TRABAJO FINAL DE ECONOMETRIA

Julin David Angarita Rodrguez

147003200

SEIDYS GARAY

ECONOMISTA

UNIVERSIDAD DE LOS LLANOS

FACULTAD DE CIENCIAS ECONMICAS

PROGRAMA DE ECONOMIA

2016

Anlisis de los factores determinantes del precio del activo vivienda

1. OBJETO Y MTODO DE ESTUDIO

En el presente trabajo se pretende analizar el comportamiento del mercado del activo-vivienda

desde la perspectiva de los factores que influyen ms directamente en la formacin de los precios
de dicho activo. La gran importancia que tiene la vivienda en la economa y sociedad colombiana
actual, no slo es debido a que es un elemento esencial para la integracin social de las personas
y para su propia definicin como individuos sino que adems el activo-vivienda, por lo general,
es la mayor inversin que realizan las familias colombianas a lo largo de su vida y como
referencia las familias y habitantes de Villavicencio. Este estudio se estructura en los siguientes
apartados. A continuacin se determinarn las variables que, a priori, una vez comentadas las
caractersticas particulares del mercado de la vivienda, tienen la capacidad de explicar el
comportamiento del variable ndice del precio del activo-vivienda. Posteriormente, por medio de
un anlisis regresivo de pasos sucesivos se determinar la importancia de cada una de estas
variables, as como el poder explicativo global del modelo que las contiene. El periodo maestral
de estudio son aos corridos desde el 2000 hasta el 2015.toda la informacin ser extrada del El
departamento administrativo nacional de estadstica DANE De esta forma, se podr determinar
cules son los factores o causas que modifican y explican las variaciones en el ndice de la
vivienda. Por ltimo, finalizamos este estudio indicando las conclusiones a las cuales llegamos.

ndice de precios de la vivienda nueva (IPVN): Es un indicador que permite conocer la

evolucin de los precios de venta de la vivienda nueva en proceso de construccin y/o
hasta la ltima unidad vendida. el IPVN es una investigacin estadstica que permite
medir la variacin porcentual promedio de los precios de la venta de la vivienda nueva en
proceso de construccin o hasta la ltima unidad vendida. El departamento administrativo
nacional de estadstica DANE, en cumplimiento de su misin institucional de
produccin y difundir informacin estratgica para la toma de decisiones en el
desarrollo econmico y social de un pas cuya finalidad es proporcionar informacin
trimestral sobre la evolucin, la produccin y el comportamiento de la actividad
edificadora, mediante la obtencin de variables tales como metro cuadrado iniciados,
grado de avance de obras precio entre otras.
ndice de precio al consumidor (IPC): El IPC es un indicador que mide la variacin de
precios de una canasta de bienes y servicios representativos del consumo de los hogares
del pas. Los resultados son analizados por grupos, subgrupos y clases de gastos, gastos
bsicos y niveles de ingreso. Mide el porcentaje en el que cambia a travs del tiempo el
costo de la canasta familiar, manteniendo la calidad y cantidad de bienes y servicios en
esta canasta, se utiliza como referente para calcular la inflacin. Se entiende por inflacin
 el incremento en el nivel general de precios, es decir la mayora de los precios de los
bienes y servicios disponible, en la economa crecen en forma simultnea. La inflacin
implica una perdida en el poder de compra del dinero y cada vez se podra comprar
menos con los ingresos, ya que en periodos de inflacin los precios de los bienes y
servicios crecen a una tasa superior a la de los salarios.

Pib per cpita a precios corrientes: Es un indicador comnmente usado para estimar la
riqueza econmica de un pas. Numerosas evidencias muestran que la renta per cpita
est positivamente correlacionada con la calidad de vida de los habitantes de un pas.
Esto es especialmente cierto cuando la renta no supera un cierto umbral; sin embargo,
para pases de mayor renta la correlacin entre calidad de vida y renta per cpita se va
perdiendo La renta per cpita, PIB/PBI per cpita o ingreso per cpita es un indicador
macroeconmico de productividad y desarrollo econmico, usado para entregar una
visin respecto al rendimiento de las condiciones econmicas y sociales de un pas, esto
en consideracin del crecimiento real y la fuerza laboral. Generalmente tambin se utiliza
como indicador de bienestar social.

