MODELO ECONOMTRICO

ECONOMETRIA Y SERIES DE TIEMPO UNIVARIADAS

UNIVERSIDAD PILOTO DE COLOMBIA

ADMINISTRACIN Y GESTIN AMBIENTAL

Angee Mndez
Fabin Suaza
Sebastin Snchez

Presentado a
NOEL CUENCA

2013

MODELO ECONOMTRICO
PASO I: TEORA ECONMICA: PRODUCTO INTERNO BRUTO (PIB)

El Producto Interno Bruto (PIB) tambin es la sumatoria de los valores

monetarios de todos los bienes y los servicios producidos por un pas en un
ao, o mejor, el conjunto de todo lo que produce y ofrece un pas en un perodo
determinado
Se puede obtener mediante la diferencia entre el valor bruto de produccin y
los bienes y servicios consumidos durante el propio proceso productivo, a
precios comprador (consumo intermedio). Esta variable se puede obtener
tambin en trminos netos al deducirle al PIB el valor agregado y el consumo
de capital fijo de los bienes de capital utilizados en la produccin.

PRODUCTO INTERNO BRUTO A PRECIOS CONSTANTES: Es el valor del

producto interno bruto medido a precios de un ao base. Se le define como el
producto que se obtiene en cada ejercicio eliminando las variaciones de los
precios al evaluarse cada uno de los productos y servicios prestados, por el
precio de un ao de referencia al que se le denomina ao base, mismo que es
definido por el Sistema de Cuentas Nacionales de Colombia. El producto a
precios constantes es conocido tambin como "producto real" y resulta de tanta
utilidad como su medicin a precios corrientes, pues mientras que el primero
permite el anlisis de la evolucin real de la produccin y de los flujos de
bienes y servicios, el producto a precios corrientes aporta informacin sobre
flujos de tipo monetario.

PARTICIPACIN DE SECTORES:

1. Sector Agropecuario: El sector primario, est formado por las actividades

econmicas relacionadas con la transformacin de los recursos naturales en
productos primarios no elaborados. Usualmente, los productos primarios son
utilizados como materia prima en las producciones industriales. Las principales
actividades del sector primario son la agricultura, la minera, la ganadera, la
silvicultura, la apicultura, la acuicultura, la caza y la pesca.
Los procesos industriales que se limitan a empacar, preparar o purificar los
recursos naturales suelen ser considerados parte del sector primario tambin,

especialmente si dicho producto es difcil de ser transportado en condiciones

normales a grandes distancias. El sector primario suele ser una parte
importante de los pases en desarrollo.
2. Sector Minero: En los ltimos aos el sector minero se ha consolidado
como uno de los ms dinmicos en la economa colombiana, desempeo
evidenciado en el comportamiento que presenta su producto interno bruto PIB, que en el ltimo ao registr un crecimiento de 4,28%, un poco ms de
US$2,9 millones constantes de 1994. Comportamiento relacionado con las
tendencias del mercado mundial que aument de la demanda de este tipo de
materias primas. Se estima que el PIB Minero de Colombia ocupa la quinta
posicin en Amrica Latina.

3. Sector Industria Manufacturera: Uno de los ndices que evidencian el

mayor o menor grado de desarrollo de un pas es la participacin del sector
manufacturero en el PIB total. La creciente participacin de la industria y el
sector servicios indica mayor grado de desarrollo, lo cual no quiere decir que en
la produccin (en trminos de volumen y valor) sea baja en aquellos pases que
tienen una alta participacin de la industria en su PIB.
Al igual que para toda Amrica latina, el desarrollo del sector industrial de
nuestra economa se logro, desde sus inicios hasta 1989, gracias al modelo
(impulsado por la CEPAL) de sustitucin de importaciones, basado en la
elevada proteccin a la produccin nacional complementada con polticas de
crdito de fomento con tasa de inters subsidiadas por el estado.
Con este esquema Colombia logro importantes avances en trminos de
crecimiento del PIB y del ingreso per cpita en un marco de relativa estabilidad,
pues nuestro pas no ha registrado niveles de inflacin incontrolables, y
progres en la diversificacin de las exportaciones.
4. Sector Construccin: El sector de la construccin consolidado
(infraestructura y edificaciones) es uno de los principales generadores de
empleo directo e indirecto, en razn a los encadenamientos a lo largo de la
cadena de valor. Se estima que por cada vivienda nueva se generan tres a
cuatro nuevos empleos en la economa.

La participacin del sector de la construccin en la tasa de empleo nacional

alcanz el 5,2%. En las trece principales reas, el empleo en el sector de la
construccin aument 8,7% y represent 6,1% del total de la fuerza laboral de
las trece reas metropolitanas. Por reas, los mayores aumentos anuales de
nuevas contrataciones en el sector constructor se presentaron en Pasto (31%),
Ccuta (19%) y Cali (19%) y los menores en Pereira (-16%), Ibagu (-9%) y

Cartagena

(9%).

5. Sector Comercio: La actividad productiva de una economa de mercado,

conformada por los sectores primario y secundario, se encarga de la
produccin y transformacin de bienes para el consumo final e intermedio; sin
embargo, se hace cada vez ms importante en cualquier sistema econmico
que se vean bien complementados con el sector terciario, que brinda servicios
como comercio transporte y comunicaciones. Se encarga de impulsar a los
sectores productivos a la vez que es impulsado por ellos.

El comercio se puede definir como la prestacin del servicio de distribucin,

canalizacin y venta de todo tipo de bienes tanto, a nivel nacional como
internacional. La actividad comercial en la economa no puede crecer
EFICIENTEMENTE sin un crecimiento paralelo o mayor de la produccin de
bienes.

6. Sector Transportes: El transporte juega un papel relevante en la economa

especialmente dentro del proceso de globalizacin por ser factor determinante
en la competitividad de los productos y servicios que el pas pueda ofrecer en
los mercados internacionales, por su contribucin en la produccin industrial y
agrcola, y por su aporte al incremento del bienestar individual al facilitar la
movilidad y la accesibilidad a servicios bsicos tales como educacin y salud.
As mismo se constituye en una importante fuente de rentas para el Estado,
generador de empleo y en consecuencia contribuye a disminuir las diferencias
en el ingreso per. Cpita. Es factor determinante en la formacin de un
mercado amplio y en la vinculacin de regiones aisladas. De esta manera el
sector transporte pretende elevar la eficiencia en la prestacin del servicio de
transporte en trminos de calidad, oportunidad, tiempo y costos, as como
extender su cobertura a las regiones ms aisladas de la geografa nacional.

