Matrices Ecometria

Universidad de San Carlos de Guatemala
Facultad de Ciencias Económicas

Escuela de Economía
Departamento de Matemática y Estadística
Curso: Econometría
LABORATORIO
1. Una compañía hizo recientemente una campaña indicando que tenía vacantes para una plaza en su
empresa. "Despierte ante las oportunidad", decía al anuncio. El Gerente de Ventas pretende explicar
las ganancias semanales de un vendedor en función de los clientes diarios, así como el número de
clientes los días domingos, son variables independientes.
Dicho gerente lo ha contratado para que explique la relación entre las variables utilizando el
enfoque matricial, al finalizar debe entregar lo siguiente:
Procedimiento
Ecuación
ˆ   X ' X  X 'Y
1 -0.26145
0.459617
0.216486
Estimador de la varianza de perturbación.

e
0.121565
Escalar
0.040522
Matriz de varianzas y covarianzas
0.113657 0.010858 -0.01033

0.010858 0.002003 -0.00178
-0.01033 -0.00178 0.001586
Desviaciones típicas de los

parámetros
V(β0)= 0.113657
V(β1)= 0.002003
V(β2)= 0.001586
Error Estándar Estadístico t
Error estándar =raíz =ecuación o beta /
0.33713 -
(desviaciones típicas error estándar
0.775513077
0.044754 o varianzas
0.039822 10.26992296
5.436365134
matriz de correlación entre las variables

independientes
Cov( A, B) 1
 A, B  0.719623 1
 A B -0.76954 -0.99677 1
ˆ ' X ' y  n Y 


1545.878
R2    Coeficiente de determinación
2
 1546
0.999921
y y  n Y 
'
  Coeficiente de correlación
0.9999607
Estadístico F
   2

 ˆ ' X ' y  n Y   /( k  1)
Prueba de
    772.9392173 significancia global

F ' F
 
y y  ˆ ' X ' y /( n  k ) 0.040521787
19074.66
a. El modelo matemático y econométrico.
ˆ = α + ˆ 1x1 + ˆ 2 x2 +ε
matemático
econométrico
b. El vector de parámetros.
β0 -0.26144879
β1 0.45961699
β2 0.21648626
c. Ecuación de la recta.
ˆ = 0.26+0.46X1+0.22X2
d. Coeficiente de determinación.
R^2= 0.999921
e. Matriz de correlaciones.
matriz de correlación entre las variables

independientes
1
0.719623 1
-0.76954 -0.99677 1
La varianza de la regresión ˆ u
2
f.
Escalar
0.040522
g. Matriz de varianzas y covarianzas.
0.113657 0.010858 -0.01033

0.010858 0.002003 -0.00178
-0.01033 -0.00178 0.001586
h. El estadístico R^2.
R^2= 0.999921
i. Interprete el modelo.
Con un nivel de significancia del 95% puede decir que el número de clientes diarios y del día domingo explica la
ganancia semanal en 99%.
Un incremento en una unidad en los clientes diarios, entonces la ganancia incrementa en 0.46 manteniendo lo demás
constante.
Por otra parte, un incremento en una unidad en los clientes del día domingo, entonces las ganancias incrementan en
0.22, manteniendo todo lo demás constante
j. Cuál sería la ganancia semanal de un vendedor si este atiende a 60 clientes y atiende

a 75 clientes el día domingo.
ˆ = 0.26+0.46(60)+0.22(75)
La ganancia semanal seria de 43.55
k. Establecer si los parámetros estimados son significativos con un nivel de confianza del
90%, debe realizarlo por el método largo de comprobación incluyendo las gráficas.
Formula de T calculado
T =  1-  i
ˆ ˆ
Donde = eep es el error estándar, b1, es el valor que se está testeando y bi, es el de las hipótesis
eep
H0 = ˆ 1 =0 El parámetro no es significativo
H1=  1 no es igual a 0
ˆ
El parámetro es significativo
Se toma los valores que se están testeando en este caso los de los clientes diarios
T = 0.4596 – 0 = 12.28 t calculado