PIB = consumo + inversin + gasto pblico + exportaciones importaciones En abreviaturas:

PIB = C + I + G + X M.

Participacin de la construccin: A travs de una metodologa general, los principales

resultados de las investigaciones que produce el DANE en lo relacionado con el sector
construccin. Se realiza una descripcin del PIB de construccin, los principales
resultados de la actividad edificadora desagregado por edificaciones.

ndices de los costos de la construccin de vivienda: Es un instrumento estadstico que

permite conocer el cambio porcentual promedio de los precios de los principales insumos
requeridos para la construccin de vivienda, en un periodo de tiempo. El ICCV muestra
el comportamiento de los costos de los principales insumos utilizados en la construccin
de vivienda y adems constituye un importante punto de referencia para la actualizacin
de presupuestos, contratos y dems aspectos relacionados con la evolucin de los precios
de este tipo de construccin; adicionalmente, se ha convertido en una herramienta
importante para entidades, y gremios relacionados y en la base de estudios econmicos
 emprendidos por la Cmara Colombiana de la Construccin (CAMACOL), que busca
analizar temas inherentes de la economa del pas, hacer proyecciones y precisar las
perspectivas de tan importante sector de la economa colombiana

crdito para la compra de vivienda: Permite conocer el volumen de recursos dirigidos a

la construccin y adquisicin de vivienda en el pas, a travs del anlisis de monto y
nmero de crditos desembolsados para compra de vivienda nueva y usada y del total de
operaciones de crditos: crditos a constructores, individuales y subrogaciones.

A continuacin se presentan los datos de los aos 2000 hasta el 2016 con respecto a los ndices
del precio de la vivienda nueva y la importancia de cada una de las variables explicativas para el
comportamiento de ese ndice, es decir cul es la que ms influye al establecer un precio cada
ao
Tabla 1: datos de variables

Fuente: DANE-DIRECCION DE SINTESIS DE PRECIOS Y COSTO, CUENTAS NACIONALES, CONTRUCCION.

Fuente: banco de la repblica.

La importancia de la vivienda en el departamento del meta y en especial en la ciudad de

Villavicencio es uno de los anlisis del cual ms se preocupan los mandatarios de cada eleccin;
por tal motivo realizar un estudio de los factores determinantes del precio activo vivienda es la
mejor manera de ayudar y contribuir al desarrollo de una planificacin de vivienda digna para los
ciudadanos, teniendo en cuenta toda la informacin suministrada por la direccin de estadsticas
el DANE se decidi utilizar las variables que ms significancia tenan para obtener el ndice de
precio de la vivienda (Y), pibper X1, parcontr X2, ipc X3, iccv X4, incredvivi X5 as
respectivamente se obtuvieron los valores de la taba anterior la cual ser el punto de partida para
desenvolver nuestro trabajo.

A nivel nacional, los sectores con mayor participacin son: el sector financiero, los servicios
sociales, el sector comercio, y la industria manufacturera. Pero, a nivel departamental, los
sectores con mayor participacin son la explotacin de minas y canteras seguidas de la
construccin la cual es la implicacin ms importante para realizar este estudio y el anlisis
explicativo en la regin y en especial en Villavicencio.

A continuacin se presentan las tablas referentes al modelo multivariable propuesto pero ya

establecido en la salida de STATA.

Tabla 2. Datos organizados en stata.

Descripcin de las variables

Fuente: salida de estata.