En ese sentido, este sector debe incentivar la movilidad e integracin de las

personas, facilitar las actividades de intercambio de mercancas y el
posicionamiento de los productos nacionales en los mercados, garantizando
dentro del marco del ordenamiento territorial la incorporacin de las diferentes
regiones a la economa nacional y promover el desarrollo social de las
personas a travs del mejoramiento de sus salud, recreacin y educacin entre
otros.

PASO II: MODELO MATEMTICO

2.1. Variables de estudio:
1. Variable Independiente: Producto Interno Bruto a precios constantes.
2. Variables Dependientes: Sectores econmicos 1925- 1990
Sector Agropecuario
Sector Minero
Sector Industria Manufacturera
Sector Construccin
Sector Comercio
Sector Transportes
2.2. Tipos de datos que se van a utilizar:
Datos no experimentales, de razn.
2.3. Relacin Funcional
Y= f (X1, X2, X3, X4, X5, X6, X7)
PIB= f (Producto Interno Bruto de la produccin de bienes y servicios del pas
durante un perodo de tiempo (1925-1990).
2.4. Ecuacin:

Y=0 + 1 X 1 + 2X 2 + 3X 3 + 4X 4 + 5X 5 + 6X 6 + 7X 7
Ilustracin de cada uno de los componentes de la ecuacin

Matemtica

Estadstica

Econmica

Variable Dependiente

Variable Endgena
Variable Regresada
Variable Controlada

Producto Interno Bruto por

aos, medido en
millones($)

X1

Variable
Independiente

X2

Variable
Independiente

Variable Exgena
Variable Regresor
Variable Control
Variable Exgena
Variable Regresor
Variable Control

X3

Variable
Independiente

Variable Exgena
Variable Regresor
Variable Control

X4

Variable
Independiente

X5

Variable
Independiente

X6

Variable
Independiente

Variable Exgena
Variable Regresor
Variable Control
Variable Exgena
Variable Regresor
Variable Control
Variable Exgena
Variable Regresor
Variable Control

Interseccin

Parmetro

Sector Agropecuario ($)

Sector Minera ($)
Sector
Industria Manufacturera
($)

Sector Construccin ($)

Sector Comercio ($)

Sector Transportes ($)

PIB, sin cada uno de

los sectores.

Primer Coeficiente

Parmetro

Segundo Coeficiente

Parmetro

Tercer Coeficiente

Parmetro

Cuarto Coeficiente

Parmetro

Quinto Coeficiente

Parmetro

Sexto Coeficiente

Parmetro

El cambio en el total
del PIB por cada
sector que agregue
El cambio en el total
del PIB por cada
sector que agregue
El cambio en el total
del PIB por cada
sector que agregue
El cambio en el total
del PIB por cada
sector que agregue
El cambio en el total
del PIB por cada
sector que agregue
El cambio en el total
del PIB por cada
sector que agregue

2.5 Modelo Economtrico

Y=0 + 1 X 1 + 2X 2 + 3X 3 + 4X 4 + 5X 5 + 6X 6 + 7X 7 + Xi
SUPUESTOS DEL MODELO
Supuesto 1: Modelo de regresin lineal. El modelo de regresin es lineal en
los parmetros, como se observa:
Y= 1 + 2X1 + i
Supuesto 2: Los valores de x son fijos en muestreo repetido. Los valores
que toma el regresor X son considerados fijos en muestreo repetido. Ms
tcnicamente, X se supone no estocstica.
Supuesto 3: El valor medio de la perturbacin i es igual a cero. Dado el
valor de X, la media, o el valor esperado del trmino aleatorio de perturbacin
i es cero. Tcnicamente, el valor de la media condicional de i es cero.
Simblicamente, se tiene
E (ui I Xi ) = 0
Supuesto 4: Homoscedasticidad u igual varianza de i. Dado el valor de X,
la varianza de i es la misma para todas las observaciones. Esto es, las
varianzas condicionales de i son idnticas. Sismolgicamente, se tiene que
Var (ui I Xi) = E [ui E (ui) I Xi ]2
= E (ui 2 I Xi )
= 2
Donde VAR es la varianza.
Supuesto 5: No existe autocorrelacin entre las perturbaciones. Dados
dos valores cualquiera de X, Xi y Xj (i j), la correlacin entre dos ui y uj
cualquiera (i j) es cero. Simblicamente,
Cov (ui uj I Xi Xj) = E [(ui E (ui)) I Xi ] [(uj - E (uj)) I Xj ]
= E (ui I Xi ) (uj I Xj ) (Por qu?)
=0
Donde i y j son dos observaciones diferentes y donde cov significa covarianza.

Supuesto 6: La covarianza entre ui y Xi es cero, o E (ui Xi ) = 0. Formalmente,

Cov (ui Xi )= E [(ui E (ui)][ Xi E (Xi)]
= E [ui (Xi E (Xi))], puesto que E (ui) = 0
= E (ui Xi ) E (Xi)E(ui), puesto que E(Xi) es no estocstica
= E (ui Xi ) puesto que E (ui) = 0
= 0, por suposicin
Supuesto 7: El nmero de observaciones n debe ser mayor que el nmero
de parmetros por estimar. Alternativamente, el nmero de observaciones n
no debe ser mayor que el nmero de variables explicativas.
Supuesto 8: Variabilidad en los valores X. No todos los valores de X en una
muestra dada deben ser iguales. Tcnicamente, var (X) debe ser un nmero
positivo finito.
Supuesto 9: El modelo de regresin sta correctamente especificado.
Alternativamente, no hay un sesgo de especificacin o error en el modelo
utilizado en el anlisis emprico.
Supuesto 10: No hay multicolinealidad perfecta. Es decir, no hay relaciones
perfectamente lineales entre las variables explicativas.
DATOS, CALCLOS, INTERPRETACIN DE LOS ESTIMADORES
Dependent Variable: PIB
Method: Least Squares
Date: 02/11/12 Time: 15:43
Sample: 1 66
Included observations: 66
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
SA
SC
SCOM
SMAN
SMIN

-7875.099
1.192009
1.619999
0.978685
1.210617
0.807222

1791.415
0.069204
0.137076
0.080706
0.044266
0.056590

-4.396022
17.22461
11.81827
12.12661
27.34885
14.26453

0.0000
0.0000
0.0000
0.0000
0.0000
0.0000

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)

0.999857
0.999846
1748.258
1.83E+08
-583.2855
84173.37
0.000000

Estimation Command:
=========================
LS PIB C SA SC SCOM SMAN SMIN
Estimation Equation:

