PRACTICA DE ECONOMETRIA UTB

EJERCICIO 1

En el worfile ejercicio1.wf1 se presenta la información sobre la empresa Perez S.A. que se dedica
a la fabricación y ventas de abanicos habiendo obtenido en los últimos años resultados
económicos relativamente aceptables. Los directivos de la empresa consideran que los resultados
habían sido mucho mejores si el absentismo laboral en la empresa no fuera tan elevado. Este
absentismo tiene una significancia que se refleja en los costos de personal y en desajustes en las
operaciones de fabricación y distribución. Por las razones señaladas, la dirección de la empresa
tiene gran interés en conocer cuáles pueden ser los factores más relevantes del absentismo laboral
que sufre la empresa.
El jefe de personal de la empresa facilita información acerca de los días que en el último año han
faltado al trabajo cada uno de los empleados de plantilla, excluidos los directivos (absentismo).
Se recoge también información de cada uno de los empleados sobre las variables cuantitativas:
edad en años (EDAD), años de antigüedad en la empresa (ANTIGUE) y salario mensual en euros
(SALARIO), así como sobre las variables dicotómicas TALLER y SEXO que reflejan aspectos
cualitativos. Concretamente, la variable TALLER toma el valor de 1 si el empleado trabaja en
fabricaciones (taller) y 0 si trabaja en oficinas. La variable SEXO toma el valor 1 si el empleado
es hombre y 0 si es una mujer.
Con esta información se pide lo siguiente:
a) A priori, ¿Cuál es el signo esperando para los coeficientes asociados a las variables
TALLER, ANTIGUEDAD y SALARIO? Explique.
 Signo esperado para el trabajo en taller, por la naturaleza de esta variable se puede afirmar
que la misma tendría una tendencia positiva a favor del absentismo en la empresa.
 Signo esperado para la antigüedad por la naturaleza de esta variable y el grado de
relacionamiento que se genera mientras la misma va creciendo se pude esperar que sea de
manera desfavorable en cuanto al grado de absentismo en la empresa.
 Signo esperado para el salario por la naturaleza de esta variable y el grado de
relacionamiento que se genera mientras la misma va creciendo se pude esperar que sea de
manera desfavorable en cuanto al grado de absentismo en la empresa.

b) Estime la ecuación de regresión e interprete los parámetros asociados a las variables

SALARIO, SEXO y ANTIGUE respectivamente ¿Tienen estos el signo esperado?

Cuadro 1: Reporte 1 Modelo 1 EViews

Fuente: Elaboración Propia en base a los datos proporcionados

En función a los resultados del programa Eviews
Interpretación de los coeficientes:
 Se puede afirmar que la variable SALARIO que forma parte del modelo aporta de
forma favorable con un 0.044 al grado de absentismo que existe en la empresa.
 Se afirma que la variable sexo aporta manera significativa con un 2.100 al modelo en
cuanto al grado de absentismo que existe en la empresa.
 Se puede afirmar que la variable ANTIGUEDAD que forma parte del modelo aporta de
forma favorable con un 0.151al grado de absentismo que existe en la empresa.

c) Desarrolle una matriz de correlación. ¿Qué variables independientes tienen

correlaciones fuertes o débiles? ¿Advierte algunos problemas con la muticolinealidad?
Realice el gráfico entre las variables ANTIGUE y EDAD. Interprete

Cuadro 2: Matriz de Covarianzas

Fuente: Elaboración propia en base a los datos obtenidos.

Se detectó que existe una correlación mayo entre la edad y la antigüedad la misma estando por
encima del criterio de evaluación la cual corresponde a 0,7.

Grafico 1: Edad y Antigüedad

Fuente: Elaboración propia en base a los datos obtenidos

d) Contraste la significancia individual de todas las variables explicativas. ¿Está de

acuerdo con la especificación del Modelo? ¿Considera eliminar algún de las variables?
Si es así, ¿Cuál?
En base al cuadro 1 se realizara:
En relación con la significancia estadística: En principio debemos especificar un valor de referencia
respecto del estadístico de tabla a un 95% de confiabilidad. Para ello se considerará 1: 2%95≈TablaT
Luego, todo valor del estadístico T-student estimado en la regresión que supere a 2 en valor absoluto,
implicará el caer fuera del área de aceptación de la hipótesis nula, hecho que nos conllevará a rechazar
dicha hipótesis con un porcentaje de error del 5%.

