = 0.019522, te kovarijanca Cov(/
0
, /
1
) =
6.0519. Standardna devijacija procjenitelja bit ce
sd (/
0
) =
_
Var (/
0
) =
_
2196.2 = 46. 864
sd (/
1
) =
_
Var (/
1
) =
_
0.019522 = 0.139 72.
4
Dokaz da se radi o nepristranom procijenitelju varijance populacije moze se naci u [3],
str. 48-49. ili [5], str. 30-31.
41
Do sada nismo imali nikakvu pretpostavku vezanu za oblik distribuci-
je odstupanja -
i
, osim to smo pretpostavili da su meusobno nekorelirani,
neovisni o X, da imaju sredinu nula i konstantnu varijancu. Meutim da bi
se moglo statisticki zakljucivati i testirati hipoteze moramo eksplicitno de-
nirati pretpostavku o distribuciji odstupanja. Uobicajena je pretpostavka
da su odstupanja -
i
normalno distribuirana, tj.
" ~
_
0, o
2
I
n
_
. (3.22)
Drugim rijecima, vektor " normalno je distribuiran sa sredinom nula i s
kovarijancnom matricom o
2
I
n
. Iz jednadzbe 3.16 vidimo da su procjenitelji
b linearna funkcija vektora odstupanja " iz cega slijedi da su procjenitelji
dobiveni metodom najmanjih kvadrata takoer normalno distribuirani sa
sredinama i kovarijancnom matricom o
2
(X
0
X)
1
tj.
b ~
_
,o
2
_
X
0
X
_
1
_
(3.23)
iz cega slijedi da je svaki element vektora b normalno distribuiran ili
/
k
~
_
,
k
, o
2
_
X
0
X
_
1
kk
_
(3.24)
gdje (/, /) predstavlja element na glavnoj dijagonali matrice (X
0
X)
1
.
3.2.2 Testiranje hipoteza nad procjeniteljima
Pri statistickom testiranju hipoteza mozemo uciniti dvije vrste greke: mo-
zemo odbaciti hipotezu koja je istinita ili mozemo ne odbaciti hipotezu koja
je kriva. Odbacivanje istinite hipoteze u statistici se zove greka I. tipa,
dok se neodbacivanje krive hipoteze zove greka II. tipa. Vjerojatnost nas-
tanka greke I. tipa neposredno kontrolira istrazivac proizvoljnim odabirom
razine znacajnosti koja se u statistici oznacava s c. Uobicajeno je testi-
rati na razini znacajnosti od 5%, tj. s "ugraenom" vjerojatnocu greke I.
tipa od 5%. Postavlja se pitanje zato dodatno ne smanjiti tu vjerojatnost
greke, pa testirati na razini znacajnosti od 1% ili manje? Nazalost na tim
razinama znacajnosti dodatno smanjenje vjerojatnosti greke I. tipa dras-
ticno povecava vjerojatnost da se ucini greka II. tipa (koja se u statistici
uobicajeno oznacava sa ,), tj. da se ne odbaci hipoteza koja je kriva. Vje-
rojatnost da se ne ucini greka II. tipa zove se snaga testa (1,), odnosno
snaga testa pokazuje sposobnost testa da odbaci krivu hipotezu.
Ekonometrijski paketi pri testiranju razlicitih hipoteza izracunavaju tzv.
j vrijednost (p iz eng. probability) ili tocnu razinu znacajnosti testa
koja prikazuje najmanju razinu znacajnosti pri kojoj mozemo odbaciti H
0
.
Ako je j vrijednost manja od razine znacajnosti c, mozemo odbaciti H
0
.
Ona, takoer, pokazuje osjetljivost odluke o odbacivanju nul hipoteze u
odnosu na razinu znacajnosti. Tako npr. vrijednost j = 0.07 ukazuje da
42
mozemo odbaciti nul hipotezu na razini znacajnosti od 10%, ali ne i na
razini znacajnosti od 5%. Kada mozemo odbaciti H
0
, kazemo da su rezultati
statisticki znacajni, a kada ne mozemo odbaciti H
0
, kazemo da rezultati
nisu statisticki znacajni.
Za testiranje hipoteza o parametrima (procjeniteljima) modela koristit
cemo dva testa: t-test za testiranje zasebnih hipoteza i F-test za testiranje
zajednickih hipoteza.
t-test
Iz jednadzbe 3.24 slijedi da varijabla
. =
/
k
,
k
_
o
2
(X
0
X)
1
kk
_
1=2
(3.25)
ima standardnu normalnu distribuciju, tj. sredinu nula i varijancu 1. Bu-
duci da nam nije poznata varijanca populacije o
2
, zamijenit cemo je pro-
cijenjenom nepristranom varijancom na temelju uzorka iz jednadzbe 3.19,
:
2
=
1
nk

c
2
i
. Buduci da su reziduali uzorka c
i
normalno distribuirani, nji-
hova suma kvadrata

c
2
i
ima
2
distribuciju
5
. Od tuda slucajna varijabla
t
k
=
/
k
,
k
_
:
2
(X
0
X)
1
kk
_
1=2
(3.26)
predstavlja odnos standardizirane normalne varijable i drugog korijena va-
rijable s
2
distribucijom. Buduci da su ove dvije varijable i meusobno
nezavisne, tada slucajna varijabla t
k
ima Studentovu t distribuciju s (: /)
stupnjeva slobode
6
. Studentova distribucija slicna je normalnoj distribuci-
ji. Ima neto deblje krakove u odnosu na normalnu distribuciju kada imamo
mali broj stupnjeva slobode, no povecanjem broja stupnjeva slobode postaju
slicnije i za dovoljan velik broj stupnjeva slobode postaju identicne.
Slijedom gore recenog mozemo konstruirati t-test kojim mozemo testirati
hipoteze o parametru populacije ,
k
pomocu
t
k
=
/
k
,

k
sd (/
k
)
(3.27)
koji ima t distribuciju s (: /) stupnjeva slobode. Vidimo da su nam u 3.27
poznate sve velicine: parametar uzorka /
k
, standardna greka parametra
uzorka sd(/
k
) i vrijednost parametra populacije koju proizvoljno testiramo
,

k
.
5
Vidi Dodatak C.1, teorem C.3.
6
Vidi Dodatak C.1, teorem C.5.
43
Dvostrani t-test Na temelju jednadzbe 3.27 mozemo testirati hipotezu
da ,
k
poprima vrijednost ,

k
, tj. H
0
: ,
k
= ,

k
nasuprot alternativnoj
hipotezi H
1
: ,
k
,= ,

k
. Velika razlika u vrijednostima parametara uzorka /
k
,
kojeg smo procijenili pomocu metode najmanjih kvadrata i testne velicine ,

k
podrazumijeva malu vjerojatnost da su te dvije velicine iste. U tom slucaju
mozemo lake odbaciti H
0
. Nadalje iz brojnika jednadzbe 3.27 mozemo
uociti da se povecanjem razlike izmeu /
k
i ,

k
testna statistika t
k
povecava
u apsolutnoj vrijednosti. Stoga mozemo lako zakljuciti kako veca vrijednost
[t
k
[ implicira lake odbacivanje H
0
.
Interesantno je dalje primijetiti da povecanje velicine uzorka smanjuje
standardnu greku procjenitelja. Buduci da se standardna greka procjeni-
telja nalazi u nazivniku jednadzbe 3.27 to povecava t vrijednost. Veca t vri-
jednost podrazumijeva lake odbacivanje H
0
to kod velikih uzoraka znatno
smanjuje vjerojatnost greke II. tipa. Kako bi kompenzirali taj efekt, istra-
zivaci uobicajeno smanjuju vjerojatnost greke I. tipa tako to smanje razinu
znacajnosti c njihovih testova. To objanjava zato je kod velikih uzoraka
opravdano birati razinu znacajnosti od 1%, umjesto uobicajenih 5%, a kod
vrlo malih uzoraka razinu znacajnosti od 10%.
Buduci da alternativna hipoteza H
1
: ,
k
,= ,

k
dozvoljava vrijednosti
koje su vece ali i manje od ,

k
, tada se takav test zove dvostrani test
(testira se na oba kraka distribucije) cije se kriticne vrijednosti t
=2;(nk)
deniraju kao vjerojatnost
Pr
_
[t
k
[ t
=2;(nk)
_
= c. (3.28)
Odbacujemo H
0
ako je apsolutna vrijednost [t
k
[ veca od kriticne vri-
jednosti t
=2;(nk)
gdje c oznacava razinu znacajnosti a (: /) stupnjeve
slobode.
Primjer 3.7 Pretpostavimo da zelimo testirati, s razinom znacajnosti od
5%, hipotezu da je granicna sklonost potronji studenata, iz Tablice 2.1,
0.6.Na temelju parametra kojeg smo izracunali u primjeru 2.1 i standardne
devijacije koju smo izracunali u primjeru 3.6 mozemo testirati H
0
: ,
1
= 0.6
nasuprot alternativnoj hipotezi H
1
: ,
1
,= 0.6 pomocu t-testa na sljedeci
nacin:
t
1
=
/
1
,

1
sd (/
1
)
=
0.485 0.6
0.1397
= 0.823.
U tablici Studentove distribucije vjerojatnosti E.2, prikazanoj u Dodatku,
mozemo naci kriticnu vrijednost t
0:025;3
= 3.1824. Buduci da je u naem
primjeru [t
1
[ < t
=2;(nk)
, tj. 0.823 < 3.1824 zakljucujemo da ne mozemo
odbaciti nul hipotezu H
0
= 0.6 .
Umjesto tablice Studentove distribucije mogli smo koristiti tocnu razi-
nu znacajnosti testa (j vrijednost) za dvostranu t distribuciju, s 3 stupnja
44
slobode i testnom velicinom od 0.823, koju uobicajeno izracunavaju ekono-
metrijski paketi. U naem primjeru ona iznosi j = 0.4707, to nam govori
da ne mozemo odbaciti nul hipotezu jer vjerojatnost da smo ucinili greku
ako odbacimo H
0
= 0.6 je 47.07%, mnogo veca od razine znacajnosti od 5%
na kojoj testiramo. Buduci da imamo vrlo mali uzorak (: = 5) opravdano
bi bilo testirati na razini znacajnosti od 10%. Ali na temelju j vrijednosti
od 47.07% odmah mozemo zakljuciti da i na razini od 10% ne mozemo od-
baciti nul hipotezu. Lako se moze uociti da j vrijednost pokazuje "granicnu"
razinu znacajnosti testa, ili najmanju razinu znacajnosti pri kojoj se moze
odbaciti nul hipoteza (u naem primjeru nul hipotezu mozemo odbaciti tek za
razine znacajnosti c _ 47.07%). Statisticko zakljucivanje na temelju j vri-
jednosti identicno je zakljucivanju na temelju tablice Studentove distribucije
vjerojatnosti.
U prethodnom primjeru 3.7 vidjeli smo da rezultati testiranja nisu bi-
li statisticki znacajni, ili da nismo mogli odbaciti H
0
= 0.6, to ne znaci
da automatski prihvacamo vrijednost testiranog parametra ,
1
= 0.6 kao
istinitu. U naem smo primjeru mogli testirati cijeli skup razlicitih hipote-
za koje ne mozemo odbaciti na razini znacajnosti od 5%, kao to su npr.
H
0
: ,
1
= 0.5, H
0
: ,
1
= 0.3, H
0
: ,
1
= 0.75. Bilo bi neozbiljno tvrditi da su
sve te hipoteze istovremeno istinite, ili da ih sve istovremeno prihvacamo.
Stoga je jedini prikladni zakljucak da se gore navedene hipoteze ne mogu
odbaciti. Drugim rijecima hipoteze u klasicnoj statistici ne prihvacaju se,
vec se odbacuju ili ne odbacuju.
Ekonometrijski paketi uobicajeno automatski prikazuju, pokraj vrijed-
nosti parametara i njihovih standardnih devijacija, t vrijednosti kojima se
testira hipoteza H
0
: ,
k
= 0, nasuprot hipotezi H
0
: ,
k
,= 0. Buduci da je u
tom slucaju ,