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

184725.8
140686.4
17.85714
18.05619
17.93579
0.357296

=========================
PIB = C(1) + C(2)*SA + C(3)*SC + C(4)*SCOM + C(5)*SMAN + C(6)*SMIN
Substituted Coefficients:
=========================
PIB = -7875.09914164 + 1.19200891139*SA + 1.61999859279*SC +
0.97868539872*SCOM + 1.21061696937*SMAN + 0.807222443907*SMIN

Interpretacin de los Estimadores:

0 = -7875.099
1 = 1.192009
2 = 1.619999
3 = 0.978685
4 = 1.210617
5 =1.190423
6 =0.807222
PASO IV:
4.1. Varianzas y desviaciones estndar de los estimadores, covarianza.
0 = Var = 3, 209, 167,702
1 = Var = 0.047891936
2 = Var = 0.018789829
3 = Var = 0.065134584
4 = Var = 0.019594787
5 = Var = 0.032024281

ee 0 = 1.791.415
ee 1 = 0.21884
ee 2 = 0.13707
ee 3 = 0.25521
ee 4 = 0.13998
ee 5 = 0.17895

4.2. Pruebas de Hiptesis o de Significacin, de los estimadores 1 2 3 4 5

6
^1
Ho= 1 = 0
H1= 1 0
= 0.05
SI
t Calculado > t ( / 2), (n k)
Se acepta H1 y se rechaza H0
El parmetro es Significativo
t (0.025) . (7) = 2.365
17.22461 > 2.365 Se acepta H1 y el parmetro es significativo
^2
Ho= 1 = 0
H1= 1 0
= 0.05
SI
t Calculado > t ( / 2), (n k)

Se acepta H1 y se rechaza H0
El parmetro es Significativo
t (0.025) . (7) = 2.365
11.81827 > 2.365 Se acepta H1 y el parmetro es significativo
^3
Ho= 1 = 0
H1= 1 0
= 0.05
SI
t Calculado > t ( / 2), (n k)
Se acepta H1 y se rechaza H0
El parmetro es Significativo
t (0.025) . (7) = 2.365
12.12661 > 2.365 Se acepta H1 y el parmetro es significativo
^4
Ho= 1 = 0
H1= 1 0
= 0.05
SI
t Calculado > t ( / 2), (n k)
Se acepta H1 y se rechaza H0
El parmetro es Significativo
t (0.025) . (7) = 2.365
27.34885 > 2.365 Se acepta H1 y el parmetro es significativo
^5
Ho= 1 = 0
H1= 1 0
= 0.05
SI
t Calculado > t ( / 2), (n k)
Se acepta H1 y se rechaza H0
El parmetro es Significativo
t (0.025) . (7) = 2.365
14.26453 > 2.365 Se acepta H1 y el parmetro es significativo
MULTICOLINEALIDAD
Y=0 + 1 X 1i + 2X 2i + 3X 3i + 4X 4i + 5X 5i + i
1. Deteccin: Una R2 elevada pero pocas razones t significativas
Dependent Variable: PIB
Method: Least Squares
Date: 02/11/12 Time: 14:00
Sample: 1 66
Included observations: 66
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
X1
X2
X3
X4
X5

-7875.099
1.192009
0.807222
1.210617
1.619999
0.978685

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)

0.999857
0.999846
1748.258
1.83E+08
-583.2855
84173.37
0.000000

1791.415
0.069204
0.056590
0.044266
0.137076
0.080706

-4.396022
17.22461
14.26453
27.34885
11.81827
12.12661

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
184725.8
140686.4
17.85714
18.05619
17.93579
0.357296

Como podemos observar en la regresin se obtiene un R 2 superior al 70%. El

R2 es del 99.9857%, es decir existe presencia de Multicolinealidad, lo que
significa que se rechazara la hiptesis de que los coeficientes parciales de
pendiente son simultneamente iguales a cero. Tambin podemos deducir que
existen dos variables que son estadsticamente no significativas (X2, X5), lo cual
constituye u sntoma caracterstico de Multicolinealidad.
2. Examen de Correlaciones Parciales: Se va a calcular la matriz de
correlaciones de orden cero de las variables independientes y se verificara si
estas correlaciones entre parejas de regresoras son altas (por encima de 0.5),
lo cual da un indicio de colinealidad entre variables.

X1
X2
X3
X4
X5

X1

X2

X3

X4

X5

1.000000
0.795711
0.992590
0.974143
0.991187

0.795711
1.000000
0.769301
0.775502
0.759419

0.992590
0.769301
1.000000
0.971466
0.990854

0.974143
0.775502
0.971466
1.000000
0.959509

0.991187
0.759419
0.990854
0.959509
1.000000

Esta tabla suministra la Matriz de Correlacin, mostrando la correlacin de una

variable consigo misma, la cual por definicin siempre es 1; adems las
entradas fuera de la diagonal principal son las parejas de correlaciones entre
las variables X. En la siguiente tabla se puede observar el anlisis de lo
mencionado:

Correlaciones
Parciales

Por encima o por

debajo de 0.5

Multicolinealidad

rX2 X1

0.795711

SI

rX3 X1

0.992590

SI

rX4 X1

0.974143

SI

rX5 X1

0.991187

SI

rX1 X2

0.795711

SI

rX1 X3

0.992590

SI

rX1 X4

0.974143

SI

rX1 X5

0.991187

SI

Tabla 1

Como se puede ver, la mayora de estos pares correlacionados son muy altos,
lo cual sugiere que existe un problema de colinealidad. Con el fin de aclarar
ms la naturaleza del problema de la Multicolinealidad efecturemos las
regresiones auxiliares; es decir la regresin de la variable X sobre las restantes
X.
3. Efectuar regresiones auxiliares, de cada variable independiente,
respecto a las otras, utilizando en el anlisis el valor R2 encontrado en
cada regresin, de la siguiente manera:
Regresin Auxiliar X1
Dependent Variable: X1
Method: Least Squares
Date: 02/11/12
Time: 14:43
Sample: 1 66
Included observations: 66
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
X2
X3
X4
X5

24585.11
0.375249
0.249503
0.810267
0.682707

1037.501
0.093024
0.075410
0.231419
0.121057

23.69647
4.033903
3.308593
3.501292
5.639574

0.0000
0.0002
0.0016
0.0009
0.0000

R-squared

0.992666

Mean dependent var

68506.48

Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)

0.992185
3234.525
6.38E+08
-624.4382
2064.098
0.000000

S.D. dependent var

Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

36588.73
19.07389
19.23977
19.13943
0.603557

X1. 1. Prueba de Hiptesis:

H0: No existe Multicolinealidad.
H1: Existe Multicolinealidad.
2. Nivel de Significancia:
= 0.05
3. Definicin Estadstico de Trabajo:
RX1X2.XK / (k-2)
Estadstico de trabajo F =------------------------------1- RX1X2.XK / (n-k+1)
4. Criterio de Decisin:
F calc F () (k-2) (n-k+1)
5. Clculos:

Acepta H1; R

Rechaza H0

F =?