Este comando de STATA describe nos da una primera nocin de las variables que vamos a utilizar el
nmero de observaciones fecha, hora del momento en el cual se llev a cabo la salida tambin
observamos bajo qu tipo se almacenan los datos el formato en el cual est establecido cada
variable esto ms que todo es simplemente lenguaje de stata. Value label me indica si tengo
disfraces de texto para variables numricas y por ltimo el ms importante que es todo lo que hace
referencia a los rtulos de variable como tal, en esta columna podemos ver de qu se trata la
variable, y en qu medida est toda la informacin relevante para poder estudiar.1

A primera vista se observan Los nombres de las variables que estamos estudiando (ipvn Y,
pibper X1, parcontr X2, ipc X3, iccv X4, incredvivi X5, y adicionalmente tenemos a la vista los
residuos. Tenemos 16 observaciones, 7 variables las cuales se les realizo la descripcin, el
momento en el cual se llev a cabo la hora y fecha de la implementacin de este comando (28
noviembre 2016 17:54). El tipo de almacenamiento de este ejercicio es float (flotador) cada
variable posee un formato de %8.0 g excepto los residuos ya que maneja un formato de %9.0g.

Procesamiento de la informacin

1 Anlisis de la descripcin del comando y sus funciones.

Fuente: salida de stata.

El modelo lineal presenta cambios en el ndice de precios de la vivienda en respuesta a

externalidades, este modelo cuenta con 16 observaciones que representan el periodo de tiempo
comprendido entre los aos 2000 y 2015, donde la variable dependiente tiene un mnimo de
22.73 y un mximo de 109.6; y su media es de 54.98437; adicionalmente en esta salida se
describe la desviacin estndar de los valores de 29.89609 respecto al promedio.

En lo que respecta a las variables independientes:

Pibper: cuenta con un promedio de 3.001875 y posee un mnimo de .2 y un valor

mximo de 5.48, los valores presentan una desviacin estndar de 1.562094 con
respecto al promedio.
Parcontruc: en lo que corresponde a esta variable tenemos un promedio de 6.21875
y cuenta con un valor mnimo de 3.9 y un mximo de 9, donde su desviacin estndar
de los valores es de 1.73098 en relacin al promedio.
IPC: esta variable tiene un promedio de 5.37375 y tambin tiene un valor mnimo de
2.08 y un mximo de 8.1, y su desviacin estndar de los valores es de 2.116402 en
relacin al promedio.
Iccv: el valor promedio de esta variable es de 4.975 y el valor de la desviacin
estndar es de 3.037294 en relacin al promedio.
Incredvivi: para esta variable se realiz un proceso de cambio en sus valores con el
logaritmo y se obtuvo una media de 13.07547 y una desviacin estndar de los
valores de .889267. por ultimo tenemos un valor mnimo de 11.72108 y un mximo
de 14.25827.
Anlisis de la simetra y la curtosis
Fuente: salida stata.

Sum detail es el comando que sirve para tomar variable por variable hacer el estudio y ver
cmo se comportan cada una de sus observaciones respecto a los percentiles2

Como en la salida anterior, vemos que la media del IPVN es 54.98 y que la Desviacin estndar
es 29.896 Tambin vemos los diversos percentiles La mediana de IPVN (el percentil 50) 47.86
ndices porcentual. El percentil 25 es 29.025, y el percentil 75 es 77.97. Cuando realizamos el
resumen, aprendimos que el mnimo y el mximo eran 22.73 y 109.68, respectivamente. Ahora
vemos que los cuatro valores ms pequeos en nuestro conjunto de datos son 22.73, 23.41, 24.45
y 28.58. Por el contrario tenemos que los valores ms grandes son 86.35, 95.81, 100 y 109.68. La
asimetra de la distribucin es 0.54, y la curtosis es 1.8817. (Una distribucin normal tendra una
asimetra de 0 y una curtosis de 3) al ser mayor a 0 es positiva.

Skewness es una medida de la falta de simetra de una distribucin. Si la distribucin es

simtrica, El coeficiente de asimetra es 0. Si el coeficiente es negativo, la mediana suele ser
mayor entonces se dice que la media y la distribucin estn sesgadas a la izquierda. 3 Si el
coeficiente es positivo, la mediana es Generalmente menos que la media y la distribucin
entonces se dice que est sesgada a la derecha. Kurtosis (del griego Kyrtosis, que significa
curvatura) es una medida de la picosidad de una distribucin. Cuanto menor sea el coeficiente De
curtosis, ms plana es la distribucin. La distribucin normal tiene un coeficiente de curtosis de 1
y Proporciona un punto de referencia conveniente ya que una excelente curvatura seria de 3. Este
anlisis se puede interpretar repetitivamente para el resto de variables del modelo.