k
= 0, t-test jednadzbe 3.27 pretvara se u
t
k
=
/
k
,

k
sd (/
k
)
=
/
k
0
sd (/
k
)
=
/
k
sd (/
k
)
, (3.29)
kojeg uobicajeno zovemo t-omjer. Ako je procijenjeni parametar znacajno
razlicit od 0, tada mozemo reci da varijabla r
k
, koja se veze za taj parametar,
ima znacajan utjecaj na zavisnu varijablu j. Drugim rijecima, ako mozemo
odbaciti H
0
: ,
k
= 0, tada kazemo da je utjecaj varijable r
k
na j znacajan.
Primjer 3.8 Je li utjecaj raspolozivog dohotka na potronju studenata iz
Tablice 2.1 znacajan, mozemo testirati pomocu
t
1
=
/
1
sd (/
1
)
=
0.485
0.1397
= 3. 472.
Tocna razina znacajnost testa iznosi j = 0.04, na temelju koje mozemo sa
znacajnocu od 5 i 10% odbaciti H
0
: ,
1
= 0. S druge strane, ako odabe-
remo razinu testiranja od 1% znacajnosti, tada ne mozemo odbaciti tu istu
45
nul hipotezu. Mozemo stoga zakljuciti da je utjecaj raspolozivog dohotka na
potronju studenata statisticki znacajan ako testiramo sa znacajnocu od 5 i
10%, no ako testiramo sa znacajnocu od 1%, ne mozemo odbaciti hipotezu
da raspoloziv dohodak studenata ne utjece na njihovu potronju.
Jednostrani t test Ponekad moramo testirati hipoteze nad parametri-
ma koje imaju jednostranu alternativnu hipotezu. Ako testiramo hipotezu
H
0
: ,
k
_ ,

k
, vidimo da ce alternativna hipoteza H
1
: ,
k
,

k
biti jednos-
trana buduci da uzima u obzir samo vrijednosti koje su vece od ,
k
. Ako
razmotrimo jednadzbu 3.27 vidimo da velika pozitivna razlika brojnika vo-
di ka velikoj pozitivnoj t
k
vrijednosti (standardna greka procjenitelja koja
se nalazi u nazivniku izraza uvijek je pozitivna), a velika negativna razlika
brojnika vodi ka velikoj negativnoj vrijednosti t
k
. Velika pozitivna razli-
ka vodi ka odbacivanju H
0
, dok je velika negativna razlika u skladu s nul
hipotezom H
0
: ,
k
_ ,

k
i ne vodi ka njezinom odbacivanju. Analogno,
mogli smo konstruirati hipotezu H
0
: ,
k
_ ,

k
, sa H
1
: ,
k
< ,

k
. Kriticnu
vrijednost za jednostrani test mozemo stoga izraziti kao
Pr
_
t
k
t
;(nk)
_
= c (3.30)
za H
0
: ,
k
_ ,

k
nasuprot H
1
: ,
k
,

k
te
Pr
_
t
k
< t
;(nk)
_
= c (3.31)
za H
0
: ,
k
_ ,

k
nasuprot H
1
: ,
k
< ,

k
.
Primjer 3.9 Pretpostavimo da zelimo testirati, s razinom znacajnosti od
5%, hipotezu da je granicna sklonost studenata iz Tablice 2.1 jednaka ili
veca od 0.6, ili H
0
: ,
1
_ 0.6, nasuprot hipotezi H
0
: ,
1
< 0.6. Na temelju
jednadzbe 3.27 dobit cemo
t
1
=
/
1
,

1
sd (/
1
)
=
0.485 0.6
0.1397
= 0.823,
istu vrijednost koju smo dobili u primjeru 3.7 kada smo testirali dvostranim
testom hipotezu H
0
: ,
1
= 0.6. Kriticna vrijednost za jednostrani test
7
s 5%
znacajnosti i 3 stupnja slobode iznosi t
0:05;3
= 2.3534, dok je za dvostrani
test iz primjera 3.7 bila t
0:025;3
= 3.1824. Buduci da je u naem primjeru
t
1
t
0:025;3
, tj. 0.823 2.3534, na temelju jednadzbe 3.31 ne mozemo
odbaciti s 5% znacajnosti hipotezu H
0
: ,
1
_ 0.6. Ekonometrijski paketi uobi-
cajeno prikazuju j vrijednosti za dvostrane testove, koji su ceci u praksi.
Ako koristimo za statisticko zakljucivanje j vrijednosti umjesto tablica Stu-
dentove distribucije za jednostrani t-test, moramo dobivenu j vrijednost za
dvostrani test podijeliti s 2. Tako u naem slucaju imamo j,2 = 0.4707,2 =
7
Vidi Dodatak, Tablica E.2
46
0.235 4, to ukazuje da je vjerojatnost da smo pogrijeili 23.54%, ako od-
bacimo H
0
. Drugim rijecima ako testiramo s 5% znacajnosti, ne mozemo
odbaciti hipotezu da je granicna sklonost potronji studenata iz naeg pri-
mjera jednaka ili veca od 0.6.
Primjer 3.10 Pretpostavimo da zelimo testirati, sa znacajnocu od 5%, hi-
potezu da je granicna sklonost potronji studenata iz Tablice 2.1 jednaka ili
manja od 0.1, ili H
0
: ,
1
_ 0.1, nasuprot hipotezi H
1
: ,
1
0.1. Na temelju
jednadzbe 3.27 imamo
t
1
=
/
1
,

1
sd (/
1
)
=
0.485 0.1
0.1397
= 2. 756. (3.32)
Iz Studentove tablice imamo t
0:05;3
= 2.3534. Buduci da t
1
t
0:025;3
, ili
2.756 2.3534 na temelju jednadzbe 3.30 mozemo odbaciti H
0
. Do istog
zakljucka mozemo doci koristeci se j vrijednocu koja za ovaj test iznosi
j,2 = 0.070,2 = 0.035 .Drugim rijecima vjerojatnost da smo ucinili greku
je 3.5%, ako odbacimo nul hipotezu. Zato to je vjerojatnost da smo ucinili
greku, kada odbacujemo H
0
, manja od "doputene" vjerojatnosti greke od
5%, hipotezu H
0
: ,
1
_ 0.1 mozemo odbaciti.
Interval pouzdanosti parametara Interval pouzdanosti parametra mo-
zemo denirati kao raspon svih vrijednosti ,

k
za koje se H
0
: ,
k
= ,

k
ne
moze odbaciti t-testom. Vjerojatnost da se t statistika nae izmeu kriticnih
t vrijednosti iznosi
Pr
_
t
=2;(nk)
_ t
k
_ t
=2;(nk)
_
= 1 c. (3.33)
Supstitucijom jednadzbe 3.27 u 3.33 dobijemo
Pr
_
t
=2;(nk)
_
/
k
,
k
sd (/
k
)
_ t
=2;(nk)
_
= 1 c. (3.34)
Nakon sreivanja po ,
k
imamo
Pr
_
/
k
sd (/
k
) t
=2;(nk)
_ ,
k
_ /
k
+ sd (/
k
) t
=2;(nk)
_
= 1 c, (3.35)
ili kompaktno interval pouzdanosti populacijskog parametra ,
k
mozemo
pisati kao
/
k
sd (/
k
) t
=2;(nk)
. (3.36)
Iz jednadzbe 3.36 vidimo da interval pouzdanosti izracunavamo na temelju
poznatih velicina koje smo izvukli iz uzorka te populacije, a to su: parametar
/
k
i njegova standardna devijacija sd(/
k
). to je veca standardna devijacija
procjenitelja, to ce biti iri interval pouzdanosti. iri interval pouzdanosti
47
znaci vecu neizvjesnost u procjenjivanju populacijskog nepoznatog parame-
tra ,
k
. Stoga se na standardnu greku procjenitelja gleda kao na mjeru pre-
ciznosti procjenitelja koja nam govori koliko precizno procjenitelj /
k
opisuje
stvarnu vrijednost populacijskog ,
k
.
Populacijski parametar ,
k
je nepoznata, ali ksna vrijednost, zato izraz
3.35 ne mozemo interpretirati kao "(1 c) je vjerojatnost da se populacijski
parametar ,
k
nalazi u granicama /
k
:d (/
k
) t
=2;(nk)
" jer bi to impliciralo
da je interval pouzdanosti ksan, a populacijski parametar slucajna vrijed-
nost. Buduci da je populacijski parametar ,
k
ksna vrijednost, kada bi
interval pouzdanosti takoer bio ksan, vrijednost populacijskog parametra
lezala bi, ili ne bi lezala, u ksnom intervalu pouzdanosti. U tom slucaju
imali bismo samo dvije vjerojatnosti: ako lezi, vjerojatnost je 1 (100%),
ako ne lezi u intervalu pouzdanosti je 0. Meutim interval pouzdanosti ni-
je ksan vec slucajan jer ovisi o izvucenom uzorku iz populacije. Stoga
jedini pravilan nacin interpretacije intervala pouzdanosti parametra je da
u ponovljenom uzorkovanju, 100 (1 c) % izracunatih slucajnih intervala
pouzdanosti, na temelju izvucenih uzoraka iz iste populacije, ukljucivat ce
stvarni populacijski skni parametar ,
k:
Drugim rijecima kada bi se iz neke
populacije izvuklo 100 uzoraka i na temelju njih izracunalo, koristeci izraz
3.36, 100 slucajnih 95 postotnih intervala pouzdanosti za ksni populacij-
ski parametar ,
k
, u 95 od 100 intervala pouzdanosti nali bismo vrijednost
populacijskog ksnog parametra ,
k
.
Primjer 3.11 Na temelju jednadzbe 3.36 mozemo izracunati 95 postotne
intervale pouzdanosti za parametre modela izracunatih u primjeru 2.1. Da
bismo dobili 95 postotni interval pouzdanosti biramo razinu znacajnosti od
c = 0.05 jer 100 (1 c) % = 100 (1 0.05) % = 95%. Kriticna vrijednost
t
=2;(nk)
iznosi t
0:025;3
= 3.1824 (vidi Tablica E.2 u Dodatku). Na temelju
izraza 3.36 mozemo izracunati 95 postotni interval pouzdanosti za parametar
,
0
/
0
sd (/
0
) t
=2;(nk)
= 53. 535 46.864 3.1824
= 53.535 149. 14
to mozemo pisati
95. 605 _ ,
0
_ 202.675.
Za parametar ,
1
95 postotni interval pouzdanosti bit ce
/
1
sd (/
1
) t
=2;(nk)
= 0.48537 0.139 72 3.1824
= 0.48537 0.444 6
to mozemo pisati
0.04077 _ ,
1
_ .0.92997.
48
F-test
Na temelju t-testa mozemo testirati pojedinacne hipoteze nad jednim koe-
cijentom. Postavlja se pitanje kako testirati zajednicke hipoteze nad koe-
cijentima kao to su na primjer
H
0
: ,
1
= ,
2
= 0 ili H
0
: ,
1
+ ,
2
,
4
= 1.
U tom slucaju mozemo konstruirati ograniceni model koji ce u sebi sadr-
zavati ogranicenja nad parametrima i testirati razliku izmeu neobjanjena
odstupanja ogranicenog modela i neogranicenog modela. Kod neogranice-
nog modela ne forsiramo da parametri poprime odreene vrijednosti, vec
doputamo da poprime bilo koju vrijednost koja, u slucaju da rabimo meto-
du najmanjih kvadrata, minimizira zbroj kvadrata odstupanja. Kod ogra-
nicenog modela, s druge strane, forsiramo da odreeni parametri poprime
a priori zadane vrijednosti koje ne minimiziraju zbroj kvadrata odstupanja.
Jasno je stoga da zbroj kvadrata neobjanjenih odstupanja bit ce uvijek veci
kod ogranicenog modela u odnosu na neograniceni model. Nadalje, to se
forsirani parametar u neogranicenom modelu udaljava svojom vrijednocu
od parametra koji minimizira sumu kvadrata odstupanja (dobiven neogra-
nicenim modelom) to ce biti veca razlika izmeu sume kvadrata odstupanja
ogranicenog i neogranicenog modela. Na taj nacin prirodno se namece test
koji usporeuje zbrojeve kvadrata neobjanjenih odstupanja ogranicenog i
neogranicenog modela. Ako je razlika velika, tada ce se nul hipoteza mo-
ci odbaciti, ako je razlika mala, tada se nul hipoteza nece moci odbaciti.
Ako sumu kvadrata odstupanja