(0.9926661.2345) / (5-2)
0.330888666
F = ------------------------------------- = -------------------- = 0.336272641
(1- 0. 9926661.2345) / (66-5+1) 0.983989258

6. Toma de Decisin:
F calc F () (k-2) (n-k+1):
0.336272641 (0.05) (3) (62)
0.336272641 < 2.76
Regresin Auxiliar X2
Dependent Variable: X2
Method: Least Squares
Date: 02/11/12
Time: 14:46
Sample: 1 66
Included observations: 66
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
X1
X3
X4
X5

-12988.40
0.561187
-0.098726
-0.094216
-0.399070

3696.307
0.139118
0.099353
0.309907
0.175306

-3.513886
4.033903
-0.993692
-0.304015
-2.276416

0.0008
0.0002
0.3243
0.7622
0.0263

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)

0.688977
0.668582
3955.530
9.54E+08
-637.7196
33.78167
0.000000

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

7085.742
6870.944
19.47635
19.64223
19.54190
0.207900

X2. 1. Prueba de Hiptesis:

H0: No existe Multicolinealidad.
H1: Existe Multicolinealidad.
2. Nivel de Significancia:
= 0.05
3. Definicin Estadstico de Trabajo:
RX1X2.XK / (k-2)
Estadstico de trabajo F =------------------------------1- RX1X2.XK / (n-k+1)
4. Criterio de Decisin:
F calc F () (k-2) (n-k+1)
5. Clculos:

Acepta H1; Rechaza H0

F =?

(0.6889772.1345) / (5-2)
0.229659
F = ------------------------------------- = -------------------- = 0.232239772
(1- 0.6889772.1345) / (66-5+1) 0.988887467

6. Toma de Decisin:
F calc F () (k-2) (n-k+1):
0.232239772 (0.05) (3) (62)
0.232239772 < 2.76

Regresin Auxiliar X3
Dependent Variable: X3
Method: Least Squares
Date: 02/11/12 Time: 14:47
Sample: 1 66
Included observations: 66
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
X1
X2
X4
X5

-24047.69
0.609818
-0.161350
0.867276
0.778745

4167.585
0.184313
0.162374
0.380619
0.211072

-5.770173
3.308593
-0.993692
2.278595
3.689469

0.0000
0.0016
0.3243
0.0262
0.0005

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)

0.989200
0.988492
5056.767
1.56E+09
-653.9300
1396.815
0.000000

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

49149.08
47138.27
19.96758
20.13346
20.03312
0.367214

X3. 1. Prueba de Hiptesis:

H0: No existe Multicolinealidad.
H1: Existe Multicolinealidad.
2. Nivel de Significancia:
= 0.05
3. Definicin Estadstico de Trabajo:
RX1X2.XK / (k-2)
Estadstico de trabajo F =------------------------------1- RX1X2.XK / (n-k+1)
4. Criterio de Decisin:
F calc F () (k-2) (n-k+1)
5. Clculos:

Acepta H1; Rechaza H0

F =?

(0.9892003.1245) / (5-2)
0.329733333
F = ------------------------------------- = -------------------- = 0.335079472
(1- 0.9892003.1245) / (66-5+1) 0.984045161

6. Toma de Decisin:
F calc F ()(k-2)(n-k+1):

0.335079472 (0.05) (3) (62)

0.335079472 < 2.76

Regresin Auxiliar X4
Dependent Variable: X4
Method: Least Squares
Date: 02/11/12 Time: 14:47
Sample: 1 66
Included observations: 66
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
X1
X2
X3
X5

-3691.829
0.206522
-0.016057
0.090442
-0.180842

1605.135
0.058985
0.052818
0.039692
0.071740

-2.300012
3.501292
-0.304015
2.278595
-2.520810

0.0249
0.0009
0.7622
0.0262
0.0143

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)

0.955155
0.952215
1632.977
1.63E+08
-579.3287
324.8125
0.000000

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

9047.939
7470.208
17.70693
17.87281
17.77248
0.731719

X4. 1. Prueba de Hiptesis:

H0: No existe Multicolinealidad.
H1: Existe Multicolinealidad.
2. Nivel de Significancia:
= 0.05
3. Definicin Estadstico de Trabajo:
RX1X2.XK / (k-2)
Estadstico de trabajo F =------------------------------1- RX1X2.XK / (n-k+1)
4. Criterio de Decisin:
F calc F () (k-2) (n-k+1)
5. Clculos:

Acepta H1; Rechaza H0

F =?

(0.9551554.1235) / (5-2)
0.318385
F = ------------------------------------- = -------------------- = 0.323366698
(1- 0.9551554.1235) / (66-5+1) 0.984594274

6. Toma de Decisin:
F calc F () (k-2) (n-k+1):
0.323366698 (0.05) (3) (62)
0.323366698 < 2.76
Regresin Auxiliar X5
Dependent Variable: X5
Method: Least Squares
Date: 02/11/12 Time: 14:48
Sample: 1 66
Included observations: 66
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
X1
X2
X3
X4

-8053.885
0.501981
-0.196207
0.234273
-0.521691

2648.345
0.089010
0.086191
0.063498
0.206954

-3.041101
5.639574
-2.276416
3.689469
-2.520810

0.0035
0.0000
0.0263
0.0005
0.0143

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)

0.988145
0.987367
2773.556
4.69E+08
-614.2906
1271.079
0.000000

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

X5. 1. Prueba de Hiptesis:

H0: No existe Multicolinealidad.
H1: Existe Multicolinealidad.
2. Nivel de Significancia:
= 0.05
3. Definicin Estadstico de Trabajo:
RX1X2.XK / (k-2)
Estadstico de trabajo F =------------------------------1- RX1X2.XK / (n-k+1)
4. Criterio de Decisin:
F calc F () (k-2) (n-k+1)
5. Clculos:

Acepta H1; Rechaza H0

F =?

