ECONOMETRA I

MORTALIDAD INFANTIL

Profesor: Prez Suarez, Victor

Alumno: Min Zaragoza, Patricia Cdigo: 15120377 Aula: 217-M

INFORME GERENCIAL

Utilizando los datos de la tabla Table 6.4 extrada de las tablas de Gujarat, que muestra las variables:

CM = Mortalidad Infantil (nmero de defunciones de nios menores de 5 aos por cada 1000 nacidos vivos)

FLR = Tasa de Alfabetizacin Femenina (porcentaje)

PGNP = PNB per cpita

TFR = Tasa de Fertilidad Total;

podemos estimar la Mortalidad Infantil en funcin de las otras variables:

= 1 + 2 + 3 + 4 .

Luego de calcular los coeficientes de cada variable, obtenemos la siguiente ecuacin:

= 168.3067 1.768029 0.005511 + 12.86864.

De la funcin anterior y los resultados obtenidos en el programa EViews9, podemos concluir:

1. A. La relacin entre la tasa de alfabetizacin femenina y la mortalidad infantil es inversa. Es decir, s se

incrementa la tasa de alfabetizacin femenina se disminuir la mortalidad infantil.
B. La relacin entre el PNB per cpita y la mortalidad infantil es inversa. Es decir, s se incrementa el PNB per
cpita se disminuir la mortalidad infantil.
C. La relacin entre la tasa de fertilidad total y la mortalidad infantil es directa. Es decir, s se incrementa la tasa
de alfabetizacin femenina se disminuir la mortalidad infantil.

2. A. S la tasa de alfabetizacin femenina incrementa en un punto porcentual, entonces la mortalidad infantil se

disminuir en 1.768029 el nmero de defunciones de nios menores de 5 aos por cada 1000 nacidos vivos.
B. S el PNB per cpita incrementa en una unidad monetaria, entonces la mortalidad infantil se disminuir en
0.005511 el nmero de defunciones de nios menores de 5 aos por cada 1000 nacidos vivos.
C. S la tasa de fertilidad total incrementa en un punto porcentual, entonces la mortalidad infantil se
incrementar en 12.86864 el nmero de defunciones de nios menores de 5 aos por cada 1000 nacidos vivos.

3. La variable autnoma, la FLR, el PGNP y la TFR son significativas.

4. El modelo es relevante aceptando todas las variables.

5. La mortalidad infantil depende de la tasa de alfabetizacin femenina, el PNB per cpita y la tasa de fertilidad
total; las cuales explican el comportamiento de la mortalidad infantil en un 73.47%.
INFORME TCNICO

Trabajando con la tabla Table 6.4 en el programa EViews9, mediante la funcin Estimate Equation, obtenemos los
siguientes resultados:

Dependent Variable: CM
Method: Least Squares
Date: 09/04/17 Time: 16:01
Sample: 1 64
Included observations: 64

Variable Coefficient Std. Error t-Statistic Prob.

C 168.3067 32.89165 5.117003 0.0000

FLR -1.768029 0.248017 -7.128663 0.0000
PGNP -0.005511 0.001878 -2.934275 0.0047
TFR 12.86864 4.190533 3.070883 0.0032

R-squared 0.747372 Mean dependent var 141.5000

Adjusted R-squared 0.734740 S.D. dependent var 75.97807
S.E. of regression 39.13127 Akaike info criterion 10.23218
Sum squared resid 91875.38 Schwarz criterion 10.36711
Log likelihood -323.4298 Hannan-Quinn criter. 10.28534
F-statistic 59.16767 Durbin-Watson stat 2.170318
Prob(F-statistic) 0.000000

Primero evaluaremos los signos de los coeficientes y la relacin entre cada variable independiente con la variable
dependiente:

FLR:

320

280

240 2 = = 1.768029

200
La relacin entre la FLR y la CM es
CM

160 inversa.
120

80

40

0
0 20 40 60 80 100

FLR
 PGNP:

320

280

240
2 = = 0.005511

200
La relacin entre la PGNP y la CM es
CM

160 inversa.
120

80

40

0
0 4,000 8,000 12,000 16,000 20,000

PGNP

TFR:

320

280

240 4 = = 12.86864

200
La relacin entre la TFR y la CM es
CM

160 directa.
120

80

40

0
1 2 3 4 5 6 7 8 9

TFR

Luego, mediante inferencia estadstica, evaluamos cada coeficiente para determinar las variables que son
significativas en nuestro modelo:
 Beta 1 ( ):

1 = 168.3067

1 = 32.89165 1 = 5.117003 1 = 0.0000

= [2, 2] a 95% de confianza.