(j
i
^ j
i
)
2
oznacimo s 1oo, tada 1test
mozemo pisati
1 =
(1oo
R
1oo
UR
) ,J
1oo
UR
, (: /)
(3.37)
gdje 1oo
R
oznacava sumu kvadrata odstupanja ogranicenog modela, 1oo
UR
sumu kvadrata odstupanja neogranicenog modela, J broj ogranicenja i (: /)
stupnjeve slobode neogranicenog modela. Buduci da je 1oo
R
uvijek veci
od 1oo
UR
, gornji izraz uvijek ce biti pozitivan.
Ako vrijedi pretpostavka da su odstupanja c
i
normalno distribuirana,
tada

(j
i
^ j
i
)
2
, to skraceno piemo

c
2
i
, iz Teorema
8
C.3 ima
2
distri-
buciju. Na temelju Teorema C.4 znamo da zbrajanje i oduzimanje varijabli
s
2
distribucijom daju varijablu s
2
distribucijom. Stoga ce i razlika
1oo
R
1oo
UR
, takoer, imati
2
distribuciju. Iz Teorema C.6 znamo da
ce odnos dviju slucajnih varijabli s
2
distribucijom
x
1
=n
1
x
2
=n
2
imati 1 distribu-
ciju s (:
1
, :
2
) stupnjeva slobode, ili kao u slucaju nae jednadzbe 3.37 1-test
ima 1 distribuciju sa (J, : /) stupnjeva slobode. 1-test je jednostrani test
ciju kriticnu vrijednost 1
J
;(nk)
mozemo denirati kao
Pr
_
1 1
J
;(nk)
_
= c (3.38)
8
Vidi Dodatak C.1
49
gdje c predstavlja razinu znacajnosti testa. Drugim rijecima velika razlika
izmeu 1oo
R
i 1oo
UR
vodit ce k velikim vrijednostima 1 statistike iz
3.37, a velike vrijednosti 1 statistike vodit ce na temelju 3.38 odbacivanju
nul hipotez e.
Ekonometrijski paketi cesto automatski pokraj vrijednosti parametara,
standardnih devijacija koecijenata, t vrijednosti, koecijenata determina-
cije itd. prikazuju i rezultate 1-testa kojim se za model
j = ,
0
+ ,
1
r
1
+ ,
2
r
2
+ + ,
k1
r
k1
testira zajednicka hipoteza
H
0
: ,
1
= ,
2
= = ,
k1
= 0, (3.39)
odnosno, testira se zajednicka hipoteza da su svi parametri, koji se vezu za
nezavisne varijable, jednaki nula, to znaci da niti jedna nezavisna varijabla
nije znacajna za objanjenje zavisne varijable j. U tom se slucaju ograniceni
model svodi na trivijalan model koji sadrzi samo konstantni clan ,
0
j = ,
0
. (3.40)
Iz Propozicije 3.1 znamo da za model s konstantnim clanom vrijedi
Var (j
i
) = Var (^ j
i
) + Var (c
i
) .
Ako pomnozimo s (: 1) dobijemo jednadzbu 3.5
n

i=1
(j
i
j)
2
=
n

i=1
(^ j
i
j)
2
+
n

i=1
c
2
i
koju mozemo pojednostavljeno pisati
Too = 1oo + 1oo, (3.41)
gdje Too oznacava ukupnu sumu kvadrata odstupanja, 1oo objanjenu
sumu kvadrata odstupanja, a 1oo neobjanjenu sumu kvadrata odstupanja
od sredine uzorka. Buduci da u ogranicenom modelu 3.40 nemamo ni jednu
nezavisnu varijablu, tada ce njegova objanjena suma kvadrata odstupanja
biti 1oo
R
= 0, a iz 3.41 slijedi da za tako ograniceni model vrijedi
1oo
R
= Too. (3.42)
Taj rezultat pretvara 1-test, kojim mozemo testirati hipotezu 3.39, u
1 =
(1oo
R
1oo
UR
) ,J
1oo
UR
, (: /)
=
(Too 1oo
UR
) , (/ 1)
1oo
UR
, (: /)
=
1oo
UR
, (/ 1)
1oo
UR
, (: /)
(3.43)
50
ili u odnos objanjene i neobjanjene varijance neogranicenog mo-
dela. Broj ogranicenja J je (/ 1), tj. broj parametara koji se procjenjuju
u modelu manje jedan (konstantni clan koji nije ogranicen). Interesantno
je primijetiti da ograniceni model 3.40 ima koecijent determinacije (kori-
girani kao i nekorigirani) jednak nuli jer je 1oo =

(^ j
i
j
i
)
2
= 0. Stoga
je testirati nul hipotezu 3.39 ekvivalentno testiranju nul hipoteze da je po-
pulacijski koecijent determinacije 1
2
= 0. Drugim rijecima 1-test iz 3.43
mozemo interpretirati i kao test kojim se testira znacajnost koecijenta
determinacije 1
2
.
Kada imamo skup linearnih ogranicenja u obliku
r
11
,
1
+ r
12
,
2
+ + r
1k
,
k
=
1
r
21
,
1
+ r
22
,
2
+ + r
2k
,
k
=
2
.
.
.
r
J1
,
1
+ r
J2
,
2
+ + r
jk
,
k
=
J
zgodno ih je prikazati u kompaktnoj matricnoj formi
R = q. (3.44)
Matrica R ima / stupaca koji odgovaraju broju parametara, koji se procje-
njuju i J redaka, koji odgovaraju broju linearnih ogranicenja nad parametri-
ma. Broj stupaca mora biti manji od broja redaka (J < /); drugim rijecima
moramo imati manje ogranicenja od procijenjenih parametara. Testiranje
nul hipoteze jednog skupa od J linearnih ogranicenja mozemo denirati sa
H
0
: R q = 0 (3.45)
nasuprot alternativnoj hipotezi
H
1
: R q ,= 0. (3.46)
Na ovaj nacin lako mozemo denirati zajednicku nul hipotezu koja se
sastoji od mnogih linearnih ogranicenja kao npr.
H
0
: ,
2
= 2; ,
3
= ,
7
; ,
4
+ ,
5
,
6
= 1
putem
R =
_
_
0 1 0 0 0 0 0
1 0 0 0 0 0 1
0 0 0 1 1 1 0
_
_
, q =
_
_
2
0
1
_
_
ili hipotezu 3.39 da su svi parametri u modelu osim konstantnog clana jed-
naki nuli
R = [0 : I
k1
] , q = 0.
51
Za zadane parametre uzorka, dobivene metodom najmanjih kvadrata, mo-
zemo denirati vektor nepodudarnosti (eng. discrepancy vector) s
m = Rb q (3.47)
gdje vektor Rb prikazuje procijenjeno stanje, a q velicine koje zelimo testi-
rati. Na temelju Waldovog kriterija
\ = m
0
Var (m) m (3.48)
nakon supstituiranja varijance populacije o
2
procijenjenom varijancom po-
pulacije :
2
, mozemo dobiti 1 statistiku
9
za testiranje linearne hipoteze 3.45
1 =
m
0
_
R
_
:
2
(X
0
X)
1
_
R
0
_
1
m
J
. (3.49)
1 statistika izracunata ovim nacinom, s (J, : /) stupnjeva slobode, is-
tovjetna je 1 statistici, koju dobijemo koristeci jednadzbu 3.37, tj. daju
potpuno isti rezultat. Prednost 3.49 nad 3.37 je relativno jednostavno de-
niranje skupa linearnih ogranicenja koja ulaze u nul hipotezu.
Primjer 3.12 Pretpostavimo da zelimo nad parametrima modela
10
j = 410.81
(162:830)
33.75
(26:134)
r
1
+ 3.23
(0:989)
r
2
+ 9.71
(0:727)
r
3
31.57
(1:162)
r
4
+ 38.39
(10:793)
r
5
1
2
UR
= 0.9989
1oo
UR
= 6808.58
1oo
UR
= 6394831
(3.50)
testirati s 5% znacajnosti sljedece hipoteze:
a)
H
0
: ,
1
= ,
2
= ,
3
= ,
4
= ,
5
= 0 (3.51)
drugim rijecimazelimo testirati zajednicku hipotezu da su svi parametri
vezani za nezavisne varijable jednaki nula nasuprot hipotezi H
1
: ,
1
=
,
2
= ,
3
= ,
4
= ,
5
,= 0. U naem slucaju model iz jednadzbe 3.50
je neograniceni model, dok ce ograniceni model, u kojeg ugraujemo
nul hipotezu 3.51, biti model samo s konstantnim clanom, ili u naem
slucaju
j = 3067.82
1
2
R
= 0.0000
1oo
R
= 6401640
. (3.52)
Buduci da u ogranicenom modelu nemamo nezavisnih varijabli, koe-
cijent determinacije 1
2
, kao i korigirani koecijent determinacije

1
2
9
Vidi detaljan izvod u [3] str. 96-97.
10
Podaci za ovaj model prikazani su u Dodatku D.1.
52
su nula. Vidimo da 1oo
R
ogranicenog modela 3.52 znatno je veci od
1oo
UR
neogranicenog modela 3.50. Hipotezom smo ogranicili 5 para-
metara, zato je broj ogranicenja J = 5, i imamo (: /) = (25 6) =
19 stupnjeva slobode. Prema tome 1 test kojim testiramo nul hipotezu
3.51 bit ce
1 =
(1oo
R
1oo
UR
) ,J
1oo
UR
, (: /)
=
(6401640 6808.58) ,5
(6808.58) ,19
= 3569. 1.
Kriticna vrijednost 1 distribucije za 5% znacajnosti prikazana je u
Dodatku, Tablica E.3, i iznosi 1
5
0:05;19
= 2.740. Buduci da je u naem
slucaju 1 1
J
;(nk)
, mozemo na razini od 5% znacajnosti odbaciti
nul hipotezu 3.51. Na temelju Tablice E.4, iz Dodatka, vidimo da nul
hipotezu mozemo odbaciti i s 1% znacajnosti, tj. s vjerojatnocu da
smo pri odbacivanju hipoteze ucinili greku od samo 1%, buduci da je
kriticna vrijednost 1
5
0:01;19
= 4.171 manja od testne velicine 3569.1.
Kada testiramo hipotezu da su svi parametri vezani za nezavisne va-
rijable jednaki nula, tada 1 vrijednost mozemo dobiti koristeci se i
jednadzbom 3.43
1 =
1oo
UR
, (/ 1)
1oo
UR
, (: /)
=
6394831,5
6808.58,19
= 3569.1
u koju ulaze podaci samo neogranicenog modela. Ekonometrijski paketi
pokraj parametara modela cesto automatski prikazuju ovu 1 vrijednost,
kojom se testira hipoteza da su svi parametri modela vezani za neza-
visne varijable jednaki nula (hipoteza 3.51). U matricnoj formi gornju
hipotezu mozemo testirati pomocu Waldovog kriterija ako deniramo
R = [0 : I
5
] , q = 0.
Vidimo da matricom R ne ogranicavamo samo konstantni clan (prvi
stupac). Broj ogranicenja je J = 5 dok je broj parametara / = 6, to
zadovoljava uvjet J < /, pa mozemo izracunati vektor nepodudarnosti
koji ce u naem primjeru biti
m = Rb q =
_