(0.9881455.1234) / (5-2)

0.329381666

31738.91
24676.65
18.76638
18.93227
18.83193
0.521912

F = ------------------------------------- = -------------------- = 0.334716315

(1- 0.9881455.1234) / (66-5+1) 0.984062177

6. Toma de Decisin:
F calc F () (k-2) (n-k+1):
0.334716315 > (0.05) (3) (62)
0.334716315 < 2.76

Se va a trabajar el anlisis de todas las Variables Independientes con las

siguientes caractersticas:

Regresin

F Obtenido

F Tabla

X1
X2
X3
X4
X5

0.336272641
0.232239772
0.335079472
0.323366698
0.334716315

2.76
2.76
2.76
2.76
2.76

Comparar
R2 con F
tabla
<
<
<
<
<

Decisin
Acep H0 o Acep H1
H0 =
H0 =
H0 =
H0 =
H0 =

No Multicolinealidad
No Multicolinealidad
No Multicolinealidad
No Multicolinealidad
No Multicolinealidad

Tabla 2

4. Clculos de los ndices de Tolerancia e Inflacin mediante la siguiente tabla:

Decisin:
Tol, cercano a 0
Colinealidad.
Tol, cercano a 1
evidencia no
Colinealidad.

Decisin FIV:
FIV 10, Variable

Regresor
(Variable X
utilizada como
dependiente)

R , de la
regresin
auxiliar

ndice de
tolerancia
2
(TOL)= 1- R

Factor de
inflacin
(FIV)=
2
1/(1- R )

X1

0.992666

0.007334

136.3512

X2

0.688977

0.311023

3.2151

X3

0.989200

0.0108

92.5925

Colinealidad

Variable altamente
colineal

X4

0.955155

0.044845

22.2990

Colinealidad

Variable altamente
colineal

X5

0.988145

0.011855

84.3525

Colinealidad

Variable altamente
colineal

Colinealidad
No Colinealidad

altamente colineal.

FIV <10, Variable de

baja colinealidad.
Variable altamente
colineal
Variable de baja
colinealidad

Tabla 3

Una vez efectuadas las pruebas de Multicolinealidad observamos que existe

una presencia de Multicolinealidad muy alta en las variables independientes por
esto se procede a:

5. Eliminar la variable de ms alta colinealidad, pero se debe probar que no

ocurre sesgo de especificacin por variable excluida.
En el anlisis realizado de Variable Excluida presentado en la tabla 1, podemos
observar que no se debe excluir ninguna de las variables independientes ya
que cada una de estas es importante para el modelo. Para mejorar el problema
de Multicolinealidad que analizamos mediante la tabla 5, como medida de
correccin se deben hacer la transformacin de las variables y posteriormente
se procede a correr de nuevo el modelo con las variables corregidas.
Transformacin de Variables
Yt = 0 + 1 X 1t + 2X 2t + 3X 3t + 4X 4t + 5X 5t + t
Yt-1 = 0 + 1 X 1t-1 + 2X 2t-1 + 3X 3t-1 + 4X 4t-1 + 5X 5t-1 + t-1
1-2 = Yt - Yt-1 = 1 X 1t - 1 X 1t-1+ 2X 2t - 2X 2t-1+ 3X 3t - 3X 3t-1 + 4X 4t - 4X 4t-1 +
5X 5t - 5X 5t-1 + t - t-1
(Yt - Yt-1)= 1 (X 1t -X 1t-1) + 2 (X 2t -X 2t-1) + 3 (X 3t - X 3t-1) + 4 (X 4t - X 4t-1) +
5 (X 5t - X 5t-1) + t

t = t - t-1
Y* = Yt - Yt-1

X1* = X 1t -X 1t-1
X2* = X 2t -X 2t-1
X3* = X 3t - X 3t-1
X4* = X 4t - X 4t-1
X5* = X 5t - X 5t-1
REGRESIONES AUXILIARES dYt = d(Yt)
Regresin Auxiliar dx1 = d(x1)
Dependent Variable: DX1
Method: Least Squares
Date: 02/11/12 Time: 20:29
Sample (adjusted): 2 66
Included observations: 65 after adjustments
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
DX2
DX3
DX4
DX5

549.5546
0.198287
0.341621
-0.164424
0.525622

402.5315
0.203795
0.113303
0.246976
0.158690

1.365246
0.972975
3.015104
-0.665749
3.312259

0.1773
0.3345
0.0038
0.5081
0.0016

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)

0.372482
0.330648
2230.591
2.99E+08
-590.7810
8.903701
0.000010

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

2062.046
2726.418
18.33172
18.49898
18.39772
2.100158

Regresin Auxiliar dx2 = d(x2)

Dependent Variable: DX2
Method: Least Squares
Date: 02/11/12 Time: 20:30
Sample (adjusted): 2 66
Included observations: 65 after adjustments
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
DX1
DX3
DX4
DX5

17.13775
0.078335
0.152399
-0.094732
0.004810

256.8968
0.080511
0.073844
0.155325
0.108477

0.066711
0.972975
2.063787
-0.609894
0.044342

0.9470
0.3345
0.0434
0.5442
0.9648

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)

0.152963
0.096494
1402.012
1.18E+08
-560.5978
2.708795
0.038406

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

515.3077
1474.981
17.40301
17.57027
17.46900
0.805490

Regresin Auxiliar dx3 = d(x3)

Dependent Variable: DX3
Method: Least Squares
Date: 02/11/12 Time: 20:31
Sample (adjusted): 2 66
Included observations: 65 after adjustments
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
DX1
DX2
DX4
DX5

1236.200
0.385159
0.434923
-0.008231
0.093229

403.5923
0.127743
0.210740
0.263206
0.182862

3.062991
3.015104
2.063787
-0.031274
0.509832

0.0033
0.0038
0.0434
0.9752
0.6120

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)

0.289907
0.242568
2368.468
3.37E+08
-594.6795
6.123995
0.000336

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

Regresin Auxiliar dx4 = d(x4)

Dependent Variable: DX4
Method: Least Squares
Date: 02/11/12 Time: 20:31
Sample (adjusted): 2 66
Included observations: 65 after adjustments

2367.877
2721.419
18.45168
18.61894
18.51767
1.539415

Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
DX1
DX2
DX3
DX5

442.8927
-0.044597
-0.065040
-0.001980
0.004932

205.0476
0.066988
0.106641
0.063321
0.089883

2.159951
-0.665749
-0.609894
-0.031274
0.054872

0.0348
0.5081
0.5442
0.9752
0.9564

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)

0.023627
-0.041465
1161.695
80972107
-548.3759
0.362976
0.834005

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

318.8615
1138.334
17.02695
17.19421
17.09295
1.736865

Regresin Auxiliar dx5 = d(x5)

Dependent Variable: DX5
Method: Least Squares
Date: 02/11/12 Time: 20:32
Sample (adjusted): 2 66
Included observations: 65 after adjustments
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
DX1
DX2
DX3
DX4

521.1508
0.294099
0.006813
0.046267
0.010174

298.2461
0.088791
0.153637
0.090750
0.185418

1.747385
3.312259
0.044342
0.509832
0.054872

0.0857
0.0016
0.9648
0.6120
0.9564

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)

0.225509
0.173876
1668.516
1.67E+08
-571.9095
4.367554
0.003636

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

1243.908
1835.726
17.75106
17.91832
17.81706
2.027442

Se va a efectuar el anlisis de las Regresiones Auxiliares de cada variable

independiente respecto a las otras, utilizando el valor R 2 encontrado en cada
regresin auxiliar corregida. Esto se realizara mediante el clculo de los ndices
de Tolerancia (TOL) e Inflacin (FIV) que se presentaran en la siguiente tabla
para detectar si hay Multicolinealidad despus de corregido el modelo.