2 Significado del comando planteado en clase de econometra.

3 http://www.stata.com/manuals13/rsummarize.pdf explicacin de la asimetra y sesgadez e interpretacin.
Fuente: salida de stata Fuente: salida de stata

Fuente: salida stata.

En lo que se refiere al histograma de la variable dependiente la simetra que se

deduce es positiva para la variable dependiente y adems sus valores tienden a
agruparse en la parte izquierda del grfico, adems se puede observar que tiene
una curtosis normal ya que la media de la variable dependiente no supera el
punto ms alto de la campana es decir de la curva de gauss.
 regresin del modelo.
Se desea estimar el efecto del pib per cpita X1(%), participacin de la construccin dentro del
pib X2 (%), el IPC X3 (%), desembolso crditos para la compra de vivienda (millones de pesos)
X4 (%), ndice de costos de construccin de vivienda X5 (%), sobre el ndice de precios de la
vivienda nueva en Villavicencio observada Y (%).

Fuente: salida de estata.

Analizando los resultados obtenidos por el software se tiene una idea a priori de lo que ser el
modelo lineal mltiple que ayudara a predecir el ndice de construccin de vivienda nueva a
partir del cambio de alguna variable, de acuerdo a la ecuacin:

Y = 1+ 2 X 2 + 3 X 3+ 4 X 4 + 5 X 5 + 6 X 6 (1)

El modelo quedara de la siguiente forma: Ecuacin de la regresin:

IPVN =471.81262.7854 X 26.2612 X 3 +1.1820 X 4 +0.4385 X 5 +43.2535 X 6 (2)

En la ecuacin 2, ndice de precio de vivienda nueva es la variable dependiente, 1 =

-471.8126 es el trmino del intercepto y su interpretacin clsica es el valor promedio de Y
cuando Xi sean iguales a cero. 1, 2, 3, 4, 5, 6 Se denominan coeficientes de regresin
parcial (gujarati, 1997).

Por un aumento en una unidad porcentual del PIBPER el IPVN se ve afectado

negativamente en 2.7854 % respecto a x, lo que indica un incremento de los costos para
el sector de la construccin, manteniendo constantes todos los dems coeficientes.
 El ndice de costos de construccin refleja una relacin positiva con el ndice de precios
de vivienda nueva, esto se explica por qu a mayor costos de los insumos requeridos por
las constructoras tales como mano obra, materiales, maquinaria y equipo los precios de la
vivienda aumenta.

Por ejemplo 2 = - 2,7824 significa que al mantener constante las dems variables4, la
participacin de IPVN en promedio se reduce 2,7824 puntos porcentuales por cada unidad de
incremento dela variable X1= PIBper; y del mismo modo ocurre con las dems variables. As
mismo 4=1.1820 X 4 significa que al mantener constante las dems variables, el ipvn en
promedio aumentara en 1,18 puntos porcentuales por cada unidad de incremento de la variable
X4= IPC. Del mismo modo se interpreta cualquier Bi.

Ahora, se analizara la significativa individual de las variables que nos permitir verificar si cada
variable aporta informacin significativa al anlisis. Bajo el esquema de prueba de hiptesis se
podr definir si la variable aporta informacin significativa.

H 0 : B J =0 Rechazo H0 significa que la variable no aporta informacin

H 1 : BJ 0 significativa en el anlisis de regresin realizado.

De acuerdo a los datos odtenidos en la salida de los coeficientes de stata, especificamente en las
dos columnas referentes a valor de T y el VALOR DE SIGNIFICACIA se podra definir
realmente que variable aportan informacion significativa al modelo.

H 0 : B J =0 Interpretacin del p valor (en una prueba de hiptesis a un nivel de

significancia = 0,05) si p valor < entonces se rechaza la
H 1 : BJ 0
hiptesis nula.