_
0 1 0 0 0 0
0 0 1 0 0 0
0 0 0 1 0 0
0 0 0 0 1 0
0 0 0 0 0 1
_

_
_

_
410.81
33.75
3.23
9.71
31.57
38.39
_

_
0
0
0
0
0
_

_
=
_

_
33. 75
3. 23
9. 71
31. 57
38. 39
_

_
.
Vektor nepodudarnosti prikazuje razliku izmeu vrijednosti parameta-
ra uzorka i vrijednosti koje testiramo. Buduci da u naem primjeru
testiramo hipotezu da su populacijski parametri vezani za nezavisne
53
varijable jednaki nula, vektor nepodudarnosti svodi se na vrijednosti
procijenjenih parametara na temelju uzorka koji su vezani za neza-
visne varijable. to su vece, u apsolutnoj velicini, vrijednosti vektora
nepodudarnosti, lake ce biti odbaciti nul hipotezu. Kada znamo da je
procijenjena varijanca populacije naeg modela :
2
= 358.35, i da je
simetricna matrica
_
X
0
X
_
1
=
_

_
73.9891 9.4129 0.2885 0.1717 0.2869 1.2070
9.4129 1.9059 0.0182 0.0049 0.0404 0.1452
0.2885 0.0182 0.0027 0.0019 0.0004 0.0030
0.1717 0.0049 0.0019 0.0015 0.0003 0.0014
0.2869 0.0404 0.0004 0.0003 0.0038 0.0100
1.2070 0.1452 0.0030 0.0014 0.0100 0.3251
_

_
,
imamo sve elemente za izracunavanje 1 vrijednosti pomocu jednadzbe
1 =
m
0
_
R
_
:
2
(X
0
X)
1
_
R
0
_
1
m
J
= 3569.1.
b)
H
0
: ,
1
= 15 (3.53)
nasuprot H
1
: ,
1
,= 15. U prethodnom smo poglavlju vidjeli da hi-
poteze nad jednim parametrom testiramo t-testom. 1-test je opcenit,
stoga, osim testiranja nad vie parametara, doputa nam testiranje i
nad jednim parametrom. Obje metode morale bi dovesti do istog za-
kljucka. Ako gornju hipotezu testiramo pomocu t-testa imamo
t
1
=
/
1
,

1
sd (/
1
)
=
33.75 (15)
26.134
= 0.71746
(p=0:4818)
.
Ograniceni model bit ce
j = ,
0
15r
1
+ ,
2
r
2
+ ,
3
r
3
+ ,
4
r
4
+ ,
5
r
5
(j + 15r
1
) = ,
0
+ ,
2
r
2
+ ,
3
r
3
+ ,
4
r
4
+ ,
5
r
5
koji procijenjen izgleda
(j + 15r
1
) = 318.21
(98:061)
+ 3.05
(0:945)
r
2
+ 9.76
(0:715)
r
3
31.17
(1:008)
r
4
+ 36.97
(10:478)
r
5
1
2
= 0.9989
1oo
R
= 6993.03
.
Prema tome 1-test, kojim testiramo hipotezu 3.53, bit ce
1 =
(1oo
R
1oo
UR
) ,J
1oo
UR
, (: /)
=
(6993.03 6808.58) ,1
6808.58,19
= 0.514 73
(p=0:4818)
.
Jasno je da t i 1 vrijednosti nisu iste, buduci da proizlaze iz razlicitih
distribucija. Meutim, tocne razine znacajnosti testa j su identicne u
54
oba slucaja, j = 0.4818, to upucuje na identican statisticki zakljucak,
tj. da ne mozemo odbaciti nul hipotezu. Waldovim kriterijem mozemo
testirati hipotezu 3.53 na temelju matrica ogranicenja
R =
_
0 1 0 0 0 0

, q = 15
koje daju vektor nepodudarnosti m = 18. 75. Kada ukljucimo ove
vrijednosti u jednadzbu 3.49 dobijemo vrijednost 1 = 0.514 73, koja je
istovjetna 1 vrijednosti dobivenu prethodnom metodom (1oo).
c)
H
0
: ,
4
+ ,
5
= 0 (3.54)
nasuprot hipotezi H
1
: ,
4
+ ,
5
,= 0. Iz gornje jednadzbe slijedi da je
,
4
= ,
5
ili ,
5
= ,
4
. Neovisno o tome koristimo li za ogranicenje
modela 3.50 jednakost ,
4
= ,
5
ili ,
5
= ,
4
, moramo dobiti istu
vrijednost 1oo
R
. Ako koristimo ,
4
= ,
5
, imamo
j = ,
0
+ ,
1
r
1
+ ,
2
r
2
+ ,
3
r
3
,
5
r
4
+ ,
5
r
5
= ,
0
+ ,
1
r
1
+ ,
2
r
2
+ ,
3
r
3
+ ,
5
(r
5
r
4
)
i kada procijenimo parametre dobijemo ograniceni model
j = 392.81
(157:61)
31.70
(25:508)
r
1
+ 3.30
(0:970)
r
2
+ 9.74
(0:714)
r
3
+31.84
(1:058)
(r
5
r
4
)
1
2
= 0.9989
1oo
R
= 6942.08
.
Ako koristimo ,
5
= ,
4
imamo
j = ,
0
+ ,
1
r
1
+ ,
2
r
2
+ ,
3
r
3
+ ,
4
r
4
,
4
r
5
= ,
0
+ ,
1
r
1
+ ,
2
r
2
+ ,
3
r
3
+ ,
4
(r
4
r
5
)
i kada procijenimo parametre modela dobijemo ograniceni model
j = 392.81
(157:61)
31.70
(25:508)
r
1
+ 3.30
(0:970)
r
2
+ 9.74
(0:714)
r
3
31.84
(1:058)
(r
4
r
5
)
1
2
= 0.9989
1oo
R
= 6942.08
s identicnim 1oo
R
. Stoga, neovisno o jednakosti koju koristimo za
ogranicenje modela, dobijemo istu 1 vrijednost
1 =
(1oo
R
1oo
UR
) ,J
1oo
UR
, (: /)
=
(6942.08 6808.58) ,1
(6808.58) ,19
= 0.372 6
(p=0:5489)
.
Iz razine znacanost testa j = 0.5489 zakljucujemo da ne mozemo odba-
citi ovu hipotezu. Interesantno je primijetiti da pri testiranju ove hi-
poteze, iako se u hipotezi pojavljuju dva parametra, imamo samo jedno
ogranicenje. Jedno ogranicenje bilo bi i kada bismo testirali hipotezu:
H
0
: ,
1
+ 2,
2
,
4
+ ,
5
= 0, unatoc tome to se pojavljuju 4 para-
metra, dok s druge strane, ako npr. testiramo H
0
: ,
1
= 0, ,
4
= 30,
55
imamo dva ogranicenja. Znaci, pri racunanju broja ogranicenja nije
vazan broj parametara koji se pojavljuje u hipotezi vec broj jednadz-
bi. Ako zelimo dobiti 1 vrijednost pomocu Waldovog kriterija matrice
ogranicenja, kojima opisujemo hipotezu 3.54, glase
R =
_
0 0 0 0 1 1

, q = 0
koje daju vrijednost m =6.8241 i 1 = 0.3726, identicnu vrijednost
koju smo dobili i metodom usporedbe 1oo ogranicenog i neogranicenog
modela.
d)
H
0
: ,
1
= ,
4
; ,
2
= 3; ,
4
+ ,
5
= 0 (3.55)
nasuprot alternativnoj hipotezi H
1
: ,
1
,= ,
4
; ,
2
,= 3; ,
4
+,
5
,= 0. Ka-
da imamo skup linearnih ogranicenja, (kao u ovom primjeru) supstitu-
cija tih ogranicenja u neograniceni model bit ce slozen posao da bismo
dobili ograniceni model na temelju kojeg mozemo izracunati 1oo
R
,
dok ce to isto matricnom metodom, na temelju Waldovog kriterija, bi-
ti lake izvedivo. Matrice ogranicenja za testiranje gornje hipoteze bit
ce
R =
_
_
0 1 0 0 1 0
0 0 1 0 0 0
0 0 0 0 1 1
_
_
, q =
_
_
0
3
0
_
_
koje daju vektor nepodudarnosti
m =
_
_
2.1789
0.2314
6.8241
_
_
.
Na temelju jednadzbe 3.49 za broj ogranicenja J = 3 dobit cemo 1
vrijednost od 0.1578 kojoj odgovara razina znacajnosti testa j = 0.9233.
Drugim rijecima ovu hipotezu ne mozemo odbaciti.
56
Dodatak A
Izvodi i dokazi
A.1 Izvod parametara modela s jednom nezavis-
nom varijablom metodom najmanjih kvadra-
ta
Za model
j
i
= /
0
+ /
1
r
i
+ c
i
(A.1)
treba izabrati parametre /
0
i /
1
tako da minimiziraju

c
2
i
. Da bi se dobili
parametri s tim svojstvima, mora se parcijalno derivirati izraz

c
2
i
po /
0
i /
1
i izjednaciti prve derivacije s nulom kako bi se dobili ekstremi funkcija
(minimum)
0
0/
0

c
2
i
=
0
0/
0

(j
i
/
0
/
1
r
i
)
2
= 2

(j
i
/
0
/
1
r
i
) = 0 (A.2)
0
0/
1

c
2
i
=
0
0/
1

(j
i
/
0
/
1
r
i
)
2
= 2

r
i
(j
i
/
0
/
1
r
i
) = 0. (A.3)
Ako jednadzbe A.2 i A.3 podijelimo s 2 i napiemo u obliku tzv. normal-
nih jednadzbi, imamo

j
i
= /
0
: + /
1

r
i
(A.4)

r
i
j
i
= /
0

r
i
+ /
1

r
2
i
. (A.5)
Sada mozemo simultano rijeiti po /
0
i /
1
tako da jednadzbu A.4 pomnozimo
s

r
i
, a jednadzbu A.5 s :

r
i

j
i
= /
0
:

r
i
+ /
1
(

r
i
)
2
(A.6)
:

r
i
j
i
= /
0
:

r
i
+ /
1
:

r
2
i
. (A.7)
57
Oduzimanjem jednadzbe A.6 od jednadzbe A.7 dobijemo
:

r
i
j
i

r
i

j
i
= /
1
_
:

r
2
i
(

r
i
)
2
_
(A.8)
iz cega slijedi
/
1
=
:

r
i
j
i

r
i

j
i
:

r
2
i
(

r
i
)
2
. (A.9)
Jednadzba A.9 moze se jednostavnije napisati, ako pretpostavimo speci-
jalni slucaj da je sredina uzoraka jednaka nuli. U tom specijalnom slucaju
mozemo dobiti koecijent smjera regresijskog pravca (/
1
) tako da brojnik i
nazivnik izraza A.9 podijelimo s :
2
/
1
=

x
i
y
i
n

x
i

y
i

x
2
i
n

_

x
i
n
_
2
=

x
i
y
i
n
r j

x
2
i
n
r
2
. (A.10)
Buduci da u naem specijalnom slucaju po pretpostavci vrijedi r = j = 0
jednadzba A.10 postaje
/
1
=

x
i
y
i
n

x
2
i
n
=

r
i
j
i

r
2
i
. (A.11)
Pojednostavljena jednadzba A.11 vrijedi samo za specijalni slucaj kada
varijabla r i varijabla j imaju sredinu nula. Meutim, bilo koju varijablu
mozemo transformirati tako da ima sredinu nula, ako je izrazimo u njezinoj
devijacijskoj formi
1
~ r
i
= r
i
r ~ j = j
i
j.
Ovom transformacijom paralelno pomicemo regresijski pravac na ishodite
koordinatnog sustava mijenjajuci odsjecak na ordinati, ali ostavljajuci nagib
pravca nepromijenjenim, stoga se koecijent nagiba regresijskog pravca /
1
moze izraziti u devijacijskoj formi varijabli
/
1
=

