Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
SWAN
Los datos con que se trabajo son descargados de la fuente de del INEI
PBI PEA FBK
1990 2607004 205753 34280
1991 2230566 227919 268698
1992 4448783 211038 307452
1993 4574952 227198 32722
1994 4732866 253875 33234
1995 5118678 275141 40335
1996 5409216 223464 39189
1997 5938875 284763 45167
1998 6523105 329816 44635
1999 6972970 331593 39700
2000 7134276 343842 37654
2001 7533918 362612 34602
2002 8099733 331203 34772
2003 10832088 454879 36725
2004 11352718 454978 39430
2005 12336720 454198 43816
2006 12348596 458369 52084
2007 12557245 469854 63892
2008 13580502 478282 81666
2009 13998851 421986 78886
2010 15106528 508518 96141
2011 16366999 601941 105687
2012 17066135 650236 121423
2013 17746782 676864 127954
2014 18766118 753563 125381
2015 18818529 823523 116408
2016 18884847 872411 111231
Se tiene la función de producción y para poder lineal izarlo se aplica logaritmo natural a
los datos.
Para demostrar que el primero es el mejor modelo nos fijamos por cada modelo o
variable por separado los modelos corridos son:
R-squared
R-squared 0.887813
0.887813 Mean
Mean dependent
dependent var var 15.99956
15.99956
Adjusted
Adjusted R-squared
R-squared 0.883326
0.883326 S.D.
S.D. dependent
dependent var var 0.612449
0.612449
S.E.
S.E. of
of regression
regression 0.209198
0.209198 Akaike
Akaike info
info criterion
criterion 1.219887
-0.219887
Sum
Sum squared
squared resid
resid 1.094091
1.094091 Schwarz
Schwarz criterion
criterion 4.123900
-0.123900
Log
Log likelihood
likelihood 4.968481
4.968481 Hannan-Quinn
Hannan-Quinn criter.
criter. 1.191345
-0.191345
F-statistic
F-statistic 197.8431
197.8431 Durbin-Watson
Durbin-Watson statstat 1.009655
1.009655
Prob(F-statistic)
Prob(F-statistic) 0.741230
0.000000
Este modelo tiene una al varianza por lo tanto no se le toma también si nos fijamos la
probabilidad 0.27es mayor que 0.05 pr lo tanto la variable no es significativa.
Luego del análisis de los tres modelos se demostró que el primer modelo corrido es
modelo que tiene una varianza menor por lo tanto se toma como el modelo de predicción
también si nos fijamos la probabilidad de la pendiente es 0.00012 de parámetro capital su
probabilidad es de 0.0000 y por ultimo de parámetro trabajo su probabilidad es de 0.0000
estos valores son menores que 0.05 por lo tanto la variable las variables son significativas
en el modelo.
Ahora para ver las variables independientes son significativos globalmente nos fijamos
Prob(F-statistic) en el primer modelo este valor 0.0000 este es menor que 0.05 entonces
en este modelo las variables son significativas globalmente, mientras que el segundo y
tercer modelo estos valores de Prob(F-statistic) 0.274467y 0.74123 y estos valores son
mayores que 0.05 por lo tanto la variables no son significativas globalmente . Una vez
más se demostró que el primer modelo es el modelo de predicción.
Para continuar analizando el modelo no fijamos en el 𝑅2 de los modelos corridos que es
un indicador de la bondad del ajuste del modelo el primer modelo este valor es 0.946966
2
y este 𝑅 Elevado, nos explica la variabilidad de la variable endógena lo que significa que
tiene un grado de relación entre la producción y las variables explicativas que capital y
trabajo en un 94.6 9 % . R2 ajustado: Se obtiene a partir 𝑅2 , y se pondera por los grados
de libertad. 0.918380 𝑅2 Ajustado elevado. Permite comparar la capacidad explicativa de
modelos para una misma variable dependiente con diferente número de variables
explicativas, por lo tanto el 𝑅2 Ajustado nos muestra también un grado de relación
entre las variables explicada y exógenas una relación de 91.83%. Y en conclusión según
los datos de la bondad de ajuste el capital y el trabajo explican a la producción en un
91.83 % por lo tanto el primer modelo es eun modelo de regresión linealmente
insesgados.
Prueba de significancia
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 12/12/17 Time: 18:10
Sample: 1990 2016
Included observations: 27
Presample missing value lagged residuals set to zero.
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 12/12/17 Time: 18:11
Sample: 1990 2016
Included observations: 27
Presample missing value lagged residuals set to zero.
Al incluir la variable dependiente rezagada a dos periodos entre las variables explicativas
tiene el signo esperado y ya son significativas al 5% porque la probabilidad de las variables
rezagadas es mayor que 0.005. En este caso cuando nos percatamos de algo importante
que es tomar en cuenta el R2 y la relación entre las variables es 16.56con este valor se
pierden grados de libertad. En conclusión el test nos indica todas las variables rezagadas
no son significativas con un 5% de confianza por lo tanto no existe autocorrelacion de
segundo orden.
PRUEBA HETEROCESDACIDAD
Se plantea la hipótesis a evaluar:
𝐻0 : 𝛽𝑖 =0 es homocedastico)
𝐻1 : 𝛽𝑖 ≠0 (no es homocedastico)
Test de White
Una vez corrida la regresión es posible realizar este test. Para ello debe presionarse
view / Residual tests / white heteroskedasticity (ya sea no cross terms o cross
terms según se considere conveniente o no que el test se realice con términos cruzados
o no).
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 12/12/17 Time: 18:13
Sample: 1990 2016
Included observations: 27
𝑌𝑇 = 𝐴𝐾 ∝ 𝐿1−∝
𝑌𝑇 𝐾 ∝ 𝐿1−∝
= 𝐴
𝐿 𝐿 𝐿
𝐾∝
𝑦𝑇 = 𝐴
𝐿𝛼
𝐾 𝛼
𝑦𝑇 = 𝐴 ( )
𝐿
𝑦𝑇 = 𝐴𝑘 ∝
y k sAk 1 ( n)
k
Variación del stock del capital es constante y nula. y k 0
k
Por lo que:
𝑦𝑇 = 𝑠𝐴𝑘 ∝ − (𝛿 + 𝑛)𝑘
0 = 𝑠𝐴𝑘 ∝ − (𝛿 + 𝑛)𝑘
(𝛿 + 𝑛)𝑘 = 𝑠𝐴𝑘 ∝
𝑘 𝑠𝐴
∝
=
𝑘 𝛿+𝑛
𝑠𝐴
𝑘1−∝ =
𝛿+𝑛
1
𝑠𝐴 1−∝
𝑘 =( )
𝛿+𝑛
Datos:
=0.095290
𝝳=0.08
s=0.09
n= 0.28
Reemplazando los datos y hallando el capital estacionario:
1
𝑠𝐴 1−∝
𝑘 =( )
𝛿+𝑛
1
0.09 1−0.095290
𝑘 =( )
0.08 + 0.28
𝑘 = 96.24
CONCLUSIONES: