UNIVERSIDAD PRIVADA TELESUP

MCO
Se dispone de la siguiente informacin acerca de la produccin agraria anual
Ao

Produccin
empleado
Financia
Maquinaria
Agraria
s
-miento
Agrcola
1
172,200
1,179
1,636
38,079 Se propone el
2
211,710
1,018
2,142
44,511 siguiente
3
220,160
909
2,135
52,756 modelo para
4
222,370
930
3,057
64,143 la produccin
5
249,610
1,668
4,214
80,191 total agraria
6
281,670
1,647
5,640
105,390 yt = 0 + 1 x1t
7
319,760
2,096
69,048
133,490
+2
x2t +3 x3t + t
8
320,110
2,264
62,048
157,980
9
341,030
2,170
73,876
185,180 Donde
10
386,330
2,769
84,599
218,230 Yt
:
11
403,540
2,976
99,050
254,800 Produccin
12
433,630
3,029
124,050
292,210
total agraria
13
462,300
3,480
144,850
332,450
(PRODUC)
14
471,830
3,642
158,490
363,680
X1:
15
535,650
4,151
176,786
398,770
16
578,840
4,708
196,320
438,290 Volumen de
trabajadores
17
675,400
5,614
235,340
480,110
18
813,020
6,095
281,960
523,490 agrcolas
19
917,140
6,660
319,250
566,950
20
1,016,000
6,850
372,840
606,070
(EMPLEADOS)
X2: Parque de maquinaria agrcola (MQAGRIC)
X3: Financiamiento pblico y privado (FINANC)
a. Realice un anlisis completo de los resultados obtenidos e indique que problemas
tendra el modelo (heteroscedasticidad y autocorrelacin)
b. Si el modelo estimado por MCO proporciona coeficientes, obtener una prediccin
puntual e intervlica para la produccin agrcola total del ao 21, si el volumen de
empleados fuera de 6860, el parque de maquinaria agrcola de 701040 y el
financiamiento de 381030.

Econometra Orientada A Los Negocios

Pgina 1

UNIVERSIDAD PRIVADA TELESUP

a) Antes de empezar a modelar los datos brindados se observa que estos corresponden
a una Serie de tiempo, es decir, provienen de datos recogidos por periodos de tiempo,
generando de esta forma graves problemas de autocorrelacin dado que no cumplen
uno de los supuestos del modelo de regresin lineal (Independencia), sin embargo
procederemos a modelar los datos con esta metodologa con la finalidad de estudiar
mas a fondo dichos problemas de violacin de supuestos del modelo.
El modelo lineal planteado ser:
Mediante el software SPSS fcilmente obtenemos los datos bsicos del modelo, como
sus coeficientes , y su tabla de ANOVA.
En la tabla ANOVA se observa que el modelo es significativo.
ANOVAb
Coefficientsa
Sum of
Mean
Model Model
Unstandardized
Standardize
Sig.
Squares
df
Square
Ft
Sig.
d
1
Regressio Coefficients
1,091E12
3
3,637E11
420,219
,000a
Coefficients
n
B
Std. Error
Beta
Residual
1,385E10
16
8,655E8
1
(Constan
166481,15
29797,880
5,587
,000
Total
1,105E12
19
t)
0
a. Predictors: (Constant), x2, x3, x1
x1
69,696
28,653
,556
2,432
,027
b. Dependent Variable: y
x3
2,077
,433
,980
4,793
,000
x2
-,706
,252
-,548
-2,798
,013
a. Dependent Variable: y

De la misma forma, se observa que todas las variables incluidas al modelo son
consideradas como influyentes para la prediccin de y, as mismo obtenemos los valores
de los parmetros.
El error estndar del modelo es de 29419,44250 lo cual es bastante alto, esto es el
primer indicio de que podran estar ocurriendo problemas en los supuestos del modelo.

Mode
l

,994a

Model Summary
R
Adjusted R
Square
Square
,987

,985

a. Orientada
Predictors: (Constant),
x2, x3, x1
Econometra
A Los Negocios
Pgina 2

Std. Error of
the Estimate
29419,44250

UNIVERSIDAD PRIVADA TELESUP

Los problemas de dicho modelo se comienzan a observar cuando se hace un anlisis de

la violacin de los supuestos, por ejemplo a partir de
podemos calcular muchos
indicadores, por ejemplo:

En general obtendremos ms indicadores a partir del software:

Model

El

Correlations
ZeroPartial
order

Collinearity Statistics
Toleran
VIF
ce

Part

(Consta
nt)
x1
x3
x2

,984
,990
,967

,520
,768
-,573

,068
,134
-,078

,015
,019
,020

66,759
53,391
49,004

factor de inflacin de la varianza (VIF) sin duda seala serios problemas de

multicolinealidad en cada una de las variables.
Para estudiar los problemas de autocorrelacin realizamos la prueba de Durbin Watson
donde se obtiene que =1,5 y el valor de tabla para tres regresores, n=20 y =0.01 es
=0.9 y

=1.41
Model Summaryb
R
Adjusted R
Square
Square

Model

,994a

,987

,985

DurbinWatson

29419,44250

Grficas de residuos para y

Grfica(Constant),
de probabilidad
normal
a. Predictors:
x2, x3,
x1
99
b. Dependent Variable: y

50000

90
50

1,500

vs. ajustes

Residuo

Porcentaje

Std. Error of
the Estimate

25000
0

Es10decir, existe autocorrelacin en el modelo. Finalmente,

mediante el mtodo grfico
-25000
observamos que el supuesto de normalidad se acomoda
al
modelo, sin embargo pueden
-50000
1
existir problemas
de heterocedasticidad
negativa.
-50000 -25000
0
25000
50000 y de autocorrelacin
200000
400000
600000
800000 1000000
Residuo

Valor ajustado

Histograma

vs. orden

Econometra Orientada A Los Negocios

4
2
0

Residuo

Frecuencia

50000
6

25000

Pgina 3
0

-25000
-50000

-60000 -40000

-20000

Residuo

20000

40000

60000

6
8 10 12 14 16
Orden de observacin

18

20

UNIVERSIDAD PRIVADA TELESUP

b) A partir del modelo:

Realizaremos la prediccin para el ao 21:

1831648,61
Finalmente la estimacin intervlica con =0.05 ser:

Econometra Orientada A Los Negocios

Pgina 4