(r
i
r) (j
i
j)

(r
i
r)
2
=

~ r
i
~ j
i

~ r
2
i
. (A.12)
Kada imamo /
1
, iz jednadzbe A.4 jednostavno mozemo dobiti
/
0
=

j
i
:
/
1

r
i
:
= j /
1
r. (A.13)
1
Dokaz: e x =
P
e x
i
n
=
P
(x
i
x)
n
=
P
x
i
n
x = x x = 0; vidi Svojstvo B.4. operatora
zbrajanja u Dodatku B.1.
58
Dodatak B
Matematika
B.1 Neka svojstva operatora zbrajanja

Operator zbrajanja

vrijednosti varijable r
n

i=1
r
i
= r
1
+ r
2
+ + r
n
ima sljedeca svojstva:
Svojstvo 1
n

i=1
/r
i
= /
n

i=1
r
i
(B.1)
gdje je / konstanta jer
n

i=1
/r
i
= /r
1
+ /r
2
+ + /r
n
= / (r
1
+ r
2
+ + r
n
) = /
n

i=1
r
i
.
Svojstvo 2
n

i=1
(r
i
+ j
i
) =
n

i=1
r
i
+
n

i=1
j
i
(B.2)
zato jer
n

i=1
(r
i
+ j
i
) = r
1
+ j
1
+ r
2
+ j
2
+ + r
n
+ j
n
= (r
1
+ r
2
+ + r
n
) + (j
1
+ j
2
+ + j
n
)
=
n

i=1
r
i
+
n

i=1
j
i
.
59
Svojstvo 3
n

i=1
/ = / + / + + / = /: (B.3)
Svojstvo 4
n

i=1
(r
i
r) = 0 (B.4)
gdje je r =
1
n

n
i=1
r
i
.
Dokaz.

n
i=1
(r
i
r)
:
=

n
i=1
r
i
:

: r
:
=
1
:
n

i=1
r
i
r = r r = 0
iz cega slijedi

n
i=1
(r
i
r)
:
= 0 ==
n

i=1
(r
i
r) = 0.
60
Dodatak C
Statistika
C.1 Distribucije vjerojatnosti izvedene iz normal-
ne distribucije
Teorem C.1 Ako su .
1
, .
2
, . . . , .
n
normalno i nezavisno distribuirane slu-
cajne varijable takve da .
i
~
_
j
i
, o
2
i
_
, tada je linearna kombinacija

/
i
.
i
,
gdje su /
i
konstante koje nisu sve nula, takoer normalno distribuirana sa
sredinom

/
i
j
i
i varijancom

/
2
i
o
2
i
.
Teorem C.2 Ako su .
1
, .
2
, . . . , .
n
normalno i zavisno distribuirane slucajne
varijable takve da .
i
~
_
j
i
, o
2
i
_
, tada je linearna kombinacija

/
i
.
i
,
gdje su /
i
konstante koje nisu sve nula, takoer normalno distribuirana sa
sredinom

/
i
j
i
i varijancom
_
/
2
i
o
2
i
+ 2

/
i
/
j
co (r
i
, r
j
)

.
Teorem C.3 Ako su .
1
, .
2
, . . . , .
n
normalno i nezavisno distribuirane slu-
cajne varijable takve da .
i
~ (0, 1), tj. standardizirane normalne varijable,
tada

n
i=1
.
2
i
ima
2
distribuciju s : stupnjeva slobode.
Teorem C.4 Ako su r
1
, r
2
, . . . , r
n
nezavisno distribuirane slucajne varija-
ble koje imaju
2
distribuciju s :
i
stupnjeva slobode, tada zbroj

r
i
ima
takoer
2
distribuciju sa

:
i
stupnjeva slobode.
Teorem C.5 Ako je . standardizirana normalna varijabla [.
1
~ (0, 1)] a
r ima
2
distribuciju s : stupnjeva slobode i nezavisna je od ., tada odnos
z
_
x=n
ima Studentovu t distribuciju s : stupnjeva slobode.
Teorem C.6 Ako su r
1
i r
2
dvije nezavisne varijable s
2
distribucijom s
odnosnim :
1
i :
2
stupnjevima slobode, tada odnos
x
1
=n
1
x
2
=n
2
ima F distribuciju
s :
1
i :
2
stupnjeva slobode.
61
Dodatak D
Podaci
D.1
y x 1 x 2 x 3 x 4 x 5
2835.9 4.49 287.80 496.1 100.00 0.3202
2615.0 4.26 292.12 509.2 112.93 -0.1125
2556.2 3.83 296.12 510.2 115.61 -0.3275
2510.9 3.89 297.14 514.2 117.82 -0.3974
2582.6 3.79 298.66 527.9 119.16 -0.3392
2586.4 3.79 301.11 527.1 119.16 -0.8013
2608.4 3.98 306.48 529.9 119.06 -1.3413
2542.7 3.97 310.93 524.6 119.59 -1.1790
2598.7 4.02 316.30 528.9 120.79 -0.8171
2662.4 3.87 322.14 539.9 122.94 -0.4666
2704.3 3.99 327.57 550.3 124.90 -0.2619
2767.3 3.90 333.33 563.4 127.73 -0.4310
2894.1 3.89 340.24 576.8 129.21 -0.0325
2980.6 3.96 347.41 583.9 129.93 -0.0507
3022.8 4.03 352.85 591.0 130.56 0.3994
3088.2 4.12 359.90 594.4 130.60 0.4184
3207.4 4.18 367.92 603.4 130.60 0.6175
3360.1 4.20 375.92 612.1 130.22 0.7757
3513.9 4.19 383.57 624.9 130.46 0.7226
3641.5 4.17 391.03 634.3 129.69 0.6831
3840.1 4.20 397.53 650.4 128.74 0.7747
3888.3 4.21 404.34 659.6 130.12 0.5136
3920.2 4.25 413.47 671.2 133.57 0.5501
3816.3 4.47 421.96 676.3 138.70 0.7459
3951.2 4.77 430.39 696.5 142.58 0.8152
62
Dodatak E
Statisticke tablice
Tablica E.1: Kumulativna povrina ispod standardne normalne distribucije
z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879
0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549
0.7 0.7580 0.7611 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852
0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389
1.0 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830
1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015
1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319
1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441
1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633
1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706
1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767
2.0 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817
2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857
2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890
2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916
2.4 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936
2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952
2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964
2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974
2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981
2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986
3.0 0.9987 0.9987 0.9987 0.9988 0.9988 0.9989 0.9989 0.9989 0.9990 0.9990
3.1 0.9990 0.9991 0.9991 0.9991 0.9992 0.9992 0.9992 0.9992 0.9993 0.9993
3.2 0.9993 0.9993 0.9994 0.9994 0.9994 0.9994 0.9994 0.9995 0.9995 0.9995
3.3 0.9995 0.9995 0.9995 0.9996 0.9996 0.9996 0.9996 0.9996 0.9996 0.9997
3.4 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9998
3.5 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998
Izvor: Vrijednosti su izraunate koristei Excel funkciju NORMSDIST
63
Tablica E.2: Jednostrane kriticne vrijednosti Studentove t distribucije
n k
0.10 0.05 0.25 0.001 0.005
1 3.0777 6.3137 12.7062 31.8210 63.6559
2 1.8856 2.9200 4.3027 6.9645 9.9250
3 1.6377 2.3534 3.1824 4.5407 5.8408
4 1.5332 2.1318 2.7765 3.7469 4.6041
5 1.4759 2.0150 2.5706 3.3649 4.0321
6 1.4398 1.9432 2.4469 3.1427 3.7074
7 1.4149 1.8946 2.3646 2.9979 3.4995
8 1.3968 1.8595 2.3060 2.8965 3.3554
9 1.3830 1.8331 2.2622 2.8214 3.2498
10 1.3722 1.8125 2.2281 2.7638 3.1693
11 1.3634 1.7959 2.2010 2.7181 3.1058
12 1.3562 1.7823 2.1788 2.6810 3.0545
13 1.3502 1.7709 2.1604 2.6503 3.0123
14 1.3450 1.7613 2.1448 2.6245 2.9768
15 1.3406 1.7531 2.1315 2.6025 2.9467
16 1.3368 1.7459 2.1199 2.5835 2.9208
17 1.3334 1.7396 2.1098 2.5669 2.8982
18 1.3304 1.7341 2.1009 2.5524 2.8784
19 1.3277 1.7291 2.0930 2.5395 2.8609
20 1.3253 1.7247 2.0860 2.5280 2.8453
21 1.3232 1.7207 2.0796 2.5176 2.8314
22 1.3212 1.7171 2.0739 2.5083 2.8188
23 1.3195 1.7139 2.0687 2.4999 2.8073
24 1.3178 1.7109 2.0639 2.4922 2.7970
25 1.3163 1.7081 2.0595 2.4851 2.7874
26 1.3150 1.7056 2.0555 2.4786 2.7787
27 1.3137 1.7033 2.0518 2.4727 2.7707
28 1.3125 1.7011 2.0484 2.4671 2.7633
29 1.3114 1.6991 2.0452 2.4620 2.7564
30 1.3104 1.6973 2.0423 2.4573 2.7500
40 1.3031 1.6839 2.0211 2.4233 2.7045
60 1.2958 1.6706 2.0003 2.3901 2.6603
120 1.2886 1.6576 1.9799 2.3578 2.6174
1 1.2816 1.6449 1.9600 2.3264 2.5758
Izvor: Vrijednosti su izraunate koristei Excel funkciju TINV