 Respecto de la variable explicativa “Antigüedad”, verificamos que:

Estadístico T-student = -2.292
Adicionalmente, Probabilidad de error asociada = 0.0021 < 0.05
 Ambos indicadores nos llevan a rechazar la hipótesis nula y aceptar en su defecto la hipótesis alternativa,
es decir, aceptamos la hipótesis de significancia individual de la variable. Considerando la metodología
de estimación de la variable endógena, el resultado obtenido era absolutamente esperado.

 Respecto de la variable explicativa “Edad”, verificamos que:

Estadístico T-student = -0.707
Adicionalmente, Probabilidad de error asociada = 0.4832 < 0.05
Ambos indicadores nos llevan a rechazar la hipótesis nula y aceptar en su defecto la hipótesis alternativa,
es decir, aceptamos la hipótesis se significancia individual de la variable.

 Respecto de la variable explicativa “Salario”, verificamos que:

Estadístico T-student = -6.034
Adicionalmente, Probabilidad de error asociada = 0.000 > 0.05
Ambos indicadores nos impiden rechazar la hipótesis nula. De esta manera, el resultado nos indica que
dicha variable no es significativa para explicar el comportamiento del consumo medio de energía.

 Respecto de la variable explicativa “Sexo”, verificamos que:

Estadístico T-student = 2.9
Adicionalmente, Probabilidad de error asociada = 0.0059 < 0.05
Un indicador nos lleva a aceptar la hipótesis nula, es decir, aceptamos la hipótesis de que esta variable
no cumple con la significancia individual.

 Respecto de la variable explicativa “taller”, verificamos que:

Estadístico T-student = 1.37.
Adicionalmente, Probabilidad de error asociada = 0.1752 > 0.05
Un indicador nos lleva a aceptar la hipótesis nula, es decir, aceptamos la hipótesis de que esta variable
no cumple con la significancia individual.

Se consideraría eliminar la variable sexo puesto que existe un gran indicio de rechazo respecto a
la prueba individual realizada.

e) Contrastar la significancia global del modelo. Interpretar.

Con los datos del cuadro 1 adjunta se tiene un F-Snedecor de 26.59 contrastando con el valor de
tablas se afirma que el modelo es significativo.
f) Determinar e interpretar el coeficiente de determinación ajustado.
Con los datos del cuadro 1, el coeficiente de terminación ajustado es de 0.7313 entonces se
puede afirmar que el grado de ajuste al modelo es significativo pues el mismo se acerca a 1, se
consideraría como un valor de fiabilidad media.
g) Si su conclusión en el literal fue eliminar una o más variables explicativas, estime de
nuevo la ecuación de regresión sin considerar esas variables. ¿Cómo es el nuevo
coeficiente de determinación ajustado comparado con el del literal f? Explique
Cuadro 3: Reporte 2 Regresión con variables eliminadas EViews

Fuente: Elaboración propia en base a los datos proporcionados

  Al reajustar el modelo eliminando la variable sexo se tiene un coeficiente de
determinación de 0.6849 la cual tiende a explicar el modelo en esa proporción con una
disposicion de criterio de evaluación de mayor fiabilidad.

h) Determine los residuos del modelo ¿Siguen los residuos una distribución normal?
Grafico 2: Residuos

Fuente: Elaboración propia en base a los datos obtenidos

Cuadro 4: Residuos

Fuente: Elaboración propia en base a los datos obtenidos

En base al comportamiento que demuestra en el grafico 2 se afirma que los residuos no se
comportan como una distribución normal.
i) De acuerdo con el análisis de los resultados, haga recomendaciones a los Directivos.
Para que exista un cambio significativo en cuanto al grado de incidencia del absentismo en la
empresa se deberá desarrollar gestiones de buenas prácticas empresariales y motivacionales a
los trabajadores haciendo énfasis en los talleres y el género, de esta manera se fortalecerá el
grado de confiabilidad hacia la empresa de los trabajadores.

j) Determine si se presente el problema de la multicolinealidad.