0
= = [65.783, 65.783]

Valores
Absolutos

Valores
Relativos

INFERENCIA ESTADSTICA

INTERVALO DE CONFIANZA PRUEBA DE HIPTESIS

1 est dentro del IC

0 : 1 = 0 Cuando 0 : 1 = 0 Si la 1 0.05

1 est fuera del IC

1 : 1 0 Cuando 1 : 1 0 Si la 1 < 0.05

.
 Beta 2 ( ):

2 = 1.768029

2 = 0.248017 2 = 7.128663 2 = 0.0000

= [2, 2] a 95% de confianza.

0
= = [0.496, 0.496]

Valores
Absolutos

Valores
Relativos

INFERENCIA ESTADSTICA

INTERVALO DE CONFIANZA PRUEBA DE HIPTESIS

2 est dentro del IC

0 : 2 = 0 Cuando 0 : 2 = 0 Si la 2 0.05

2 est fuera del IC

1 : 2 0 Cuando 1 : 2 0 Si la 2 < 0.05

.
 Beta 3 ( ):

3 = 0.005511

3 = 0.001878 3 = 2.934275 3 = 0.0047

= [2, 2] a 95% de confianza.

0
= = [0.003756, 0.003756]

Valores
Absolutos

Valores
Relativos

INFERENCIA ESTADSTICA

INTERVALO DE CONFIANZA PRUEBA DE HIPTESIS

3 est dentro del IC

0 : 3 = 0 Cuando 0 : 3 = 0 Si la 3 0.05

3 est fuera del IC

1 : 3 0 Cuando 1 : 3 0 Si la 3 < 0.05

.
 Beta 4 ( ):

4 = 12.86864

4 = 4.190533 4 = 3.070883 4 = 0.0032

= [2, 2] a 95% de confianza.

0
= = [8.381, 8.381]

Valores
Absolutos

Valores
Relativos

INFERENCIA ESTADSTICA

INTERVALO DE CONFIANZA PRUEBA DE HIPTESIS

4 est dentro del IC

0 : 4 = 0 Cuando 0 : 4 = 0 Si la 4 0.05

4 est fuera del IC

1 : 4 0 Cuando 1 : 4 0 Si la 4 < 0.05

.
Con el F-estadstico podemos determinar si el modelo es relevante o no lo es:

= 59.16767

0 1

PRUEBA DE HIPTESIS

0 : 1 = 2 = 3 = 4 El modelo no es relevante.

1 : 1 2 3 4 El modelo es relevante. .

Por ltimo, mediante el valor del 2 y del 2, podemos hallar el porcentaje de explicacin del comportamiento de
CM (variable dependiente):

100

75
2 = 0.747372
50
2 = 0.734740
Quantiles of Normal

25

0
,
-25
-50 73.47%.
-75

-100
-120 -80 -40 0 40 80 120

Quantiles of RESID
Luego, procedemos a comprobar si cumple con los supuestos del modelo clsico de regresin lineal:

1. El promedio de residuos es cero. () =

Utilizando el siguiente programa en EViews9:

Podemos hallar el promedio de los residuos:

2. No hay autocorrelacin. ( ) =

Continuando con el programa anterior, agregamos:

Que nos muestra una matriz de 64x64. De la cual tomamos los valores de la matriz triangular inferior y los
transformamos en una serie que podemos evaluar mediante Histograms and Stats:
600
Series: X
Sample 1 2016
500 Observations 2016

400 Mean -22.78655

Median -25.48816
Maximum 8360.441
300 Minimum -9690.696
Std. Dev. 1408.958
200
Skewness -0.194919
Kurtosis 10.60094