64
T
a
b
l
i
c
a
E
.
3
:
J
e
d
n
o
s
t
r
a
n
e
k
r
i
t
i
c
n
e
v
r
i
j
e
d
n
o
s
t
i
1
d
i
s
t
r
i
b
u
c
i
j
e
z
a
5
p
o
s
t
o
z
n
a
c
a
j
n
o
s
t
i
n
2
1
2
3
4
5
6
7
8
9
1
0
1
2
1
5
2
0
2
5
1
1
6
1
.
4
4
6
1
9
9
.
4
9
9
2
1
5
.
7
0
7
2
2
4
.
5
8
3
2
3
0
.
1
6
0
2
3
3
.
9
8
8
2
3
6
.
7
6
7
2
3
8
.
8
8
4
2
4
0
.
5
4
3
2
4
1
.
8
8
2
2
4
3
.
9
0
5
2
4
5
.
9
4
9
2
4
8
.
0
1
6
2
4
9
.
2
6
0
2
1
8
.
5
1
3
1
9
.
0
0
0
1
9
.
1
6
4
1
9
.
2
4
7
1
9
.
2
9
6
1
9
.
3
2
9
1
9
.
3
5
3
1
9
.
3
7
1
1
9
.
3
8
5
1
9
.
3
9
6
1
9
.
4
1
2
1
9
.
4
2
9
1
9
.
4
4
6
1
9
.
4
5
6
3
1
0
.
1
2
8
9
.
5
5
2
9
.
2
7
7
9
.
1
1
7
9
.
0
1
3
8
.
9
4
1
8
.
8
8
7
8
.
8
4
5
8
.
8
1
2
8
.
7
8
5
8
.
7
4
5
8
.
7
0
3
8
.
6
6
0
8
.
6
3
4
4
7
.
7
0
9
6
.
9
4
4
6
.
5
9
1
6
.
3
8
8
6
.
2
5
6
6
.
1
6
3
6
.
0
9
4
6
.
0
4
1
5
.
9
9
9
5
.
9
6
4
5
.
9
1
2
5
.
8
5
8
5
.
8
0
3
5
.
7
6
9
5
6
.
6
0
8
5
.
7
8
6
5
.
4
0
9
5
.
1
9
2
5
.
0
5
0
4
.
9
5
0
4
.
8
7
6
4
.
8
1
8
4
.
7
7
2
4
.
7
3
5
4
.
6
7
8
4
.
6
1
9
4
.
5
5
8
4
.
5
2
1
6
5
.
9
8
7
5
.
1
4
3
4
.
7
5
7
4
.
5
3
4
4
.
3
8
7
4
.
2
8
4
4
.
2
0
7
4
.
1
4
7
4
.
0
9
9
4
.
0
6
0
4
.
0
0
0
3
.
9
3
8
3
.
8
7
4
3
.
8
3
5
7
5
.
5
9
1
4
.
7
3
7
4
.
3
4
7
4
.
1
2
0
3
.
9
7
2
3
.
8
6
6
3
.
7
8
7
3
.
7
2
6
3
.
6
7
7
3
.
6
3
7
3
.
5
7
5
3
.
5
1
1
3
.
4
4
5
3
.
4
0
4
8
5
.
3
1
8
4
.
4
5
9
4
.
0
6
6
3
.
8
3
8
3
.
6
8
8
3
.
5
8
1
3
.
5
0
0
3
.
4
3
8
3
.
3
8
8
3
.
3
4
7
3
.
2
8
4
3
.
2
1
8
3
.
1
5
0
3
.
1
0
8
9
5
.
1
1
7
4
.
2
5
6
3
.
8
6
3
3
.
6
3
3
3
.
4
8
2
3
.
3
7
4
3
.
2
9
3
3
.
2
3
0
3
.
1
7
9
3
.
1
3
7
3
.
0
7
3
3
.
0
0
6
2
.
9
3
6
2
.
8
9
3
1
0
4
.
9
6
5
4
.
1
0
3
3
.
7
0
8
3
.
4
7
8
3
.
3
2
6
3
.
2
1
7
3
.
1
3
5
3
.
0
7
2
3
.
0
2
0
2
.
9
7
8
2
.
9
1
3
2
.
8
4
5
2
.
7
7
4
2
.
7
3
0
1
1
4
.
8
4
4
3
.
9
8
2
3
.
5
8
7
3
.
3
5
7
3
.
2
0
4
3
.
0
9
5
3
.
0
1
2
2
.
9
4
8
2
.
8
9
6
2
.
8
5
4
2
.
7
8
8
2
.
7
1
9
2
.
6
4
6
2
.
6
0
1
1
2
4
.
7
4
7
3
.
8
8
5
3
.
4
9
0
3
.
2
5
9
3
.
1
0
6
2
.
9
9
6
2
.
9
1
3
2
.
8
4
9
2
.
7
9
6
2
.
7
5
3
2
.
6
8
7
2
.
6
1
7
2
.
5
4
4
2
.
4
9
8
1
3
4
.
6
6
7
3
.
8
0
6
3
.
4
1
1
3
.
1
7
9
3
.
0
2
5
2
.
9
1
5
2
.
8
3
2
2
.
7
6
7
2
.
7
1
4
2
.
6
7
1
2
.
6
0
4
2
.
5
3
3
2
.
4
5
9
2
.
4
1
2
1
4
4
.
6
0
0
3
.
7
3
9
3
.
3
4
4
3
.
1
1
2
2
.
9
5
8
2
.
8
4
8
2
.
7
6
4
2
.
6
9
9
2
.
6
4
6
2
.
6
0
2
2
.
5
3
4
2
.
4
6
3
2
.
3
8
8
2
.
3
4
1
1
5
4
.
5
4
3
3
.
6
8
2
3
.
2
8
7
3
.
0
5
6
2
.
9
0
1
2
.
7
9
0
2
.
7
0
7
2
.
6
4
1
2
.
5
8
8
2
.
5
4
4
2
.
4
7
5
2
.
4
0
3
2
.
3
2
8
2
.
2
8
0
1
6
4
.
4
9
4
3
.
6
3
4
3
.
2
3
9
3
.
0
0
7
2
.
8
5
2
2
.
7
4
1
2
.
6
5
7
2
.
5
9
1
2
.
5
3
8
2
.
4
9
4
2
.
4
2
5
2
.
3
5
2
2
.
2
7
6
2
.
2
2
7
1
7
4
.
4
5
1
3
.
5
9
2
3
.
1
9
7
2
.
9
6
5
2
.
8
1
0
2
.
6
9
9
2
.
6
1
4
2
.
5
4
8
2
.
4
9
4
2
.
4
5
0
2
.
3
8
1
2
.
3
0
8
2
.
2
3
0
2
.
1
8
1
1
8
4
.
4
1
4
3
.
5
5
5
3
.
1
6
0
2
.
9
2
8
2
.
7
7
3
2
.
6
6
1
2
.
5
7
7
2
.
5
1
0
2
.
4
5
6
2
.
4
1
2
2
.
3
4
2
2
.
2
6
9
2
.
1
9
1
2
.
1
4
1
1
9
4
.
3
8
1
3
.
5
2
2
3
.
1
2
7
2
.
8
9
5
2
.
7
4
0
2
.
6
2
8
2
.
5
4
4
2
.
4
7
7
2
.
4
2
3
2
.
3
7
8
2
.
3
0
8
2
.
2
3
4
2
.
1
5
5
2
.
1
0
6
2
0
4
.
3
5
1
3
.
4
9
3
3
.
0
9
8
2
.
8
6
6
2
.
7
1
1
2
.
5
9
9
2
.
5
1
4
2
.
4
4
7
2
.
3
9
3
2
.
3
4
8
2
.
2
7
8
2
.
2
0
3
2
.
1
2
4
2
.
0
7
4
2
1
4
.
3
2
5
3
.
4
6
7
3
.
0
7
2
2
.
8
4
0
2
.
6
8
5
2
.
5
7
3
2
.
4
8
8
2
.
4
2
0
2
.
3
6
6
2
.
3
2
1
2
.
2
5
0
2
.
1
7
6
2
.
0
9
6
2
.
0
4
5
2
2
4
.
3
0
1
3
.
4
4
3
3
.
0
4
9
2
.
8
1
7
2
.
6
6
1
2
.
5
4
9
2
.
4
6
4
2
.
3
9
7
2
.
3
4
2
2
.
2
9
7
2
.
2
2
6
2
.
1
5
1
2
.
0
7
1
2
.
0
2
0
2
3
4
.
2
7
9
3
.
4
2
2
3
.
0
2
8
2
.
7
9
6
2
.
6
4
0
2
.
5
2
8
2
.
4
4
2
2
.
3
7
5
2
.
3
2
0
2
.
2
7
5
2
.
2
0
4
2
.
1
2
8
2
.
0
4
8
1
.
9
9
6
2
4
4
.
2
6
0
3
.
4
0
3
3
.
0
0
9
2
.
7
7
6
2
.
6
2
1
2
.
5
0
8
2
.
4
2
3
2
.
3
5
5
2
.
3
0
0
2
.
2
5
5
2
.
1
8
3
2
.
1
0
8
2
.
0
2
7
1
.
9
7
5
2
5
4
.
2
4
2
3
.
3
8
5
2
.
9
9
1
2
.
7
5
9
2
.
6
0
3
2
.
4
9
0
2
.
4
0
5
2
.
3
3
7
2
.
2
8
2
2
.
2
3
6
2
.
1
6
5
2
.
0
8
9
2
.
0
0
7
1
.
9
5
5
2
6
4
.
2
2
5
3
.
3
6
9
2
.
9
7
5
2
.
7
4
3
2
.
5
8
7
2
.
4
7
4
2
.
3
8
8
2
.
3
2
1
2
.
2
6
5
2
.
2
2
0
2
.
1
4
8
2
.
0
7
2
1
.
9
9
0
1
.
9
3
8
2
7
4
.
2
1
0
3
.
3
5
4
2
.
9
6
0
2
.
7
2
8
2
.
5
7
2
2
.
4
5
9
2
.
3
7
3
2
.
3
0
5
2
.
2
5
0
2
.
2
0
4
2
.
1
3
2
2
.
0
5
6
1
.
9
7
4
1
.
9
2
1
2
8
4
.
1
9
6
3
.
3
4
0
2
.
9
4
7
2
.
7
1
4
2
.
5
5
8
2
.
4
4
5
2
.
3
5
9
2
.
2
9
1
2
.
2
3
6
2
.
1
9
0
2
.
1
1
8
2
.
0
4
1
1
.
9
5
9
1
.
9
0
6
2
9
4
.
1
8
3
3
.
3
2
8
2
.
9
3
4
2
.
7
0
1
2
.
5
4
5
2
.
4
3
2
2
.
3
4
6
2
.
2
7
8
2
.
2
2
3
2
.
1
7
7
2
.
1
0
4
2
.
0
2
7
1
.
9
4
5
1
.
8
9
1
3
0
4
.
1
7
1
3
.
3
1
6
2
.
9
2
2
2
.
6
9
0
2
.
5
3
4
2
.
4
2
1
2
.
3
3
4
2
.
2
6
6
2
.
2
1
1
2
.
1
6
5
2
.
0
9
2
2
.
0
1
5
1
.
9
3
2
1
.
8
7
8
3
1
4
.
1
6
0
3
.
3
0
5
2
.
9
1
1
2
.
6
7
9
2
.
5
2
3
2
.
4
0
9
2
.
3
2
3
2
.
2
5
5
2
.
1
9
9
2
.
1
5
3
2
.
0
8
0
2
.
0
0
3
1
.
9
2
0
1
.
8
6
6
3
2
4
.
1
4
9
3
.
2
9
5
2
.
9
0
1
2
.
6
6
8
2
.
5
1
2
2
.
3
9
9
2
.
3
1
3
2
.
2
4
4
2
.
1
8
9
2
.
1
4
2
2
.
0
7
0
1
.
9
9
2
1
.
9
0
8
1
.
8
5
4
3
3
4
.
1
3
9
3
.
2
8
5
2
.
8
9
2
2
.
6
5
9
2
.
5
0
3
2
.
3
8
9
2
.
3
0
3
2
.
2
3
5
2
.
1
7
9
2
.
1
3
3
2
.
0
6
0
1
.
9
8
2
1
.
8
9
8
1
.
8
4
4
3
4
4
.
1
3
0
3
.
2
7
6
2
.
8
8
3
2
.
6
5
0
2
.
4
9
4
2
.
3
8
0
2
.
2
9
4
2
.
2
2
5
2
.
1
7
0
2
.
1
2
3
2
.
0
5
0
1
.
9
7
2
1
.
8
8
8
1
.
8
3
3
3
5
4
.
1
2
1
3
.
2
6
7
2
.
8
7
4
2
.
6
4
1
2
.
4
8
5
2
.
3
7
2
2
.
2
8
5
2
.
2
1
7
2
.
1
6
1
2
.
1
1
4
2
.
0
4
1
1
.
9
6
3
1
.
8
7
8
1
.
8
2
4
3
6
4
.
1
1
3
3
.
2
5
9
2
.
8
6
6
2
.
6
3
4
2
.
4
7
7
2
.
3
6
4
2
.
2
7
7
2
.
2
0
9
2
.
1
5
3
2
.
1
0
6
2
.
0
3
3
1
.
9
5
4
1
.
8
7
0
1
.
8
1
5
3
7
4
.
1
0
5
3
.
2
5
2
2
.
8
5
9
2
.
6
2
6
2
.
4
7
0
2
.
3
5
6
2
.
2
7
0
2
.
2
0
1
2
.
1
4
5
2
.
0
9
8
2
.
0
2
5
1
.
9
4
6
1
.
8
6
1
1
.
8
0
6
3
8
4
.
0
9
8
3
.
2
4
5
2
.
8
5
2
2
.
6
1
9
2
.
4
6
3
2
.
3
4
9
2
.
2
6
2
2
.
1
9
4
2
.
1
3
8
2
.
0
9
1
2
.
0
1
7
1
.
9
3
9
1
.
8
5
3
1
.
7
9
8
3
9
4
.
0
9
1
3
.
2
3
8
2
.
8
4
5
2
.
6
1
2
2
.
4
5
6
2
.
3
4
2
2
.
2
5
5
2
.
1
8
7
2
.
1
3
1
2
.
0
8
4
2
.
0
1
0
1
.
9
3
1
1
.
8
4
6
1
.
7
9
1
4
0
4
.
0
8
5
3
.
2
3
2
2
.
8
3
9
2
.
6
0
6
2
.
4
4
9
2
.
3
3
6
2
.
2
4
9
2
.
1
8
0
2
.
1
2
4
2
.
0
7
7
2
.
0
0
3
1
.
9
2
4
1
.
8
3
9
1
.
7
8
3
I
z
v
o
r
:
V
r
i
j
e
d
n
o
s
t
i

