Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Datos Predicción
Selección Estimación
del modelo del modelo
Modelo econométri Análisis de
teórico co resultados
Area 1
Area 2
Pág. 1
POR PEDRO PABLO CHAMBI CONDORI
de forma manual todos los comandos habilitados en Eviews , de forma tal que un
usuario avanzado podrá ejecutar las opciones que desee sin necesidad de ir
seleccionando secuencialmente las opciones ofrecidas en las diferentes ventanas
de acceso.
2. ACCESO A FICHEROS DE TRABAJO
Antes de cualquier acción, primeramente creamos una CARPETA DE
TRABAJO.
FILE / NEW /WORKFILE
Figura No. 1.2: Creando carpeta de trabajo, utilizando los datos del ejemplo 1.
Al hacer click en Workfile, aparecerá la pantalla que se observa en la figura
siguiente:
Pág. 2
POR PEDRO PABLO CHAMBI CONDORI
Caso ejemplo 1:
Tabla 1: Los datos de las variables consumo y precio.
Pág. 3
POR PEDRO PABLO CHAMBI CONDORI
CONSUMO PRECIO
4 24
7 20
8 17
13 17
16 10
15 15
19 12
20 9
22 5
Con los datos arriba expuesto, encontrar:
1. El modelo que describe el consumo
Y= 28.179 + (-1.005)(X) + E
ANOVAa
Modelo Suma de Gl Media F Sig.
cuadrados cuadrática
Regresión 282,673 1 282,673 60,175 ,000b
1 Residual 32,88254 7 4,698
Total 315,556 8
a. Variable dependiente: CONSUMO
b. Variables predictoras: (Constante), PRECIO
Pág. 4
POR PEDRO PABLO CHAMBI CONDORI
3. Intervalos de confianza
a. Intervalo de confianza del error del modelo
La ecuación es la siguiente:
𝜎Ԑ2 𝜎Ԑ2
𝑃𝑟 [(𝑛 − 𝑘) ≤ 𝜎Ԑ2 ≤ (𝑛 − 𝑘) ]= 1−𝛼
𝑋𝛼2 2
𝑋1−𝛼/2
2
2
De la tabla de 𝑋 2 el valor de 𝑋𝛼/2 = 16.0128 cuando pr=0.025.
2
El valor de 𝑋1−𝛼/2 = 1.68987 cuando pr = 0.975
4.6975 4.6975
𝑃𝑟 [(9 − 2) ≤ 𝜎Ԑ2 ≤ (9 − 2) ] = 1 − 0.025
16.0125 1.68987
Regla de decisión:
Si T calculada > T teórica, entonces se acepta que Bo es diferente de cero. Se
acepta H1 y se rechaza Ho.
Prueba de hipótesis de 𝛽1
Hipótesis nula : Ho = 0
Hipótesis de investigación : 𝐻1 ≠ 0
T calculada = -7.757
T teórica a 95% de confianza y 7 gl = 2.365
Regla de decisión:
Si T calculada > T teórica, entonces se acepta que B1 es diferente de cero. Se
acepta H1 y se rechaza Ho.
Pág. 6
POR PEDRO PABLO CHAMBI CONDORI
6. Coeficiente de determinación
𝑆𝐶𝐸 282.673
𝑅2 = = = 0.896
𝑆𝐶𝑇 315.556
Quiere decir, que el precio del bien explica el consumo de las n familias de la
muestra en un 89.60%. las demás variables, que no se tuvieron en cuenta en el
modelo, corresponden al 10.40%.
7. Coeficiente de correlación incondicional:
𝑛 ∑ 𝑋𝑖 𝑌𝑖 − (∑ 𝑋𝑖 ) ∑(𝑌𝑖 )
𝑟𝑦𝑥 =
√(𝑛 ∑ 𝑌𝑖2 − (∑ 𝑌𝑖 )^2)[𝑛 ∑ 𝑋𝑖2 − (∑ 𝑋𝑖 )^2]
9(1496) − 124(129)
= = −0.946
√9(2024) − 13376 ∗ √9(2129) − 16641
De acuerdo al resultado, quiere decir que existe una relación indirecta entre el
consumo y el precio.