PRUEBA DE FARRAR GLAUBER
i. Planteamiento de hipótesis

𝐻0 : |𝑅𝑥𝑥 | = 1 𝑂𝑟𝑡𝑜𝑔𝑜𝑛𝑎𝑙𝑖𝑑𝑎𝑑
𝐻𝑎 : |𝑅𝑥𝑥 | ≠ 1 𝑀𝑢𝑙𝑡𝑖𝑐𝑜𝑙𝑖𝑛𝑒𝑎𝑙𝑖𝑑𝑎𝑑
ii. Estadístico calculado
(2 ∗ 𝑘 + 5)
𝐹𝐺 = − [𝑛 − 1 − ∗ ln(𝑅𝑥𝑥 )]
6

Pero:
𝑅𝑥𝑥 = det(𝑀𝑎𝑡𝑟𝑖𝑧 𝑑𝑒 𝐶𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖𝑜𝑛𝑒𝑠)
La matriz de correlaciones será:

𝑅𝑥𝑥 = det(𝑀𝑎𝑡𝑟𝑖𝑧 𝑑𝑒 𝐶𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖𝑜𝑛𝑒𝑠) =0.1136

Reemplazando:
(2 ∗ 5 + 5)
𝐹𝐺 = [48 − 1 − ∗ ln(0.1136)]
6

𝐹𝐺 = 48.8
iii. Estadístico teórico
2 2
𝑋𝑘(𝑘−1) = 𝑋10,0.05 = 3.94
,𝛼
2

iv. Contrastación
Si:
2
FG > 𝑋𝑘(𝑘−1) Se rechaza la hipótesis principal
,𝛼
2

v. Conclusión
A un nivel de confianza del 95% se afirma que existe multicolinealidad en el modelo
econométrico formulado.
k) Determine si se presente el problema de la Heterocedasticidad.
Prueba de White

Cuadro 5: Reporte 3 Heterocedasticidad EViews

 Fuente: Elaboración propia en base a los datos obtenidos
En base a los datos proporcionados la probabilidad es de 58.16% que es mayor al 5% se afirma
que existe homocedasticidad.

EJERCICIO 2
En el worfile ejercicio2.wf1 se presenta las series de datos correspondientes al consumo de
manzanas expresadas en decenas de miles de toneladas (Y ); el precio de las mismas en miles de
pesos por kilogramos(X1), el precio de la peras en miles de pesos por kilogramos (X2) y la
renta nacional neta en billones de pesos (X3). Con esta información se pide estimar la función
lineal de la demanda de manzanas.
Yi =α+β1X1i + β2X2i +β3X3i + εi
Con esta información se pide lo siguiente:
NOTA: Se considera que la base de datos manejas las unidades de las variables son homogenas.
a) A priori, ¿Cuál es el signo esperando para los coeficientes? Explique

 Signo esperado para precio de las manzanas, por la naturaleza de esta variable se puede
afirmar que la misma tendría, una tendencia que se comportaría a desfavor en cuanto al nivel
de consumo que se tendría.
 Signo esperado para el precio de las peras por kilogramo por la naturaleza de esta variable,
tomando que es un producto sustituto y el grado de relacionamiento que se genera mientras
la misma va creciendo se pude esperar que sea de manera favorable en cuanto al grado de
consumo que se tendría.
 Signo esperado para la renta nacional, por la naturaleza de esta variable y el grado de
relacionamiento que se genera mientras la misma va creciendo se pude esperar que sea de
manera favorable en cuanto al grado de absentismo en la empresa.

b) Interprete los coeficientes estimados y el R2. ¿Tienen estos el signo esperado?

Cuadro 6: Reporte 4 Modelo 2 EViews

Fuente: Elaboración propia en base a los datos obtenidos

 Se puede afirmar que la variable PRECIO MANZANAS que forma parte del modelo
aporta de forma desfavorable con un 0.433 al grado de consumo de manzanas.
  Se afirma que la variable PRECIO PERAS aporta manera significativa con un 0.763 al
modelo en cuanto al grado de consumo de manzanas.
 Se puede afirmar que la variable RENTA NACIONAL NETA que forma parte del
modelo aporta de forma desfavorable con un 0.020 al grado de consumo de manzanas.

Con los datos del cuadro 6, el coeficiente de terminación es de 0.9431 entonces se puede afirmar
que el grado de ajuste al modelo es significativo pues el mismo se acerca a 1, se consideraría
como un valor de fiabilidad media.
c) Realice una prueba de significancia individual para los coeficientes del modelo y realice
la prueba de significancia global del modelo.