0.0447
T critico
Entonces ahora se procede a realizarlo a través de Excel, en este caso se está trabajando con un nivel de
significancia del 90%
Donde = n-k son los grados de libertad gl = 6-3 = 3
=INV.T.2C(10%;3)
T Critico = 2.35
12.28
calculado
H0
H1
H1
-2.35 2.35
critico critico
T =  2-  i
ˆ ˆ
eep
ˆ
Se toma los valores que se están testeando en este caso los de los clientes del domingo
T = 0.2165 – 0 = 5.43 t calculado

0.0398
T critico
Donde = (n-k) son los grados de libertad gl = 6-3 = 3
=INV.T.2C(10%;3)
T Critico = 2.35
5.43
calculado
H0
H1
H1
-2.35 2.35
critico critico
Se concluye aceptando la hipótesis alternativa porque B2 es estadísticamente significativo, puede ser considerado en
la ecuación de la recta.
l. Prueba de significancia global
   2
 Prueba de significancia global F
 ˆ ' X ' y  n Y   /( k  1) 772.9392173
   
F '
19074.66
 
y y  ˆ ' X ' y /( n  k ) 0.040521787
La prueba de significancia global no es nada más que una prueba de hipótesis
Planteamiento de la hipótesis
H0 = es igual a cero
H1= no es igual a cero
(k-1) = Grados de libertad en el numerador (3-1) = 2

(n-k) = Grados de libertad en el denominador (6-3) = 3
Entonces lo que se procede a realizar es el F critico a través de Excel.
La formula es la siguiente
=INV.F (probabilidad, grados de libertad 1; grados de libertad 2)
=INV.F(0.9;2;6) = 3.4633 Valor critico F
Se concluye que el f calculado está dentro de la región de aceptación, por lo tanto, se acepta la hipótesis alternativa
y se rechaza la hipótesis nula, por lo tanto algún parámetro estimado es distinto de cero.
m. Interpretación del modelo
El modelo indica que las ganancias esta explicada un 99% por el número de clientes diarios y del día domingo
Por cada 1% de incremento en los clientes a diario, las ganancias aumentan en 46.96%, sin embargo por cada 1% de
incremento en los clientes del dia domingo las ganancias aumentan en 21.65%, manteniendo constante las demás
variables.
2. Un embotellador está analizando las rutas de servicio de máquinas dispensadoras, está interesado en
predecir la cantidad de tiempo requerida por el chofer para surtir las máquinas en el local (Y). La
actividad de servicio incluye llenar la máquina con refrescos y un mantenimiento menor. Se tienen
como variables el número de envases con que llena la máquina (X1) y la distancia que tiene que
caminar (X2). Se colectaron los datos siguientes:
X1_envases X2_Distancia Y_tiempo
7 560 16.68
3 220 11.5
3 340 12.03
4 80 14.88
6 150 13.75
7 330 18.11
2 110 8
7 210 17.83
30 1460 79.24
5 605 21.5
16 688 40.33
10 215 21
4 255 13.5
6 462 19.75
9 448 24
10 776 29
6 200 15.35
7 132 19
3 36 9.5
17 770 35.1
10 140 17.9
26 810 52.32
9 450 18.75
8 635 19.83
4 150 1075
Modelo lin-lin Ecuación
ˆ   X ' X 1 X 'Y

90.5355517 Estimado de la varianza de
0.92199167 perturbación
-0.08223758 1056927.06
Varianza de regresión
5439.09973 -213.719935 -4.01980925

-213.719935 131.817219 -2.29915681
-4.01980925 -2.29915681 0.05903153
Desviaciones típicas de los parámetros error estándar estadístico t
Matriz de correlaciones entre las variables independientes