Regresor
(Variable X
utilizada como
dependiente)

R , de la
regresin
auxiliar

ndice de
tolerancia
2
(TOL)= 1- R

Factor de
inflacin
(FIV)=
2
1/(1- R )

Decisin:
Tol, cercano a 0
Colinealidad.
Tol, cercano a 1
evidencia no
Colinealidad.

Decisin FIV:
FIV 10, Variable
altamente colineal.

FIV <10, Variable de

baja colinealidad.

X1

0.372482

0.627518

1.593579786

X2

0.152963

0.847037

1.180585972

X3

0.289907

0.710093

1.408266241

X4

0.023627

0.976373

1.024198744

X5

0.225509

0.774491

1.291170588

No Colinealidad

Variable de baja
colinealidad

No Colinealidad

Variable de baja
colinealidad

No Colinealidad

Variable de baja
colinealidad

No Colinealidad

Variable de baja
colinealidad

No Colinealidad

Variable de baja
colinealidad

Tabla 4

Como podemos observar en la tabla No 3 existen problemas de

Multicolinealidad, luego de realizar las correcciones necesarias en el modelo se
observa la no presencia de Multicolinealidad en los anlisis FIV y TOL,
representados en la tabla No 4 de cada variable independiente analizada.
6. Finalmente al modelo corregido se efectan las pruebas de normalidad y
anlisis de los residuos.

PRUEBAS DE NORMALIDAD

Histograma de Residuos
Prueba de Normalidad de Jarque Bera (JB)

HISTOGRAMADE RESIDUOS
12

Series: Residuals
Sample 1 66
Observations 66

10

Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis

Jarque-Bera
Probability

1.16e-11
200.6929
5149.482
-2649.644
1679.672
0.278229
2.665784
1.158703
0.560262

0
-2000

2000

4000

Como podemos observar en el grafico Histograma de Residuos, los residuos

de la regresin del PIB parecen estar simtricamente distribuidos, es decir la
distribucin normal es de manera apropiada, ya que mentalmente se coloca la
curva de distribucin normal en forma de campana sobre el histograma.
PRUBA DE NORMALIDAD DE JARQUE BERA (JB)
En este ejercicio se calcula asimetra (S) y curtosis (K)
S = 0.278229
K = 2.665784

JB =1.158703
Valor p = 0.560262 56.02% la probabilidad de cometer el error es de tipo I
JB ~ 2 con 2 g de l
Buscando en la tabla 2 (0.05), 2 = 10.5966
2 calculado < 2 tabla
1.158703 < 10.5966, Se acepta H0 y se rechaza H1: Es decir no hay supuestos
de normalidad.
Al aplicarse la Prueba Jarque-Bera, se hace evidente que el estadstico JB es
del 1.158703 y que la probabilidad de obtener un estadstico bajo el supuesto
de normalidad es aproximadamente del 56%, es decir al parecer el trmino de
error en este ejemplo sigue la distribucin normal. Por supuesto, se debe tener
en cuenta que la prueba JB es una prueba para muestras grandes y que la
muestra de 66 observaciones quiz no sea muy grande.
En consecuencia se rechaza la hiptesis de que los trminos de error estn
normalmente distribuidos.
Anlisis del Histograma
A partir del histograma, parece que los residuos estn normalmente
distribuidos.
ANALISIS DE LOS RESIDUALES
obs

Actual

Fitted

Residual

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

36286.0
40439.0
44144.0
47300.0
48380.0
44433.0
44337.0
47884.0
50698.0
53755.0
55403.0
57917.0
58595.0
62817.0
66454.0
68308.0
69173.0
68990.0
69101.0
73961.0
77882.0
85612.0
88875.0
90998.0
99292.0
94278.0
97014.0
103548.

33635.8
39060.1
42040.3
46188.2
46697.4
42311.6
41963.5
45949.5
49463.1
52054.6
54124.7
56784.6
57715.4
62158.4
66397.5
68183.9
69309.5
70487.9
70701.9
75290.2
79677.1
87992.3
89954.0
92012.6
99844.6
93494.8
95642.1
102218.

2650.25
1378.86
2103.68
1111.84
1682.61
2121.36
2373.48
1934.55
1234.85
1700.42
1278.26
1132.45
879.596
658.566
56.4797
124.081
-136.485
-1497.88
-1600.91
-1329.22
-1795.05
-2380.27
-1078.97
-1014.62
-552.621
783.187
1371.91
1329.93

Residual Plot
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

. | .*
. | *.
. | .*
. |*.
. | *
. | .*
. | .*
. | *
. | *.
. | *
. | *.
. | *.
. |*.
. |* .
. * .
. * .
. * .
.* | .
* | .
.* | .
* | .
*. | .
.*| .
.*| .
. *| .
. |*.
. | *.
. | *.

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66

109660.
117852.
121937.
125922.
129391.
131774.
141941.
146517.
154007.
160723.
164775.
174704.
171551.
178954.
189416.
200648.
213550.
224689.
236464.
257100.
275744.
292407.
299208.
312132.
322197.
348576.
366235.
376904.
382329.
382972.
390471.
405434.
418720.
443334.
467799.
484651.
503454.
521885.

108532.
117204.
121088.
125613.
130074.
133611.
144322.
147924.
156103.
163072.
166356.
176646.
170962.
178078.
190952.
203298.
215947.
225977.
237653.
258911.
277332.
294919.
301520.
314513.
323138.
348493.
365250.
376004.
380189.
377823.
388089.
404056.
418443.
444000.
467188.
485036.
502755.
519477.