4 X2, x3, x4, x5, tiene un valor contante de 0.

 A un nivel de significancia del 5% se obtiene:

Solo dos variables aportan informacin significativa al

modelo; debido a que los p- valor (0,020 ; 0.000) de las
variables PARTconstr y los credivivi respectivamente son
menores a 0,005 ( p valor > ) entonces se continua
Coeficiente de determinacin mltiple
por no rechazar la hiptesis nula.
SSR
R2 =
SST

Utilizando los datos del ejemplo:

879 .202653
R2 = =0, 934413660993. 4
13406 .644
R2: Esto significa que aproximadamente el 93,4% de la variacin en el promedio del ipvn se
atribuye a la variacin de las variables independientes y solamente el 6,6 % de la variacin de la
variable dependiente no se atribuye a eso.

Suma de cuadrados
La suma total de cuadrados SST, se descompone en dos componentes: suma de cuadrados para la
regresin, y suma de cuadrados del error.
SST = SSR + SSE
La suma de cuadrados para la regresin es aquella parte de la suma total de cuadrados que se
atribuye a las variables independientes. Mientras que la suma de cuadrados del error es aquella
porcin de la suma de cuadrados total y que no se debe a las variables independientes, por ello se
llama suma de cuadrados del error.5

Modelo R R R cuadrado Error estndar e la estimacin

cuadrado ajustado
1 0,9703 0,9344 0,9016 12527.3513
Resumen del modelo

5 http://www.ugr.es/~bioestad/_private/cpfund5.pdf interpretacin de la suma de cuadrados.

A partir de la informacin recopilada en el anterior cuadro se puede observar que el R= 0.9703
indica que existe una relacin casi perfecta entre las variables del modelo; y el valor
2
R =0 , 9344 indica que las variables explicativas, en conjunto son la causa de cerca del
93,44 % de la variacin en la participacin del ipvn.

Por otro lado se observa el valor del r ajustado el cual nos indica si realmente el modelo es viable
o no entre ms cercano este de 1 la importancia del modelo igualmente ser mayor.

As mismo es necesario realizar el contraste de regresin a partir de la tabla anova arrojada por
stata. Que servir para verificar que de forma conjunta las variables explicativas aportan
informacin a la variable respuesta6
modelo Sma de Grdos de libertad Media cuadrtica F Sig
cuadrados
Regresin 12527,3513 5 2505,47 28,49 0,000
Residuo 879,2926 10 87,92
total 13406,644 15 893,77
Bajo la prueba de hiptesis se podr verificar si las variables explicativas aportan informacin en
la explicacin de la variable respuesta asi:

Bo:B1=B2= = BK=0 Aceptar Ho significativa que las variables explicativas no estn

relacionadas linealmente con Y
B1: algn Bj 0

Ahora para analizar la tabla anova hay que dirigirse a la columna sig, se observa que el valor es
0,000 a un nivel de significancia del 5% se rechaza Ho (las variables explicativas influyen de
forma conjunta y lineal sobre Y)

SUPUESTOS DE MODELO DE REGRESION LINEAL

Anlisis de los residuos: el objetivo ser verificar que no se violan las hiptesis sobre las que se
estima el modelo y se realiza la inferencia. Los supuestos a analizar son los siguientes:
Normalidad de los residuos, no auto-correlacin, homocedasticidad, falta de linealidad y no
multicolinealidad.

6 ( miranda) p.18
 1.1 Linealidad
A partir de los grficos de dispersin se tendr una imagen precisa de que variables
cumplen con el supuesto de linealidad. Si no tienen linealidad se dice que un error de
especificacin 7 (Pardo & Ruiz 2005).
120

120
100

100
80

80
ipvn

ipvn
60

60
40

40
20

20
0 2 4 6 4 5 6 7 8 9
pibper parconstr
ipvn Fitted values ipvn Fitted values
120

120
100

100
ipvn

ipvn
80
80

60
60

40
40

20
20

0 5 10
2 4 6 8 iccv
ipc
ipvn Fitted values
ipvn Fitted values

Como se puede apreciar, en el grfico de

dispersin de las variables, pib per cpita X1 y la participacin de la construccin X2
presentan muy poco linealidad, dejando en evidencia la presencia de datos atpicos, al
igual que el ipc X3 Y el iccv X4 presenta datos muy dispersos pero con una mejor linealidad
pero negativa como se observa en las grficas, las dems variables presentan una relacin lineal
casi perfecta.