Cov( A, B)
 A, B 
 A B
ˆ ' X ' y  n Y 


R2   
 2
 
y ' y  n Y 
 
   2

 ˆ ' X ' y  n Y   /( k  1)
   
F '

y y  ˆ ' X ' y /( n  k ) 
El embotellador lo ha contratado para que explique la relación entre las variables utilizando el enfoque matricial, pero
el necesita examinar las elasticidades al finalizar debe entregar lo siguiente:
ˆ = α + ˆ 1x1 + ˆ 2 x2 +ε
matemático
econométrico
β0 90.535
β1 0.922
β2 -0.082
ˆ = 90.53+0.92X1 - 0.082X2
R^2 = 0.10687
2
f.
5439.09973 -213.719935 -4.01980925

-213.719935 131.817219 -2.29915681
-4.01980925 -2.29915681 0.05903153
R^2 = 0.10687
i. Cuál sería el tiempo que un chofer necesitaría si necesita llenar 25 envases y recorrer
una distancia de 1100.
ˆ = 90.53+0.92(25) - 0.082(1100)
El tiempo que necesitaría el chofer es de 23.12

j. Interprete el modelo
Con un nivel de significancia del 95% puede decir que el número de envases y la distancia explica el tiempo
en 10%. Sin embargo, Un incremento en una unidad en el llenado de envases , entonces el tiempo incrementa en
0.92. Además un incremento en una unidad en la distancia , entonces el tiempo disminuye e 0.08, manteniendo todo
lo demás constante.
k. Establecer si los parámetros estimados son significativos con un nivel de confianza del
T =  1-  i
ˆ ˆ
eep
H1= ˆ 1 no es igual a 0 El parámetro es significativo
T = 0.9220 – 0 = 0.080 t calculado

11.48
T critico
=INV.T.2C(6%;3)
T Critico = 1.98
11.48
calculado
H0
H1
H1
-1.98 1.98
critico critico
Se concluye aceptando la hipótesis alternativa porque B1 es estadísticamente significativo, puede ser considerado en
la ecuación de la recta.
T =  2-  i
ˆ ˆ
eep
ˆ
T = -0.0822 – 0 = -0.34 t calculado

0.2430
T critico
Donde = (n-k) son los grados de libertad gl = 25-3 =22
=INV.T.2C(6%;22)
T Critico = 1.98
-0.34
calculado
H0
H1
H1
-1.98 1.98
critico critico
Se concluye aceptando la hipótesis Nula y rechazar la hipótesis alternativa porque B2 no es estadísticamente

significativo, no puede ser considerado en la ecuación de la recta.
l. Estime ahora un modelo log log y realice los incisos del a al k nuevamente.
m. El modelo matemático y econométrico.
Log  = Log α +Log  1 1 +Log  2 2

ˆ ˆ ˆ
x x +ε
matemático
econométrico
n. El vector de parámetros.
Log β0 0.84
Log β1 0.46
Log β2 0.06
o. Ecuación de la recta.
ˆ = 0.84+ 0.46X1 - 0.06X2
p. Coeficiente de determinación.
R^2 = 0.12
q. Matriz de correlaciones.
Matriz de correlación entre las variables independientes
a. La varianza de la regresión ˆ u
2
b. Matriz de varianzas y covarianzas.
c. El estadístico R^2.
R^2 = 0.12
d. Cuál sería el tiempo que un chofer necesitaría si necesita llenar 25 envases y recorrer
una distancia de 1100.
ˆ = 0.84+ 0.46(1.3979) - 0.06(3.0413)

El tiempo que necesita es de 1.64
e. Interprete el modelo
f. Establecer si los parámetros estimados son significativos con un nivel de confianza del
T =  1-  i
ˆ ˆ
eep
ˆ
Se toma los valores que se están testeando
T = 0.4561 – 0 = 1.15 t calculado

0.3964
T critico
=INV.T.2C(94%;22)
T Critico = 0.076
1.15
calculado
H0
H1
H1
-0.076 0.076
critico critico
Se concluye aceptando la hipótesis Alternativa porque B1 es estadísticamente significativo, puede ser considerado
en la ecuación de la recta.
T =  2-  i
ˆ ˆ
eep
ˆ
Se toma los valores que se están testeando
T = 0.0551 – 0 = 0.18 t calculado

0.3059
T critico
=INV.T.2C(94%;22)
T Critico = 0.076
0.18
calculado
H0
H1
H1
-0.076 0.076
critico critico
Se concluye aceptando la hipótesis Alternativa porque B2 es estadísticamente significativo, puede ser considerado
en la ecuación de la recta.
g. El tiempo es elástico con respecto a la distancia e inelástico con los envases.
T =  1-  i
ˆ ˆ
eep
H0 = ˆ 1 >1 El parámetro b1 (envases) es elastico

H1=  1 ≤
ˆ
1 El parámetro b1 (envases) es inelastico
Se toma los valores que se están testeando en este caso los envases
T = 0.4561 – 1 = - 1.37 t calculado

0.3964
T critico
=INV.T(0.06;22)
T Critico = -1.61
T calculado
-1.37
H0
H1
-1.61
Critico
Se concluye aceptando la hipótesis nula y se rechaza la alternativa, lo cual indica b1(envases) son elásticos respecto
al tiempo, un incremento en uno por ciento en los envases, el tiempo aumenta en 0.46.
T =  2-  i
ˆ ˆ
eep
H0 = ˆ 2 < 1 El parámetro b2 (distancia) es inelástico

H1= ˆ 2 ≥ 1 El parámetro b1 (distancia) es elástico
Se toma los valores que se están testeando en este caso la distancia (b2)
T = 0.0551 – 1 = -3.09 t calculado

0.3059
T critico
=INV.T(0.94;22)
T Critico = 1.61
-3.09
calculado
H0
H1
1.61
critico
Se concluye aceptando la hipótesis Nula porque B2 (distancia) es inelástico respecto al tiempo

h. Prueba de significancia global
Modelo Lin-Lin
H0 = Bi es igual a cero
H1= Bi no es igual a cero
Modelo Log-Log
H0 = Bi es igual a cero
H1= Bi no es igual a cero
Algún parámetro es distinto de cero
i. Interpretación del modelo
El modelo Log-Log , es un modelo de elasticidades
3. Se dispone de datos de PASIVO de 16 oficinas bancarias, de la POBLACION de la zona de influencia de

cada una de estas oficinas, y del número de oficinas próximas de otros BANCOS. Se desea estimar si
la captación de pasivo en un modelo log log y lin lin
PASIVO POBLACIÓN BANCOS

9492 12600 10
55541 43500 22
51915 38200 25
67574 38000 33
16664 13700 22
47528 32800 25
22212 22300 18
75376 49600 26
73477 44300 30
37315 28900 21
35361 32400 17
18926 21600 14
36633 29800 23
73045 43200 29
18589 17500 13
30338 29400 19
ii. El embotellador lo ha contratado para que explique la relación entre las variables utilizando el
enfoque matricial, pero el necesita examinar las elasticidades al finalizar debe entregar lo
siguiente:
ˆ = α + ˆ 1x1 + ˆ 2 x2 +ε
matemático
econométrico
β0 -26980.896
β1 1.346
β2 1243.587
ˆ = -26980.90+ 1.35X1 + 1243.59X1
R^2 = 0.97
2
f.

R^2 = 0.97
i. Cuáles serían los pasivos con una población de 45000 y 33 bancos.
ˆ = -26980.90+ 1.35(45000) + 1243.59(33)
Los pasivos serian de 74638.038
j. Establecer si los parámetros estimados son significativos con un nivel de confianza del
T =  1-  i
ˆ ˆ
eep
ˆ
T = 1.3462 – 0 = 8.69 t calculado

0.1549
T critico
=INV.T(98%;13)
T Critico = 0.076
8.69
calculado
H0
H1
H1
- 2.28 2.28
critico critico
Se concluye aceptando la hipótesis Alternativa por lo tanto B1 es estadísticamente significativo, puede ser
considerado en la ecuación de la recta.
T =  2-  i
ˆ ˆ
eep
T = 1243.5875 – 0 = 4.50 t calculado

275.7870
T critico
=INV.T(98%;22)
T Critico = 2.28
4.50
calculado
H0
H1
H1
-2.28 2.28
critico critico
k. Los pasivos son elásticos con respecto a la población e inelásticos con el número de
bancos.
l. Prueba de significancia global Interpretación del modelo
Modelo Log- Log
m. El modelo matemático y econométrico.
Log  = Log α +Log  1 1 +Log  2 2

ˆ ˆ ˆ
x x +ε
matemático
econométrico
n. El vector de parámetros.
β0 -0.986
β1 1.046
β2 0.662
o. Ecuación de la recta.
ˆ = -0.986+ 1.05X1 + 0.66X1
p. Coeficiente de determinación.
R^2 = 0.99
q. Matriz de correlaciones.
2
r.
s. Matriz de varianzas y covarianzas.
t. El estadístico R^2.
R^2 = 0.99
u. Cuáles serían los pasivos con una población de 45000 y 33 bancos.
ˆ = -0.986+ 1.05(4.65) + 0.66(1.52)
Los pasivos serian de 4.89. (utilizando logaritmo en 45000 la variable población y

33 en la variable bancos)
v. Establecer si los parámetros estimados son significativos con un nivel de confianza del
T =  1-  i
ˆ ˆ
eep
ˆ
Se toma los valores que se están testeando en este caso la población
T = 1.0462 – 0 = 13.40 t calculado

0.0781
T critico
=INV.T.2C(98%;13)
T Critico = 0.026
13.40
calculado
H0
H1
H1
-0.026 0.026
critico critico
T =  2-  i
ˆ ˆ
eep
Se toma los valores que se están testeando en este caso los bancos
T = 0.6625– 0 = 6.55 t calculado

0.1011
T critico
=INV.T.2C(98%;13)
T Critico = 0.026
6.55
calculado
H0
H1
H1
-0.026 0.026
critico critico
a. Los pasivos son elásticos con respecto a la población e inelásticos con el número de bancos.
T =  1-  i
ˆ ˆ
eep
H0 = ˆ 1 < 1 El parámetro b1 (Población) es inelástico

H1=  1 ≥ 1
ˆ
El parámetro b1 (Población) es elástico
Se toma los valores que se están testeando en este caso la población
T = 1.0462– 1 = 0.59 t calculado

0.0781
T critico
=INV.T(0.06;22)
T Critico = 2.28
0.59
calculado
H0
H1
2.68
critico
Se acepta la hipótesis Nula y se rechaza la hipótesis alternativa , por lo tanto, b1 (población) es inelástico
respecto a los pasivos
T =  2-  i
ˆ ˆ
eep
H0 = ˆ 2 > 1 El parámetro b2 (Bancos) es elástico

H1= ˆ 2 ≤1 El parámetro b1 (Bancos ) es inelásticos
Se toma los valores que se están testeando en este caso los bancos
T = 0.6625 – 1 = -3.34 t calculado

0.1011
T critico
=INV.T(0.02;22)
T Critico = -2.28
T calculado
-3.34 H0
H1
-2.28
Critico
Se acepta la hipótesis Alternativa, por lo tanto b2(bancos) es inelástico respecto a los pasivos.
w. Prueba de significancia global Interpretación del modelo
Modelo Lin-Lin
Planteamiento
Ho= Bi es igual a cero
H1= bi no es igual a cero
Grafica
Se concluye que mas algunos de los parametros estimados es distinto de cero
Modelo Log-Log
Planteamiento
Ho= Bi es igual a cero
H1= bi no es igual a cero
Se concluye que más alguno de los parámetros estimados es distinto de cero

Matrices Ecometria

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Matrices Ecometria

Caricato da

Copyright:

Formati disponibili

Universidad de San Carlos de Guatemala

Facultad de Ciencias Económicas

Estimador de la varianza de perturbación.