Ejercicios propuestos para desarrollarlos:
1. Se tiene la siguiente data
Periodo 1 2 3 4 5 6 7 8 9 10
Consumo 70 65 90 95 110 115 120 140 155 150
Ingreso 80 100 120 140 160 180 200 220 240 260
Con el soporte de Eviews, calcule:
a. El modelo del consumo en el que se manifiesta el ingreso.
Pág. 7
POR PEDRO PABLO CHAMBI CONDORI
Pág. 8
POR PEDRO PABLO CHAMBI CONDORI
𝑌𝑖 = 𝛽𝑗 ∑ 𝑋𝑗𝑖 + Ԑ𝑖
𝑗=1
La prueba T tendrá la siguiente estructura:
Hipótesis nula : 𝐻0 : 𝛽𝑖 = 0
Hipótesis alternativa : 𝐻1 : 𝛽𝑖 ≠ 0
Regla de decisión:
Si |𝑇𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑎 | > |𝑇𝑡𝑒ó𝑟𝑖𝑐𝑎 |, rechazar Ho.
𝑌𝑖 = 𝛽1 + 𝛽𝑗 ∑ 𝑋𝑗𝑖 + Ԑ𝑖
𝑗=2
Pág. 9
POR PEDRO PABLO CHAMBI CONDORI
Regla de decisión:
Si |𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑎 | > |𝐹𝑡𝑒ó𝑟𝑖𝑐𝑎 |, rechazar Ho.
Caso de aplicación 01: con los datos de la tabla siguiente aplique la regresión lineal
múltiple con Eviews.
A partir de la tabla arriba presentada, se puede inferir que tenemos problemas con el
modelamiento.
1. Problemas de multicolinealidad
La multicolinealidad se refiere a una situación en la cual existe una relación lineal
exacta (multicolinealidad perfecta) o casi exacta entre las regresoras de la
ecuación de regresión (multicolinealidad casi perfecta). Un supuesto del modelo
clásico de regresión lineal es que no exista ningún tipo de multicolinealidad.
1.1.Multicolinealidad perfecta
Pág. 10
POR PEDRO PABLO CHAMBI CONDORI
Pág. 11
POR PEDRO PABLO CHAMBI CONDORI
Pág. 12
POR PEDRO PABLO CHAMBI CONDORI
El mensaje que aparece en la ventana del Eviews al procesar los datos, mensaje de matriz
singular.
Pág. 13
POR PEDRO PABLO CHAMBI CONDORI
Existe entre la riqueza y el ingreso, lo que se ha probado regresionando la riqueza y el ingreso. Por tal
motivo eliminamos la variable ingreso y regresionamos el consumo con la riqueza.
Con los datos de la tabla siguiente, en donde Y es la variable dependiente y las X!, X2 y X3 son variables
independientes.
X1 X2 X3 Y
1 38 47.5 23 66
2 41 21.3 17 43
3 34 36.5 21 36
4 35 18 14 23
5 31 29.5 11 27
6 34 14.2 9 14
7 29 21 4 12
8 32 10 8 7.6
Pág. 14
POR PEDRO PABLO CHAMBI CONDORI
Dependent Variable: Y
Method: Least Squares
Date: 10/02/17 Time: 15:03
Sample: 1 8
Included observations: 8
2. Problemas de heterocedasticidad
La heterocedasticidad es una característica que puede presentar el término de
perturbación estocástica de un modelo econométrico y que implica que sus
varianzas no son iguales para todas las observaciones.
La heterocedasticidad del error es una violación al supuesto del modelo clásico de
regresión lineal de homocedasticidad.
2.1.Causas de la heterocedasticidad
En modelos en base a la experiencia se logra que los errores sean cada vez
menores en valor absoluto por lo tanto, se obtiene una varianza del error
variable y decreciente.
Pág. 15
POR PEDRO PABLO CHAMBI CONDORI
Pág. 16
POR PEDRO PABLO CHAMBI CONDORI
3. Problemas de autocorrelación
Mediante el indicador DW.
Effects Specification
Pág. 18