1128.47
648.117
849.329
308.886
-682.769
-1837.15
-2381.18
-1406.71
-2096.08
-2349.49
-1580.95
-1941.73
588.871
875.829
-1535.87
-2649.64
-2397.00
-1288.16
-1188.96
-1810.88
-1588.45
-2511.62
-2312.30
-2380.73
-940.682
83.0114
985.308
899.583
2139.78
5149.48
2382.34
1377.69
277.305
-666.142
610.776
-384.774
698.570
2407.60

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

. | *.
. |* .
. |*.
. |* .
. *| .
* | .
*. | .
.* | .
*. | .
*. | .
* | .
* | .
. |* .
. |*.
.* | .
*. | .
*. | .
.* | .
.* | .
* | .
* | .
*. | .
*. | .
*. | .
.*| .
. * .
. |*.
. |*.
. | .*
. | .
. | .*
. | *.
. |* .
. *| .
. |* .
. *| .
. |*.
. | .*

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
*
|
|
|
|
|
|
|
|

Se obtienen los valores de la variable endgena, observados Yt, y estimados

y el valor de los residuos. El Grfico de los residuos presenta dos lneas
puntuadas situadas a una distancia 2s de la lnea central continua, s es el
error estndar de la regresin. Las bandas permiten detectar la presencia de
residuos significativamente distintos de cero (atpicos). Los residuos de las
observaciones 1,3,6,7,8,22,35,37,38,44,45,50,51,52,57,58,59,66 se salen de
las bandas, especialmente en la observacin 58, son atpicos.
El siguiente
grfico
no se observan
problemas de comportamiento
sistemtico residual por lo que puede suponerse aleatoriedad de los residuos.
Los valores atpicos pueden venir originados por la presencia de variable poco
significativa en el modelo.

-1

-2
5

10

15

20

25

30

35

40

45

50

55

60

65

Standardized Residuals

SESGO DE ESPECIFICACIN

PRUEBA MWD

VARIABLE INCLUIDA
VARIABLE EXCLUIDA
PROBAR MEJOR MODELO

FORMA FUNCIONAL CORRECTA

LOG
LIN

AKAIKE
SCHWARS

VARIABLE EXCLUIDA

FORMULACIN DE HIPTESIS
1. H0 = Variable No Redundante
H1 = Variable Redundante

La variable se debe excluir.

La variable No se debe excluir.

2. Nivel de Significancia = 0.05

3. Definicin Estadstico de Trabajo:
El estadstico de trabajo que vamos a utilizar es la Prueba F y Chi Cuadrado,
lo mismo que la prueba Akaike Info Criterion y Schwarz Criterion, para observar
si existen razones t significativas.

VARIABLES
INDEPENDIENTES
1

X
2
X
3
X

PRUEBA DE
VARIABLE EXCLUIDA
(E.T)

F
0.0000
0.0000
0.0000

X
0.0000
0.0000
0.0000

SIGNIFICATIVA

AK
17.85714
17.85714
17.85714

SCH
18.05619
18.05619
18.05619

DEBE EXCLUIRSE
SI
NO

P > 0.05

P < 0.05
NO
NO
NO

X
5
X

0.0000
0.0000

0.0000
0.0000

17.85714
17.85714

18.05619
18.05619

NO
NO

Tabla 5

Existen razones t significativas en la prueba de variable excluida como lo

podemos observar en el estadstico de trabajo F y Chi Cuadrado, lo cual da
indicio de no Multicolinealidad, ya que todos los coeficientes t son
estadsticamente significativos. Con respecto a las pruebas de variable excluida
la tabla nos muestra que no debe excluirse ninguna de las variables ya que el
valor p es menor a 0.05.

VARIABLE INCLUIDA
1. H0 = Variable Redundante
H1 = Variable No Redundante

La variable se debe excluir.

La variable No se debe excluir.

2. Nivel de Significancia = 0.05

3. Definicin Estadstico de Trabajo:
El estadstico de trabajo que vamos a utilizar es la Prueba F y Chi Cuadrado
para observar si existen razones t significativas.

VARIABLES
INDEPENDIENTES
1

X
2
X
3
X
4
X
5
X

Tabla 6

PRUEBA DE
VARIABLE INCLUIDA

F
0.0000
0.0000
0.0000
0.0000
0.0000

X
0.0000
0.0000
0.0000
0.0000
0.0000

Existen razones t significativas en la prueba de variable incluida como lo

podemos observar en el estadstico de trabajo F y Chi Cuadrado, ya que todos
los coeficientes t individuales son estadsticamente significativos.
PRUEBA MWD
Formulacin de Hiptesis
H0 = Modelo Lineal
H1 = Modelo Logartmico
Nivel se Significancia
= 0.05
PASO I
Estmese el modelo lineal = ^y
1

33635.75

yf
34

133611.1

2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33

39060.14
42040.32
46188.16
46697.39
42311.64
41963.52
45949.45
49463.15
52054.58
54124.74
56784.55
57715.40
62158.43
66397.52
68183.92
69309.48
70487.88
70701.91
75290.22
79677.05
87992.27
89953.97
92012.62
99844.62
93494.81
95642.09
102218.1
108531.5
117203.9
121087.7
125613.1
130073.8

35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66

144322.2
147923.7
156103.1
163072.5
166356.0
176645.7
170962.1
178078.2
190951.9
203297.6
215947.0
225977.2
237653.0
258910.9
277332.5
294918.6
301520.3
314512.7
323137.7
348493.0
365249.7
376004.4
380189.2
377822.5
388088.7
404056.3
418442.7
444000.1
467188.2
485035.8
502755.4
519477.4

PASO II
Estmese el modelo logartmico para obtener los valores de ^y
Lnf
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

10.42334
10.57286
10.64638
10.74048
10.75144
10.65282
10.64456
10.73530
10.80898
10.86005
10.89905
10.94702
10.96328
11.03744
11.10341
11.12996
11.14634
11.16320
11.16623
11.22911
11.28574
11.38500

34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55

11.80269
11.87980
11.90445
11.95827
12.00195
12.02189
12.08190
12.04920
12.08998
12.15978
12.22243
12.28279
12.32819
12.37857
12.46424
12.53297
12.59445
12.61659
12.65878
12.68583
12.76137
12.80834

Ln^y

23
24
25
26
27
28
29
30
31
32
33

11.40705
11.42968
11.51137
11.44566
11.46837
11.53486
11.59480
11.67167
11.70427
11.74096
11.77586

56
57
58
59
60
61
62
63
64
65
66

12.83736
12.84842
12.84218
12.86899
12.90931
12.94430
13.00358
13.05449
13.09198
13.12786
13.16058