En relación con la significancia estadística: En principio debemos especificar un valor de referencia

respecto del estadístico de tabla a un 95% de confiabilidad. Para ello se considerará1: 2 % 95 ≈ Tabla T
Luego, todo valor del estadístico T-student estimado en la regresión que supere a 2 en valor absoluto,
implicará el caer fuera del área de aceptación de la hipótesis nula, hecho que nos conllevará a rechazar
dicha hipótesis con un porcentaje de error del 5%.

 Respecto de la variable explicativa “Precio Manzanas”, verificamos que:

Cuadro 7: Reporte 5 Significancia individual EViews

Fuente: Elaboración propia en base a los datos obtenidos

Estadístico T-student = -5.31

Adicionalmente, Probabilidad de error asociada = 0.0000 < 0.05
Ambos indicadores nos llevan a rechazar la hipótesis nula y aceptar en su defecto la hipótesis alternativa,
es decir, aceptamos la hipótesis de significancia individual de la variable. Considerando la metodología de
estimación de la variable endógena, el resultado obtenido era absolutamente esperado.
  Respecto de la variable explicativa “Precio Peras”, verificamos que:
Cuadro 8: Reporte 6 Significancia individual EViews

Fuente: Elaboración propia en base a los datos obtenidos

Estadístico T-student = 9.56

Adicionalmente, Probabilidad de error asociada = 0.0000 < 0.05
Un indicador nos lleva a aceptar la hipótesis nula, es decir, aceptamos la hipótesis de que esta variable
no cumple con la significancia individual. Considerando la metodología de estimación de la variable
endógena, el resultado obtenido era absolutamente esperado.

 Respecto de la variable explicativa “Renta Nacional Neta”, verificamos que:

Cuadro 8: Reporte 7 Significancia individual EViews

Fuente: Elaboración propia en base a los datos obtenidos

Estadístico T-student = -0.380

Adicionalmente, Probabilidad de error asociada = 0.7086 < 0.05
El indicador principal nos lleva a rechazar la hipótesis nula y aceptar en su defecto la hipótesis alternativa,
es decir, aceptamos la hipótesis de significancia individual de la variable. Considerando la metodología de
estimación de la variable endógena, el resultado obtenido era absolutamente esperado.

 En cuanto a la significancia global del modelo:

 Cuadro 9: Reporte 8 Significancia Global EViews

Fuente: Elaboración propia en base a los datos obtenidos

Con los datos del cuadro 9 adjunta se tiene un F-Snedecor de 3513.64 contrastando con el valor
de tablas se afirma que el modelo es significativo.

d) Calcular e interpretar los intervalos de confianza del 95% para cada uno de los
coeficientes del modelo.
Cuadro 10: Reporte 9 Intervalo de Confianza EViews

Fuente: Elaboración propia en base a los datos obtenidos

e) Ahora estime el siguiente modelo:

LnYi = α + β1LnX1i + β2LnX2i + β3LnX3i + εi

Interprete los coeficientes estimados del modelo y el coeficiente de determinación.

 Cuadro 11: Reporte 10 Modelo 2B EViews

Fuente: Elaboración propia en base a los datos obtenidos

 Se puede afirmar que la variable PRECIO MANZANAS que forma parte del modelo
aporta de forma desfavorable con un 2.66 al grado de consumo de manzanas.
 Se afirma que la variable PRECIO PERAS aporta manera significativa con un 3.37 al
modelo en cuanto al grado de consumo de manzanas.
 Se puede afirmar que la variable RENTA NACIONAL NETA que forma parte del
modelo aporta de forma favorable con un 0.049 al grado de consumo de manzanas.
Con los datos del cuadro 11, el coeficiente de terminación es de 0,2489 entonces se puede
afirmar que el grado de ajuste al modelo no es significativo pues el mismo se aleja a 1, se
consideraría como un valor de fiabilidad baja.
f) Realice las pruebas de significancia individuales para los coeficientes del modelo y
realice la prueba de significancia global de la regresión.

En relación con la significancia estadística: En principio debemos especificar un valor de referencia

respecto del estadístico de tabla a un 95% de confiabilidad. Para ello se considerará 1: 2 % 95 ≈ Tabla T
Luego, todo valor del estadístico T-student estimado en la regresión que supere a 2 en valor absoluto,
implicará el caer fuera del área de aceptación de la hipótesis nula, hecho que nos conllevará a rechazar
dicha hipótesis con un porcentaje de error del 5%.

 Respecto de la variable explicativa “Precio Manzanas”, verificamos que:

Cuadro 12: Reporte 11 Significancia individual EViews

Fuente: Elaboración propia en base a los datos obtenidos

Estadístico T-student = -0.91
Adicionalmente, Probabilidad de error asociada = 0.3736 < 0.05
Ambos indicadores nos llevan a rechazar la hipótesis nula y aceptar en su defecto la hipótesis alternativa,
es decir, aceptamos la hipótesis de significancia individual de la variable. Considerando la metodología de
estimación de la variable endógena, el resultado obtenido era absolutamente esperado.

 Respecto de la variable explicativa “Precio Peras”, verificamos que:

Cuadro 13: Reporte 12 Significancia individual EViews

Fuente: Elaboración propia en base a los datos obtenidos

Estadístico T-student = 1.1526

Adicionalmente, Probabilidad de error asociada = 0.2641 < 0.05
Ambos indicadores nos llevan a rechazar la hipótesis nula y aceptar en su defecto la hipótesis alternativa,
es decir, aceptamos la hipótesis de significancia individual de la variable. Considerando la metodología de
estimación de la variable endógena, el resultado obtenido era absolutamente esperado.

 Respecto de la variable explicativa “Renta Nacional Neta”, verificamos que:

Cuadro 14: Reporte 13 Significancia individual EViews

Fuente: Elaboración propia en base a los datos obtenidos

Estadístico T-student = 0.4957

Adicionalmente, Probabilidad de error asociada = 0.6261 < 0.05
El indicador principal nos lleva a rechazar la hipótesis nula y aceptar en su defecto la hipótesis alternativa,
es decir, aceptamos la hipótesis de significancia individual de la variable. Considerando la metodología de
estimación de la variable endógena, el resultado obtenido era absolutamente esperado.

 En cuanto a la significancia global del modelo:

Cuadro 15: Reporte 14 Significancia Global EViews

Fuente: Elaboración propia en base a los datos obtenidos

Con los datos del cuadro 9 adjunta se tiene un F-Snedecor de 352.33 contrastando con el valor
de tablas se afirma que el modelo es significativo.

g) De los dos modelos estimados, ¿Cual modelo escogería por qué?

Se afirma que se toma el primer modelo puesto que existe un coeficiente de determinación más
apto en cuanto al grado de predicción que pueda generar una vez utilizado, cabe recalcar que la
variable precio tendría que ser corregida para la utilización del modelo, no existe
heterocedasticidad pero si multicolinealidad, entonces se debería fusionar o determinar otra
variable que pueda estar sujeta a la variable explicada para generar un modelo mas eficiente.
h) Determine si se presente el problema de la multicolinealidad.
PRUEBA DE FARRAR GLAUBER
i. Planteamiento de hipótesis

𝐻0 : |𝑅𝑥𝑥 | = 1 𝑂𝑟𝑡𝑜𝑔𝑜𝑛𝑎𝑙𝑖𝑑𝑎𝑑
𝐻𝑎 : |𝑅𝑥𝑥 | ≠ 1 𝑀𝑢𝑙𝑡𝑖𝑐𝑜𝑙𝑖𝑛𝑒𝑎𝑙𝑖𝑑𝑎𝑑
ii. Estadístico calculado
(2 ∗ 𝑘 + 5)
𝐹𝐺 = − [𝑛 − 1 − ∗ ln(𝑅𝑥𝑥 )]
6

Pero:
𝑅𝑥𝑥 = det(𝑀𝑎𝑡𝑟𝑖𝑧 𝑑𝑒 𝐶𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖𝑜𝑛𝑒𝑠)
La matriz de correlaciones será:

𝑅𝑥𝑥 = det(𝑀𝑎𝑡𝑟𝑖𝑧 𝑑𝑒 𝐶𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖𝑜𝑛𝑒𝑠) = 0.013022

Reemplazando:
(2 ∗ 3 + 5)
𝐹𝐺 = [21 − 1 − ∗ ln(0.013022)]
6

𝐹𝐺 = 26.95
iii. Estadístico teórico
2 2
𝑋𝑘(𝑘−1) = 𝑋3,0.05 = 0.352
,𝛼
2

iv. Contrastación
Si:
2
FG > 𝑋𝑘(𝑘−1) Se rechaza la hipótesis principal
,𝛼
2

v. Conclusión
A un nivel de confianza del 95% se afirma que existe multicolinealidad en el modelo
econométrico formulado.
i) Determine si se presente el problema de la Heterocedasticidad.
Prueba de White

Cuadro 16: Reporte 15 Heterocedasticidad EViews

Fuente: Elaboración propia en base a los datos obtenidos

En base a los datos proporcionados la probabilidad es de 61.35% que es mayor al 5% se
afirma que existe homocedasticidad.

EJERCICIO 3

En el worfile ejercicio3.wf1 se presenta un estudio en el sector de la industria textil, confección,

cuero y calzado (CNAE17, 18 y 19) relaciona los gastos de personal (GPERSONAL), en
millones de pesos, con las siguientes variables explicativas:
Ingreso de explotación (INGRESOS), en millones de pesos.
Cifra de negocios (NEGOCIOS), en millones de pesos.
Número de personas ocupadas (OCUPADAS)
El modelo a estimar es el que incluye como variable endogena los gastos de personal, y como
regresores, ademas de la constante, el resto de las variables indicadas.
a) Estime por MCO el modelo propuesto para explicar los gastos de personal.

Cuadro 17: Reporte 16 Modelo 3 EViews

Fuente: Elaboración propia en base a los datos obtenidos

Estimation Command:
=========================
LS GPERSONAL INGRESOS NEGOCIOS OCUPADOS

Estimation Equation:
=========================
GPERSONAL = C(1)*INGRESOS + C(2)*NEGOCIOS + C(3)*OCUPADOS

Substituted Coefficients:
=========================
GPERSONAL = 2.08461*INGRESOS - 1.9523*NEGOCIOS + 0.6911*OCUPADOS

b) Estudie por distintas vías la presencia de multicolinealidad en el modelo.

PRUEBA DE FARRAR GLAUBER

i. Planteamiento de hipótesis

𝐻0 : |𝑅𝑥𝑥 | = 1 𝑂𝑟𝑡𝑜𝑔𝑜𝑛𝑎𝑙𝑖𝑑𝑎𝑑
𝐻𝑎 : |𝑅𝑥𝑥 | ≠ 1 𝑀𝑢𝑙𝑡𝑖𝑐𝑜𝑙𝑖𝑛𝑒𝑎𝑙𝑖𝑑𝑎𝑑
ii. Estadístico calculado
(2 ∗ 𝑘 + 5)
𝐹𝐺 = − [𝑛 − 1 − ∗ ln(𝑅𝑥𝑥 )]
6

Pero:
𝑅𝑥𝑥 = det(𝑀𝑎𝑡𝑟𝑖𝑧 𝑑𝑒 𝐶𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖𝑜𝑛𝑒𝑠)
La matriz de correlaciones será:
 𝑒 − 𝑅𝑥𝑥 = det(𝑀𝑎𝑡𝑟𝑖𝑧 𝑑𝑒 𝐶𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖𝑜𝑛𝑒𝑠) = 2.68 ∗ 10𝐸 − 6
2.68e-5Reemplazando:
(2 ∗ 3 + 5)
𝐹𝐺 = [17 − 1 − ∗ ln(2.68 ∗ 10𝐸 − 6 )]
6

𝐹𝐺 = 39.52
iii. Estadístico teórico
2 2
𝑋𝑘(𝑘−1) = 𝑋3,0.05 = 0.352
,𝛼
2

iv. Contrastación
Si:
2
FG > 𝑋𝑘(𝑘−1) Se rechaza la hipótesis principal
,𝛼
2

v. Conclusión
A un nivel de confianza del 95% se afirma que existe multicolinealidad en el modelo
econométrico formulado.

EJERCICIO 4
En el worfile ejercicio4.wf1se muestra los inventarios y ventas en las empresas manufactureras
de cierto país, en millones de pesos. Utilice los datos para verificar la existencia de
Heterocedasticidad utilizando los siguientes contrastes.