s
u

i
z
r
a

u
n
a
t
e

k
o
r
i
s
t
e

i

E
x
c
e
l

f
u
n
k
c
i
j
u

F
I
N
V
.

n
1
=
s
t
u
p
n
j
e
v
i

s
l
o
b
o
d
e

b
r
o
j
n
i
k
a
,

n
2
=
s
t
u
p
n
j
e
v
i

s
l
o
b
o
d
e

n
a
z
i
v
n
i
k
a
n
1
65
T
a
b
l
i
c
a
E
.
4
:
J
e
d
n
o
s
t
r
a
n
e
k
r
i
t
i
c
n
e
v
r
i
j
e
d
n
o
s
t
i
1
d
i
s
t
r
i
b
u
c
i
j
e
z
a
1
p
o
s
t
o
z
n
a
c
a
j
n
o
s
t
i
n
2
1
2
3
4
5
6
7
8
9
1
0
1
2
1
5
2
0
1
4
0
5
2
.
1
8
5
4
9
9
9
.
3
4
0
5
4
0
3
.
5
3
4
5
6
2
4
.
2
5
7
5
7
6
3
.
9
5
5
5
8
5
8
.
9
5
0
5
9
2
8
.
3
3
4
5
9
8
0
.
9
5
4
6
0
2
2
.
3
9
7
6
0
5
5
.
9
2
5
6
1
0
6
.
6
8
2
6
1
5
6
.
9
7
4
6
2
0
8
.
6
6
2
2
9
8
.
5
0
2
9
9
.
0
0
0
9
9
.
1
6
4
9
9
.
2
5
1
9
9
.
3
0
2
9
9
.
3
3
1
9
9
.
3
5
7
9
9
.
3
7
5
9
9
.
3
9
0
9
9
.
3
9
7
9
9
.
4
1
9
9
9
.
4
3
3
9
9
.
4
4
8
3
3
4
.
1
1
6
3
0
.
8
1
6
2
9
.
4
5
7
2
8
.
7
1
0
2
8
.
2
3
7
2
7
.
9
1
1
2
7
.
6
7
1
2
7
.
4
8
9
2
7
.
3
4
5
2
7
.
2
2
8
2
7
.
0
5
2
2
6
.
8
7
2
2
6
.
6
9
0
4
2
1
.
1
9
8
1
8
.
0
0
0
1
6
.
6
9
4
1
5
.
9
7
7
1
5
.
5
2
2
1
5
.
2
0
7
1
4
.
9
7
6
1
4
.
7
9
9
1
4
.
6
5
9
1
4
.
5
4
6
1
4
.
3
7
4
1
4
.
1
9
8
1
4
.
0
1
9
5
1
6
.
2
5
8
1
3
.
2
7
4
1
2
.
0
6
0
1
1
.
3
9
2
1
0
.
9
6
7
1
0
.
6
7
2
1
0
.
4
5
6
1
0
.
2
8
9
1
0
.
1
5
8
1
0
.
0
5
1
9
.
8
8
8
9
.
7
2
2
9
.
5
5
3
6
1
3
.
7
4
5
1
0
.
9
2
5
9
.
7
8
0
9
.
1
4
8
8
.
7
4
6
8
.
4
6
6
8
.
2
6
0
8
.
1
0
2
7
.
9
7
6
7
.
8
7
4
7
.
7
1
8
7
.
5
5
9
7
.
3
9
6
7
1
2
.
2
4
6
9
.
5
4
7
8
.
4
5
1
7
.
8
4
7
7
.
4
6
0
7
.
1
9
1
6
.
9
9
3
6
.
8
4
0
6
.
7
1
9
6
.
6
2
0
6
.
4
6
9
6
.
3
1
4
6
.
1
5
5
8
1
1
.
2
5
9
8
.
6
4
9
7
.
5
9
1
7
.
0
0
6
6
.
6
3
2
6
.
3
7
1
6
.
1
7
8
6
.
0
2
9
5
.
9
1
1
5
.
8
1
4
5
.
6
6
7
5
.
5
1
5
5
.
3
5
9
9
1
0
.
5
6
2
8
.
0
2
2
6
.
9
9
2
6
.
4
2
2
6
.
0
5
7
5
.
8
0
2
5
.
6
1
3
5
.
4
6
7
5
.
3
5
1
5
.
2
5
7
5
.
1
1
1
4
.
9
6
2
4
.
8
0
8
1
0
1
0
.
0
4
4
7
.
5
5
9
6
.
5
5
2
5
.
9
9
4
5
.
6
3
6
5
.
3
8
6
5
.
2
0
0
5
.
0
5
7
4
.
9
4
2
4
.
8
4
9
4
.
7
0
6
4
.
5
5
8
4
.
4
0
5
1
1
9
.
6
4
6
7
.
2
0
6
6
.
2
1
7
5
.
6
6
8
5
.
3
1
6
5
.
0
6
9
4
.
8
8
6
4
.
7
4
4
4
.
6
3
2
4
.
5
3
9
4
.
3
9
7
4
.
2
5
1
4
.
0
9
9
1
2
9
.
3
3
0
6
.
9
2
7
5
.
9
5
3
5
.
4
1
2
5
.
0
6
4
4
.
8
2
1
4
.
6
4
0
4
.
4
9
9
4
.
3
8
8
4
.
2
9
6
4
.
1
5
5
4
.
0
1
0
3
.
8
5
8
1
3
9
.
0
7
4
6
.
7
0
1
5
.
7
3
9
5
.
2
0
5
4
.
8
6
2
4
.
6
2
0
4
.
4
4
1
4
.
3
0
2
4
.
1
9
1
4
.
1
0
0
3
.
9
6
0
3
.
8
1
5
3
.
6
6
5
1
4
8
.
8
6
2
6
.
5
1
5
5
.
5
6
4
5
.
0
3
5
4
.
6
9
5
4
.
4
5
6
4
.
2
7
8
4
.
1
4
0
4
.
0
3
0
3
.
9
3
9
3
.
8
0
0
3
.
6
5
6
3
.
5
0
5
1
5
8
.
6
8
3
6
.
3
5
9
5
.
4
1
7
4
.
8
9
3
4
.
5
5
6
4
.
3
1
8
4
.
1
4
2
4
.
0
0
4
3
.
8
9
5
3
.
8
0
5
3
.
6
6
6
3
.
5
2
2
3
.
3
7
2
1
6
8
.
5
3
1
6
.
2
2
6
5
.
2
9
2
4
.
7
7
3
4
.
4
3
7
4
.
2
0
2
4
.
0
2
6
3
.
8
9
0
3
.
7
8
0
3
.
6
9
1
3
.
5
5
3
3
.
4
0
9
3
.
2
5
9
1
7
8
.
4
0
0
6
.
1
1
2
5
.
1
8
5
4
.
6
6
9
4
.
3
3
6
4
.
1
0
1
3
.
9
2
7
3
.
7
9
1
3
.
6
8
2
3
.
5
9
3
3
.
4
5
5
3
.
3
1
2
3
.
1
6
2
1
8
8
.
2
8
5
6
.
0
1
3
5
.
0
9
2
4
.
5
7
9
4
.
2
4
8
4
.
0
1
5
3
.
8
4
1
3
.
7
0
5
3
.
5
9
7
3
.
5
0
8
3
.
3
7
1
3
.
2
2
7
3
.
0
7
7
1
9
8
.
1
8
5
5
.
9
2
6
5
.
0
1
0
4
.
5
0
0
4
.
1
7
1
3
.
9
3
9
3
.
7
6
5
3
.
6
3
1
3
.
5
2
3
3
.
4
3
4
3
.
2
9
7
3
.
1
5
3
3
.
0
0
3
2
0
8
.
0
9
6
5
.
8
4
9
4
.
9
3
8
4
.
4
3
1
4
.
1
0
3
3
.
8
7
1
3
.
6
9
9
3
.
5
6
4
3
.
4
5
7
3
.
3
6
8
3
.
2
3
1
3
.
0
8
8
2
.
9
3
8
2
1
8
.
0
1
7
5
.
7
8
0
4
.
8
7
4
4
.
3
6
9
4
.
0
4
2
3
.
8
1
2
3
.
6
4
0
3
.
5
0
6
3
.
3
9
8
3
.
3
1
0
3
.
1
7
3
3
.
0
3
0
2
.
8
8
0
2
2
7
.
9
4
5
5
.
7
1
9
4
.
8
1
7
4
.
3
1
3
3
.
9
8
8
3
.
7
5
8
3
.
5
8
7
3
.
4
5
3
3
.
3
4
6
3
.
2
5
8
3
.
1
2
1
2
.
9
7
8
2
.
8
2
7
2
3
7
.
8
8
1
5
.
6
6
4
4
.
7
6
5
4
.
2
6
4
3
.
9
3
9
3
.
7
1
0
3
.
5
3
9
3
.
4
0
6
3
.
2
9
9
3
.
2
1
1
3
.
0
7
4
2
.
9
3
1
2
.
7
8
0
2
4
7
.
8
2
3
5
.
6
1
4
4
.
7
1
8
4
.
2
1
8
3
.
8
9
5
3
.
6
6
7
3
.
4
9
6
3
.
3
6
3
3
.
2
5
6
3
.
1
6
8
3
.
0
3
2
2
.
8
8
9
2
.
7
3
8
2
5
7
.
7
7
0
5
.
5
6
8
4
.
6
7
5
4
.
1
7
7
3
.
8
5
5
3
.
6
2
7
3
.
4
5
7
3
.
3
2
4
3
.
2
1
7
3
.
1
2
9
2
.
9
9
3
2
.
8
5
0
2
.
6
9
9
2
6
7
.
7
2
1
5
.
5
2
6
4
.
6
3
7
4
.
1
4
0
3
.
8
1
8
3
.
5
9
1
3
.
4
2
1
3
.
2
8
8
3
.
1
8
2
3
.
0
9
4
2
.
9
5
8
2
.
8
1
5
2
.
6
6
4
2
7
7
.
6
7
7
5
.
4
8
8
4
.
6
0
1
4
.
1
0
6
3
.
7
8
5
3
.
5
5
8
3
.
3
8
8
3
.
2
5
6
3
.
1
4
9
3
.
0
6
2
2
.
9
2
6
2
.
7
8
3
2
.
6
3
2
2
8
7
.
6
3
6
5
.
4
5
3
4
.
5
6
8
4
.
0
7
4
3
.
7
5
4
3
.
5
2
8
3
.
3
5
8
3
.
2
2
6
3
.
1
2
0
3
.
0
3
2
2
.
8
9
6
2
.
7
5
3
2
.
6
0
2
2
9
7
.
5
9
8
5
.
4
2
0
4
.
5
3
8
4
.
0
4
5
3
.
7
2
5
3
.
4
9
9
3
.
3
3
0
3
.
1
9
8
3
.
0
9
2
3
.
0
0
5
2
.
8
6
8
2
.
7
2
6
2
.
5
7
4
3
0
7
.
5
6
2
5
.
3
9
0
4
.
5
1
0
4
.
0
1
8
3
.
6
9
9
3
.
4
7
3
3
.
3
0
5
3
.
1
7
3
3
.
0
6
7
2
.
9
7
9
2
.
8
4
3
2
.
7
0
0
2
.
5
4
9
3
1
7
.
5
3
0
5
.
3
6
2
4
.
4
8
4
3
.
9
9
3
3
.
6
7
5
3
.
4
4
9
3
.
2
8
1
3
.
1
4
9
3
.
0
4
3
2
.
9
5
5
2
.
8
2
0
2
.
6
7
7
2
.
5
2
5
3
2
7
.
4
9
9
5
.
3
3
6
4
.
4
5
9
3
.
9
6
9
3
.
6
5
2
3
.
4
2
7
3
.
2
5
8
3
.
1
2
7
3
.
0
2
1
2
.
9
3
4
2
.
7
9
8
2
.
6
5
5
2
.
5
0
3
3
3
7
.
4
7
1
5
.
3
1
2
4
.
4
3
7
3
.
9
4
8
3
.
6
3
0
3
.
4
0
6
3
.
2
3
8
3
.
1
0
6
3
.
0
0
0
2
.
9
1
3
2
.
7
7
7
2
.
6
3
4
2
.
4
8
2
3
4
7
.
4
4
4
5
.
2
8
9
4
.
4
1
6
3
.
9
2
7
3
.
6
1
1
3
.
3
8
6
3
.
2
1
8
3
.
0
8
7
2
.
9
8
1
2
.
8
9
4
2
.
7
5
8
2
.
6
1
5
2
.
4
6
3
3
5
7
.
4
1
9
5
.
2
6
8
4
.
3
9
6
3
.
9
0
8
3
.
5
9
2
3
.
3
6
8
3
.
2
0
0
3
.
0
6
9
2
.
9
6
3
2
.
8
7
6
2
.
7
4
0
2
.
5
9
7
2
.
4
4
5
3
6
7
.
3
9
6
5
.
2
4
8
4
.
3
7
7
3
.
8
9
0
3
.
5
7
4
3
.
3
5
1
3
.
1
8
3
3
.
0
5
2
2
.
9
4
6
2
.
8
5
9
2
.
7
2
3
2
.
5
8
0
2
.
4
2
8
3
7
7
.
3
7
4
5
.
2
2
9
4
.
3
6
0
3
.
8
7
3
3
.
5
5
8
3
.
3
3
4
3
.
1
6
7
3
.
0
3
6
2
.
9
3
0
2
.
8
4
3
2
.
7
0
7
2
.
5
6
4
2
.
4
1
2
3
8
7
.
3
5
3
5
.
2
1
1
4
.
3
4
3
3
.
8
5
8
3
.
5
4
2
3
.
3
1
9
3
.
1
5
2
3
.
0
2
1
2
.
9
1
5
2
.
8
2
8
2
.
6
9
2
2
.
5
4
9
2
.
3
9
7
3
9
7
.
3
3
3
5
.
1
9
4
4
.
3
2
7
3
.
8
4
3
3
.
5
2
8
3
.
3
0
5
3
.
1
3
7
3
.
0
0
6
2
.
9
0
1
2
.
8
1
4
2
.
6
7
8
2
.
5
3
5
2
.
3
8
2
4
0
7
.
3
1
4
5
.
1
7
8
4
.
3
1
3
3
.
8
2
8
3
.
5
1
4
3
.
2
9
1
3
.
1
2
4
2
.
9
9
3
2
.
8
8
8
2
.
8
0
1
2
.
6
6
5
2
.
5
2
2
2
.
3
6
9
I
z
v
o
r
:
V
r
i
j
e
d
n
o
s
t
i