PASO III
Obtengase una variable Z1 (LnYf - Lnf)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33

33625.33
39049.57
42029.68
46177.42
46686.64
42300.98
41952.88
45938.72
49452.34
52043.72
54113.84
56773.61
57704.44
62147.40
66386.42
68172.79
69298.34
70476.72
70690.75
75279.00
79665.77
87980.89
89942.56
92001.19
99833.11
93483.37
95630.62
102206.5
108519.9
117192.2
121076.0
125601.4
130062.0

PASO IV
Efectuese la regresin Y sobre X y Z1.
Dependent Variable: YF
Method: Least Squares
Date: 02/11/12 Time: 00:17
Sample: 1 66
Included observations: 66

34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66

133599.3
144310.3
147911.8
156091.1
163060.5
166343.9
176633.6
170950.1
178066.1
190939.7
203285.4
215934.7
225964.8
237640.6
258898.4
277319.9
294906.0
301507.7
314500.1
323125.0
348480.2
365236.9
375991.6
380176.4
377809.7
388075.8
404043.4
418429.8
443987.1
467175.2
485022.7
502742.3
519464.2

Variable

Coefficient

Std. Error

t-Statistic

Prob.

X1
X2
X3
X4
X5
Z1
C

1.191956
0.807186
1.210563
1.619926
0.978642
4.47E-05
-7874.746

6.94E-06
4.70E-06
7.05E-06
9.44E-06
5.70E-06
5.83E-06
0.045935

171664.8
171661.4
171662.9
171661.6
171669.8
7.680628
-171432.7

0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)

1.000000
1.000000
9.78E-06
5.64E-09
671.3659
2.24E+21
0.000000

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

184725.8
140676.4
-20.13230
-19.90006
-20.04053
0.129819

^Z1
P valor = 0. 00, es decir, 0% de probabilidad de cometer el error de tipo 1.
H0: Modelo lineal
H1: Modelo Log-lineal
= 0.05 Si t calculado > t (n/ 2), (n-k).
Se acepta H1 y se rechaza H0, El parmetro es significativo.
t (0.025), (59) = 2.000
7.680628 > 2.000, se acepta H1. Por tanto al nivel de significancia dado se
rechaza H0. Lo que significa que el modelo de Log-lineal es mejor que el
modelo lineal, aunque falta hacer la prueba con otra estimacin para
determinar si existe ambigedad a la hora de especificacin de los modelos.
PASO V
Obtengase la variable Z2 = (antilog deLnf Yf)
Dependent Variable: LNF
Method: Least Squares
Date: 02/11/12 Time: 00:30
Sample: 1 66
Included observations: 66
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
X1
X2
X3
X4
X5
Z2

10.60235
8.42E-06
-1.06E-05
-4.77E-06
-1.82E-05
3.53E-05
-38845785

0.224641
8.67E-06
7.09E-06
5.59E-06
1.72E-05
1.01E-05
1.50E+08

47.19677
0.970334
-1.498405
-0.853509
-1.062228
3.502307
-0.259073

0.0000
0.3358
0.1394
0.3968
0.2925
0.0009
0.7965

R-squared

0.932239

Mean dependent var

11.82652

Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)

0.925348
0.218488
2.816483
10.43753
135.2843
0.000000

S.D. dependent var

Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

0.799662
-0.104168
0.128068
-0.012400
0.124246

^Z2
P valor = 0. 7965, es decir, 79.65% de alta probabilidad de cometer error.
H0: Modelo Log-lineal
H1: Modelo lineal Modelo Log-lineal
= 0.05 Si t calculado > t (n/ 2), (n-k).
Se acepta H1 y se rechaza H0, El parmetro es significativo.
t (0.025), (23) = 2.000
-0.259073 < 2.000, rechazo H1 y se acepta H0.
Por lo anterior queda claro que el mejor modelo es Log-lineal, y por tal razn se
debe correr dicho modelo si quiere ser objeto de estudio.
COMPARACION DE LOS RESULTADOS ANTERIORES CON LOS
CRITERIOS AKAIKE Y SCHWARS
MODELO LINEAL
AK
SCH
-20.13230
-19.90006

MODELO LOG-LINEAL
AK
SCH
-0.104168
0.128068

Tabla 8

En ambos casos Akaike y Schwarz son buenos, pero sobresale y prevalece el

Modelo Log-lineal, puesto que son ms bajos en ese modelo los dos criterios.
Los resultados de Akaike y Schwarz respaldan que para el estudio de este
modelo en particular, es mejor trabajar con el modelo Log-Lineal.

HETEROCEDASTICIDAD

Considerar el siguiente modelo:

Pibi = 1 X 1 + 2X 2 + 3X 3 + 4X 4 + 5X 5 + i
X 1 = Sector Agropecuario
X 2 = Sector Minera
X 3 = Sector Manufactura
X 4 = Sector Construccin
X 5 = Sector Comunicaciones
1. MTODO GRFICO

24,000,000

20,000,000

20,000,000

16,000,000

16,000,000

U2

28,000,000

24,000,000

U2

28,000,000

12,000,000

12,000,000

8,000,000

8,000,000

4,000,000

4,000,000

0
0

200,000

400,000

600,000

40,000

80,000

YF

120,000

160,000

200,000

X1

28,000,000
28,000,000

24,000,000
24,000,000

20,000,000
20,000,000

16,000,000

U2

U2

16,000,000

12,000,000

12,000,000

8,000,000

8,000,000

4,000,000

4,000,000

0
0

10,000

20,000

30,000

40,000

40,000

80,000

X2

120,000

160,000

X3

28,000,000

24,000,000

24,000,000

20,000,000

20,000,000

16,000,000

16,000,000

U2

U2

28,000,000

12,000,000

12,000,000

8,000,000

8,000,000

4,000,000

4,000,000

10,000

20,000

30,000

X4

20,000

40,000

60,000

80,000

100,000

X5

Pueden existir problemas de heterocedasticidad, por lo tanto se grafican cada

una de las variables independientes para ver en cual se presenta mas
heterocedasticidad.
2. PRUEBAS
2.1 Prueba de Park: Como en todas las variables percibimos un grado de
heterocedasticidad procedemos a verificar con esta prueba.

FORMULACIN DE HIPTESIS
1. Prueba de Hiptesis:

H0: Homocedasticidad
H1: Heterocedasticidad.
2. Nivel de Significancia:
= 0.05
3. Definicin Estadstico de Trabajo:

4. Criterio de Decisin:
t calc t ( / 2) (n-k)
p < 0.05
5. Clculos
6. Toma de Decisin:

Acepto H1
Rechazo H0