Matriz de varianzas y covarianzas

0.113657 0.010858 -0.01033

Desviaciones típicas de los

matriz de correlación entre las variables

ˆ ' X ' y  n Y 

    772.9392173 significancia global

matriz de correlación entre las variables

Matriz de varianzas y covarianzas

0.113657 0.010858 -0.01033

j. Cuál sería la ganancia semanal de un vendedor si este atiende a 60 clientes y atiende

La ganancia semanal seria de 43.55

T = 0.4596 – 0 = 12.28 t calculado

Donde = n-k son los grados de libertad gl = 6-3 = 3

T = 0.2165 – 0 = 5.43 t calculado

Donde = (n-k) son los grados de libertad gl = 6-3 = 3

l. Prueba de significancia global

La prueba de significancia global no es nada más que una prueba de hipótesis

(k-1) = Grados de libertad en el numerador (3-1) = 2

Entonces lo que se procede a realizar es el F critico a través de Excel.

m. Interpretación del modelo

Modelo lin-lin Ecuación

ˆ   X ' X 1 X 'Y

Matriz de varianzas y covarianzas

5439.09973 -213.719935 -4.01980925

Matriz de correlaciones entre las variables independientes

ˆ ' X ' y  n Y 

g. Matriz de varianzas y covarianzas.

5439.09973 -213.719935 -4.01980925

El tiempo que necesitaría el chofer es de 23.12

T = 0.9220 – 0 = 0.080 t calculado

Donde = n-k son los grados de libertad gl = 25-3 = 22

T = -0.0822 – 0 = -0.34 t calculado

Donde = (n-k) son los grados de libertad gl = 25-3 =22

Se concluye aceptando la hipótesis Nula y rechazar la hipótesis alternativa porque B2 no es estadísticamente

m. El modelo matemático y econométrico.

Log  = Log α +Log  1 1 +Log  2 2

b. Matriz de varianzas y covarianzas.

ˆ = 0.84+ 0.46(1.3979) - 0.06(3.0413)

Se toma los valores que se están testeando

T = 0.4561 – 0 = 1.15 t calculado

Donde = n-k son los grados de libertad gl = 25-3 = 22

Se toma los valores que se están testeando

T = 0.0551 – 0 = 0.18 t calculado

Donde = (n-k) son los grados de libertad gl = 25-3 =22

H0 = ˆ 1 >1 El parámetro b1 (envases) es elastico

T = 0.4561 – 1 = - 1.37 t calculado

Donde = n-k son los grados de libertad gl = 25-3 = 22

H0 = ˆ 2 < 1 El parámetro b2 (distancia) es inelástico

T = 0.0551 – 1 = -3.09 t calculado

Donde = (n-k) son los grados de libertad gl = 25-3 =22

Se concluye aceptando la hipótesis Nula porque B2 (distancia) es inelástico respecto al tiempo

i. Interpretación del modelo

El modelo Log-Log , es un modelo de elasticidades

3. Se dispone de datos de PASIVO de 16 oficinas bancarias, de la POBLACION de la zona de influencia de

PASIVO POBLACIÓN BANCOS

g. Matriz de varianzas y covarianzas.

i. Cuáles serían los pasivos con una población de 45000 y 33 bancos.

ˆ = -26980.90+ 1.35(45000) + 1243.59(33)

Los pasivos serian de 74638.038

T = 1.3462 – 0 = 8.69 t calculado