100 Jarque-Bera 4865.812

Probability 0.000000
0
-10000 -8000 -6000 -4000 -2000 0 2000 4000 6000 8000

Dichos valores tienen una distribucin normal que podemos estandarizar a un ~(0,1) a un 95% de
confianza. Donde = 1.96 y 1 = 1.96.
2 2

= = 22.78655 1.96 1408.958 = 2784.344

2

= + 1 = 22.78655 + 1.96 1408.958 = 2738.771

2

De los datos estadsticos podemos observar que el mximo valor (8360.441) y el mnimo valor (-9690.696) se
encuentran fuera de los lmites.

.
 Pero, segn la ubicacin del valor de Durbin-Watson obtenido previamente (2.170318):

El valor de Durbin-Watson se encuentra dentro del intervalo [dU, 4-dU].

3. Homocedasticidad. ( ) =

Tomando los valores de la diagonal, tenemos:

36
Series: VAR
32 Sample 1 64
Observations 64
28

24 Mean 1435.553
Median 296.7543
20 Maximum 9745.427
Minimum 6.673814
16 Std. Dev. 2207.118
Skewness 2.213387
12
Kurtosis 7.763070
8
Jarque-Bera 112.7551
4 Probability 0.000000
0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000

Donde:

= 2 = 1435.553 1.96 2207.118 = 2890.398

= + 12 = 1435.553 + 1.96 2207.118 = 5761.504

El mnimo valor esta dentro del lmite pero el mximo valor se encuentra afuera.

Pero, si utilizamos los clculos de EViews, tenemos:

Heteroskedasticity Test: White

F-statistic 0.766940 Prob. F(9,54) 0.6469

Obs*R-squared 7.253524 Prob. Chi-Square(9) 0.6107
Scaled explained SS 7.417115 Prob. Chi-Square(9) 0.5938

Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 09/11/17 Time: 15:00
Sample: 1 64
Included observations: 64

Variable Coefficient Std. Error t-Statistic Prob.

C 2985.931 10258.47 0.291070 0.7721

FLR^2 0.130515 0.982800 0.132799 0.8948
FLR*PGNP -0.012167 0.023971 -0.507548 0.6138
FLR*TFR 8.478445 18.38229 0.461229 0.6465
FLR -60.00400 179.8953 -0.333550 0.7400
PGNP^2 -4.81E-06 2.05E-05 -0.234162 0.8157
PGNP*TFR -0.126704 0.204721 -0.618914 0.5386
PGNP 1.456256 2.577660 0.564953 0.5744
TFR^2 41.13147 155.8937 0.263843 0.7929
TFR -446.0711 2394.793 -0.186267 0.8529

R-squared 0.113336 Mean dependent var 1435.553

Adjusted R-squared -0.034441 S.D. dependent var 2207.118
S.E. of regression 2244.804 Akaike info criterion 18.41323
Sum squared resid 2.72E+08 Schwarz criterion 18.75055
Log likelihood -579.2232 Hannan-Quinn criter. 18.54611
F-statistic 0.766940 Durbin-Watson stat 1.891420
Prob(F-statistic) 0.646936
 Observamos que el valor del F-estadstico se encuentra dentro del 95% de confianza.

4. No multicolinealidad. () =

Por el numero de variables, sabemos que = 4. Continuando con el programa anterior:

Obtenemos el rango:

Que demuestra que () = .

.
5. Normalidad de los residuos. ~(, ).

Evaluando estadsticamente los residuos obtenemos:

14
Series: RESID
12 Sample 1 64
Observations 64
10
Mean 3.73e-15
Median 3.320166
8 Maximum 98.71893
Minimum -98.16451
6 Std. Dev. 38.18821
Skewness 0.145068
4 Kurtosis 3.326877

Jarque-Bera 0.509408
2
Probability 0.775146
0
-100 -80 -60 -40 -20 0 20 40 60 80 100

Observamos que el valor del Jarque-Bera se encuentra dentro del 95% de confianza.

. ~(, )

6. Estabilidad. = .

Los datos no son series de tiempo.