Para responder a cada inciso construiremos el modelo:

Cuadro 18: Reporte 17 Modelo 4 EViews

Fuente: Elaboración propia en base a los datos obtenidos

a) Contraste de Breusch-Pagan.

Cuadro 19: Reporte 18 Contraste de Breushch Pagan EViews

Fuente: Elaboración propia en base a los datos obtenidos

b) Contraste de White.
Cuadro 20: Reporte 19 Contraste de White EViews

Fuente: Elaboración propia en base a los datos obtenidos

c) Contraste de Glesjer
Cuadro 21: Reporte 20 Contraste de Glesjer EViews

Fuente: Elaboración propia en base a los datos obtenidos

d) Encuentre la forma y corrección de la Heterocedasticidad, si existe, utilizando mínimos

cuadrados ordinarios.
Cuadro 22: Reporte 21 Contraste de ARCH EViews

Fuente: Elaboración propia en base a los datos obtenidos

EJRCICIO 5
En el worfile ejercicio5.wf1 se muestra una encuesta realizada a 17 empresas, dedicadas a la
explotación agrícola, se obtuvieron las siguientes respuestas en cuanto a su producción, en miles
de toneladas, y la superficie cultivada, en hectáreas.
Para responder a cada inciso construiremos el modelo:

Cuadro 23: Reporte 22 Modelo 5 EViews

Fuente: Elaboración propia en base a los datos obtenidos

a) Contraste de Breusch-Pagan.

Cuadro 24: Reporte 23 Contraste de Breushch Pagan EViews

Fuente: Elaboración propia en base a los datos obtenidos

b) Contraste de White.

Cuadro 25: Reporte 24 Contraste de White EViews

Fuente: Elaboración propia en base a los datos obtenidos

c) Contraste de Glesjer

Cuadro 26: Reporte 25 Contraste de Glesjer EViews

Fuente: Elaboración propia en base a los datos obtenidos

 d) Encuentre la forma y corrección de la Heterocedasticidad, si existe, utilizando mínimos
cuadrados ordinarios.

Cuadro 27: Reporte 26 Contraste de ARCH EViews

Fuente: Elaboración propia en base a los datos obtenidos

EJERCICIO 6
Refiérase a la información sobre la industria del cobre dada en el worfile ejercicio6.wf1 se pide
a) Con base en esta información, estime el siguiente modelo de regresión:

LnCt = α + β1LnI1i +β2LnL2i + β3LnH3i + β4LnA4i + εi

Cuadro 28: Reporte 27 Modelo 6 EViews

Fuente: Elaboración propia en base a los datos obtenidos

 Estimation Command:
=========================
LS A C01 G H I L

Estimation Equation:
=========================
A = C(1)*C01 + C(2)*G + C(3)*H + C(4)*I + C(5)*L

Substituted Coefficients:
=========================
A = 0.4418 *C01 + 0.0141 *G + 0.0086 *H - 0.1154 *I - 0.0132 *L

Interprete los resultados

b) Estime el Durbin-Watson y comente sobre la naturaleza de la autocorrelacion presente

en los datos.
En base al cuadro 28 se plantea que la autocorrelacion existente es autocorrelacion positiva ya
que el Durbin Watson nos sale menos a 2.

c) ¿Cómo se encontraría si un proceso AR(p) describe mejor la autocorrelacion que un

proceso AR(1)?
Como un esquema de primer orden no contiene datos rezagados se puede utilizar el h de
Durbin-Watson entonces un esquema de orden p si se puede utilizar ya que este esquema si
utiliza datos con rezagos y por lo tanto describe mejor la autocorrelación.

EJERCICIO 7
En el archivo worfile ejercicio7.wf1contiene una variable de nombre SA que representa una
serie de ratios mensuales sobre la producción de una empresa. Con la finalidad de realizar
predicciones de producción futuras se trata de ajustar la serie de ratios a un modelo ARIMA
convenientemente.
Resultados por el simulador:
Contenido
EJERCICIO 1.................................................................................................................................... 1
EJERCICIO 2.................................................................................................................................... 6
EJERCICIO 3.................................................................................................................................. 13
EJERCICIO 4.................................................................................................................................. 15
EJRCICIO 5 ................................................................................................................................... 18
EJERCICIO 6.................................................................................................................................. 20
EJERCICIO 7.................................................................................................................................. 21