1.2 Normalidad

7 Estricta mente hablando un error de especificacin es el incumplimiento de cualquiera de los supuestos bsicos
del modelo lineal general, podemos comentar dos tipos de errores especificacin: omisin de variables relevantes
(infra especificacin) e inclusin de variables irrelevantes (sobre especificaciones).
Para demostrar este supuesto se utiliza la prueba de significancia shapiro wilk proporcionada
por el programa stata; debido a que el mtodo de los grafico solo orienta sobre la procedencia o
no de la muestra de una poblacin normal, por eso es mejor trabajar con una prueba estadstica
que certifique o no la normalidad de las variables ( miranda).

Bajo el esquema de la prueba de hiptesis se comprobara si realmente las variables estarn

distribuidas con normalidad (cruz).

El objetivo del test de shapiro-wilk nos permite saber si los residuos son normales o no, la prueba de
shapiro est organizado de la siguiente manera: W: nos da los valores de la prueba de shapiro, V: es
el valor de prueba normal ah nos dice si debemos o no rechazar la hiptesis nula para la
normalidad, Z: problemas de normalidad. Si p> le creo al test.

Ho= el conjunto de datos no sigue una distribucin de normalidad

H= el conjunto de datos sigue una distribucin de normalidad

En el diagrama anterior la columna que interesa es la marcada con prob>z=0.92482 donde se

presenta el p-valor.
Como se puede observar el valor prob>z=0.92482, se rechaza la hiptesis nula/ Ho: el conjunto de
datos no sigue una distribucin de normalidad. Y es estadsticamente significativo.
De igual manera se presentan los grficos correspondientes a este anlisis: el histograma de los
residuos y el grafico Q-Q plot de normalidad8

histogram residuos, normal grafico Q-Q normal de residuos
estandarizados
(Bin=4, start=-11.682756, width=6.7996385)

15
.05

10
.04

5
.03

Residuals
Density

0
.02

-5
.01

-10
0

-10 -5 0 5 10 15 -10 -5 0 5 10
Residuals Inverse Normal

1.3 homocedasticidad
El supuesto de homocedasticidad implica que la variacin de los residuos sea uniforme en todo
el rango de valores de los pronsticos. Para comprobar este supuesto se realiz el diagrama de
dispersin de los residuos tipificados, dejando entre dicho el siguiente resultado:

8 Se observa que aunque existe una tendencia, hay algunos valores atpicos lo ideal sera que todos estn sobre la
lnea.
 120
100
80
60
40
20

-10 -5 0 5 10 15
Residuals

ipvn Fitted values

Hace referencia a las posibles desviaciones de los datos desde el modelo lineal que se esta
(miranda) Para demostrar este supuesto se calcularon los diagramas de dispersin parcial
mediante STATA. Los cuales permiten una idea rpida sobre la forma que adapta una relacin
() en el contexto del anlisis de regresin, permiten examinar la relacin existente entre la
variable dependiente y cada una de las variables independientes por separado, tras eliminar de
ellas el efecto del resto de las variables independientes incluidas en el anlisis ( pardo y Ruiz,
2005).

Estos diagramas estn basados en los residuos obtenidos al efectuar un anlisis de regresin con
el resto de variables independientes. A continuacin se presentan los diagramas de dispersin
parcial para cada una de las variables independientes.

1.4. multicolinealidad
Fuente: salida de stata.

El valor medio del vif es de 3,35 lo que indica que tiene una multicolinealidad moderara, ya que
la regla dice que si el valor de la media se encuentra entre 2 y 10 indica una multicolinealidad
moderada. Se dice que le modelo tiene multicolinealidad cuando existe correlacin entre 3 o mas
variables independientes, esto reduce al poder predictivo del modelo. Si la correlacin fuese de
dos variables independientes se habla de linealidad (Bello, 2012).

Lo ideal es tener alta correlacin entre las variables independientes con la variable respuesta,
pero que esta situacin no entre las variables independientes9

Para identificar si existe multicolinealidad en el modelo propuesto se trabajara con la matriz de

correlacin propuesta por el STATA.