s
u

i
z
r
a

u
n
a
t
e

k
o
r
i
s
t
e

i

E
x
c
e
l

f
u
n
k
c
i
j
u

F
I
N
V
.

n
1
=
s
t
u
p
n
j
e
v
i

s
l
o
b
o
d
e

b
r
o
j
n
i
k
a
,

n
2
=
s
t
u
p
n
j
e
v
i

s
l
o
b
o
d
e

n
a
z
i
v
n
i
k
a
n
1
66
Tablica E.5: Jednostrane kriticne vrijednosti
2
distribucije
n k 0.995 0.990 0.975 0.95 0.9 0.5 0.1 0.05 0.025 0.01 0.005
1 0.000 0.000 0.001 0.004 0.016 0.455 2.706 3.841 5.024 6.635 7.879
2 0.010 0.020 0.051 0.103 0.211 1.386 4.605 5.991 7.378 9.210 10.597
3 0.072 0.115 0.216 0.352 0.584 2.366 6.251 7.815 9.348 11.345 12.838
4 0.207 0.297 0.484 0.711 1.064 3.357 7.779 9.488 11.143 13.277 14.860
5 0.412 0.554 0.831 1.145 1.610 4.351 9.236 11.070 12.832 15.086 16.750
6 0.676 0.872 1.237 1.635 2.204 5.348 10.645 12.592 14.449 16.812 18.548
7 0.989 1.239 1.690 2.167 2.833 6.346 12.017 14.067 16.013 18.475 20.278
8 1.344 1.647 2.180 2.733 3.490 7.344 13.362 15.507 17.535 20.090 21.955
9 1.735 2.088 2.700 3.325 4.168 8.343 14.684 16.919 19.023 21.666 23.589
10 2.156 2.558 3.247 3.940 4.865 9.342 15.987 18.307 20.483 23.209 25.188
11 2.603 3.053 3.816 4.575 5.578 10.341 17.275 19.675 21.920 24.725 26.757
12 3.074 3.571 4.404 5.226 6.304 11.340 18.549 21.026 23.337 26.217 28.300
13 3.565 4.107 5.009 5.892 7.041 12.340 19.812 22.362 24.736 27.688 29.819
14 4.075 4.660 5.629 6.571 7.790 13.339 21.064 23.685 26.119 29.141 31.319
15 4.601 5.229 6.262 7.261 8.547 14.339 22.307 24.996 27.488 30.578 32.801
16 5.142 5.812 6.908 7.962 9.312 15.338 23.542 26.296 28.845 32.000 34.267
17 5.697 6.408 7.564 8.672 10.085 16.338 24.769 27.587 30.191 33.409 35.718
18 6.265 7.015 8.231 9.390 10.865 17.338 25.989 28.869 31.526 34.805 37.156
19 6.844 7.633 8.907 10.117 11.651 18.338 27.204 30.144 32.852 36.191 38.582
20 7.434 8.260 9.591 10.851 12.443 19.337 28.412 31.410 34.170 37.566 39.997
21 8.034 8.897 10.283 11.591 13.240 20.337 29.615 32.671 35.479 38.932 41.401
22 8.643 9.542 10.982 12.338 14.041 21.337 30.813 33.924 36.781 40.289 42.796
23 9.260 10.196 11.689 13.091 14.848 22.337 32.007 35.172 38.076 41.638 44.181
24 9.886 10.856 12.401 13.848 15.659 23.337 33.196 36.415 39.364 42.980 45.558
25 10.520 11.524 13.120 14.611 16.473 24.337 34.382 37.652 40.646 44.314 46.928
26 11.160 12.198 13.844 15.379 17.292 25.336 35.563 38.885 41.923 45.642 48.290
27 11.808 12.878 14.573 16.151 18.114 26.336 36.741 40.113 43.195 46.963 49.645
28 12.461 13.565 15.308 16.928 18.939 27.336 37.916 41.337 44.461 48.278 50.994
29 13.121 14.256 16.047 17.708 19.768 28.336 39.087 42.557 45.722 49.588 52.335
30 13.787 14.953 16.791 18.493 20.599 29.336 40.256 43.773 46.979 50.892 53.672
31 14.458 15.655 17.539 19.281 21.434 30.336 41.422 44.985 48.232 52.191 55.002
32 15.134 16.362 18.291 20.072 22.271 31.336 42.585 46.194 49.480 53.486 56.328
33 15.815 17.073 19.047 20.867 23.110 32.336 43.745 47.400 50.725 54.775 57.648
34 16.501 17.789 19.806 21.664 23.952 33.336 44.903 48.602 51.966 56.061 58.964
35 17.192 18.509 20.569 22.465 24.797 34.336 46.059 49.802 53.203 57.342 60.275
36 17.887 19.233 21.336 23.269 25.643 35.336 47.212 50.998 54.437 58.619 61.581
37 18.586 19.960 22.106 24.075 26.492 36.336 48.363 52.192 55.668 59.893 62.883
38 19.289 20.691 22.878 24.884 27.343 37.335 49.513 53.384 56.895 61.162 64.181
39 19.996 21.426 23.654 25.695 28.196 38.335 50.660 54.572 58.120 62.428 65.475
40 20.707 22.164 24.433 26.509 29.051 39.335 51.805 55.758 59.342 63.691 66.766
Izvor: Vrijednosti su izraunate koristei Excel funkciju CHIINV.

67
Bibliograja
[1] Baltagi, B.H., (2011), Econometrics, peto izdanje, Springer Text in Bu-
siness and Economics.
[2] Davidson, R., J.G. MacKinnon, (2004), Econometric Theory and Met-
hods, Oxford University Press, New York.
[3] Greene, W.H., (2003), Econometric Analysis, peto izdanje, Prentice Hall,
New Jersey.
[4] Gujarati, D.N., (2004), Basic Econometrics, cetvrto izdanje, McGraw-
Hill, New York.
[5] Hayashi, F., (2000), Econometrics, Princenton University Press, New
Jersey.
[6] Kennedy, P., (2003), A Guide to Econometrics, peto izdanje, MIT Press,
Cambridge, Massachusetts.
[7] Pindyck R.S., D.C. Rubenfeld, (1998), Econometric Models and Econo-
mic Forecasts, cetvrto izdanje, McGraw-Hill, New York.
[8] Verbeek, M., (2005), A Guide to Modern Econometrics, drugo izdanje,
John Wiley & sons, West Sussex, England.
[9] Wooldridge, J., (2006), Introductory Econometrics: A Modern Approach,
trece izdanje, South-Western Pub.
68