Fuente: salida de stata.

A partir de la informacin proporcionada por la matriz de correlaciones, se puede apreciar la

correlacin individual entre cada variable independiente y la variable respuesta, as, se observa

9 Se extraen trminos y teoras de la correlacin http://www.ugr.es/~montero/matematicas/stata.pdf

por ejemplo que el ipc tiene una correlacin negativa media de -0.6227 respecto al ipvn 10 y del
mismo modo se observa los valores de correlacin entre las dems variables.

Anexo graficas de dispersin con el nivel de confianza.

Grfico de dispersin del ipvn y el pibperca grfico de dispersin del ipvn y el parcontruc

120
120

100
100

80
80

60
60

40
40

20
20

4 5 6 7 8 9
0 2 4 6 parconstr
pibper

ipvn 95% CI ipvn 95% CI

Fitted values Fitted values

Grfico de dispersin del ipvn y el ipc grfico de dispersin del ipvn y el iccv
150
100

100
50

50
0
0

2 4 6 8 0 5 10
ipc iccv

ipvn 95% CI ipvn 95% CI

Fitted values Fitted values

Grafica de dispersin de del ipvn y el credivivi

100
50
0

11 12 13 14
lncredvivi

ipvn 95% CI
Fitted values

A un nivel de confianza del 95 % en las grficas anteriores se observan los puntos

dispersos y la lnea que cruza sobre el plano cartesiano, tambin cada una de las grficas

10 ndice de precios de la vivienda nueva

 de la variable dependiente con respecto a la independiente y los puntos que estn sobre
ese nivel de significancia del 5 %. Aunque los puntos estn muy dispersos.

CONCLUCIONES

Actualmente el sector de la construccin se encuentra en una fase de expansin inducida por la

rpida recuperacin de la economa, adicionalmente el estmulo monetario plasmado en las tasas
de inters que alcanzan a niveles histricamente bajos, lo vual ha contribuido a un mayor
dinamismo de la actividad edificadora

El efecto de esos estmulos monetarios ya se ha sentido en incrementos en los precios de las

viviendas de los ltimos aos lo cual ha despertado la preocupacin por la existencia de una
sobrevaloracin en los precios de los inmuebles. El banco de la repblica ha concluido que pese
que los incrementos han sido mayores en los precios de las viviendas usadas aduce que es
necesario se ejerza mayor control tambin sobre los precios de las edificaciones nuevas para
evitar fuertes sobrevalorizaciones.

Bibliografa

Bello, L. D. (6 de noviembre de 2012). Multicolinealidad. Obtenido de youtube:

https://www.youtube.com/watch?v=tP18S11inel
 Cruz, A. V. (s.f). prueba de Shapiro-Wilk para normalidad. Obtenido de Scrib:
https://es.scribd.com/doc/152758791/prueba-de-shapiro-wilk-Para-Probar-
Normalidad

Escuela Superior de informtica. (s.f). supuestos del modelo de regresin lineal.

Obtenido de
https://www.uclm.es/profesorado/raulmmartin/Estadistica/PracticaSPSS/Supnuest
os_del_modelo_de_regresion_lineal.pdf

Guajarati, D. N. (1997). Econometria. Bogota: McGraw-Hill Internamericana,

S.A.

Miranda, D. M. (s.f.). El anlisis de la regresin a travs de SPSS. Obtenido de la universidad de

Granada: https://ugr.es// curspss/archivos/Regresion/TeoriaRegresionSPSS.pdf

Moreno, A.A. (s.f.). Seleccin de variales, mtodos stepwise. Obtenido de trabajos resueltos.
Oracle, estadstica y mas: https://es.scribd.com/doc/95258979/Seleccion -de-variables-Metodos-
Stepwise

Pardo, A., & Ruiz, M. . (2005). Analisis de regresin lineal el procedimiento de regresin
lineal. En A. Pardo, & M. . Ruiz, Analisis de datos con SPSS 13 base (pags. 337-377). Madrid:
McGraw-Hill.