Mini Libri To

introductoria
Resúmenes de econometría
2011
Luis Damian Jungnikel Matamoros
Este trabajo es un breve resumen de la materia econometría, además

se incluye un modelo econométrico formulado con datos en los
empíricos obtenidos del Banco Central de Ecuador
Facultad de Ciencias Económicas de la

Universidad de Santiago de Guayaquil
(Estatal)
Curso 3/3 especial Matutino año lectivo 2011
damianjungnikel@hotmail.com
Luis Damian Jungnikel Matamoros, resúmenes de econometría 3.3// Catedrática Economista. Margarita
Moreira
Agradecimientos.
Una vez mas y como tengo costumbre, agradezco a aquellos que de alguna forma
me comparten sus conocimientos, eso incluye a aquellos que saben trabajar en equipo, algunos
como una forma de retribuir lo que se les pudo enseñar, como sea, gracias.
Estoy enormemente agradecido por cada uno de los profesores que saben impartir
su materia, y no solo ello, sus vivencias que muy aparte de la materia, son un impulso para seguir
adelante., además, a aquellos profesores que inculcan el espíritu investigativo.
A la profesora, economista Margarita Moreira, que nos enseño a apreciar la

econometría.
A mis amig@s se los súper quiere… and Stuff….

Moreira
Contenido
Agradecimientos. ................................................................................................................................ 1
Objetivo ............................................................................................................................................... 2
Metodología ........................................................................................................................................ 3
Capitulo 1 ............................................................................................................................................ 6
Modelo ................................................................................................................................................ 6
La regresión.- ....................................................................................................................................... 6
Ecuaciones normales ........................................................................................................................... 9
Una variable explicativa (dos variables o simple) ............................................................................... 9
Modelo de dos explicativas (tres variables, o múltiple).................................................................... 10
Desviaciones estándar (y/o varianza) ............................................................................................... 11
Pruebas a realizar al modelo: ............................................................................................................ 17
Prueba de significación de los parámetros ....................................................................................... 17
Capitulo 5 .......................................................................................................................................... 39
Ejemplos ............................................................................................................................................ 39
Ejercicios realizados por el estudiante: ............................................................................................. 39
Bibliografía consultada y recomendada ............................................................................................ 94
Objetivo
El objetivo de este trabajo, es brindar al estudiante de Ciencias Económicas un breve

resumen de la materia de Econometría, y es además un resumen del trabajo pedagógico realizado
Moreira
en el curso 3/3 año 2011, esperando que facilite a otros alumnos el uso de las formulas y además
agrego un breve ejemplo de análisis econométrico.
He tratado de ser lo más práctico posible y no confundir (y de hecho pasa) con el

análisis de hipótesis. Claro esta, en Econometría no es tan fácil, dar un manual de que hacer en cada
caso, ya que es una materia muy extensa, y los datos macroeconómicos traen en si incluidos muchos
problemas violatorios de los supuestos de los mínimos cuadrados ordinarios (de en adelante MCO),
como por ejemplo los datos macroeconómicos que tienen problemas por ser serie de tiempo, como
la auto correlación por ejemplo, pero espero que este trabajo sea de ayuda a la comprensión de la
materia.
Metodología
Se utiliza en extremo la sencillez, y que este trabajo no es un libro en sí, es solo un

referente de las formulas a utilizar en un curso introductorio de econometría.
Los datos a menos que se indiquen lo contrario, fueron extraídos del Banco Central
del Ecuador, en miles de dólares.
Se utilizan los programas de respaldo, EVIEWS 6, y el SPAS 17, tratando de ser

objetivos y simplistas en su uso.
Se ha agregado temas “(opcionales)” que aunque no son necesarios en el curso

introductorio me parecieron interesantes y necesarios si se desean explicar ciertas circunstancias
económicas
Es necesaria una comprensión básica de economía, de matematicas, de algebra y de

estadística.
Moreira
Por favor lea este decálogo antes de introducirse en el catalogo de formulas

econométricas:
Siguientes "diez mandamientos de la econometría aplicada":"
1. Utilizarás el sentido común y la teoría económica.
2. Plantearás las preguntas adecuadas (es decir, preferirás la relevancia antes que la elegancia
matemática).
3. Conocerás el contexto (no harás análisis estadísticos ignorantes).
4. Inspeccionarás los datos.
5. No idolatrarás la complejidad. Utilizarás el principio MSE; es decir, mantendrás la simplicidad

estocástica.
6. Verás las consecuencias de tus resultados y serás perseverante con ellos.
7. Estarás consciente de los costos de la búsqueda exhaustiva de datos.
8. Estarás dispuesto a comprometerte (no adorarás las prescripciones de los libros de texto).
9. No confundirás significancia con sustancia (no confundimos la significancia estadística con la

significancia práctica).
Moreira
10. Te confesarás ante la presencia de la sensibilidad (es decir. te anticiparás a las críticas).
(Original de: Peter Kennedy, de la Universidad Simón Fraser de Canadá,
Extracto del libro econometría de Gujarati)

Moreira
Capitulo 1
Escogiendo el Modelo
Capitulo 1
Modelo
El “modelo” es la simplificación de la realidad.
Primeramente se debe seleccionar un modelo económico existente, de no haberlo

plantear un comportamiento, es decir una hipótesis, por lo tanto se debe revisar el marco teórico
económico. Después de ello plantear un modelo matemático que refleje la situación hipotética.
Tercero, plantear el modelo econométrico, de acuerdo a lo que se desea comprobar o refutar,
incluyendo en el termino errores, es decir trabajar bajo un nivel de significancia 1 (o porcentaje
admisible de errores), para ello debemos realizar múltiples pruebas en la ecuación para probar que
se cumplen los supuestos, y es más para probar el poder predictivo de esta,
La regresión.-
Se define a la regresión como la hipótesis que se plantea entre la relación lineal (en
los parámetros exclusivamente) entre una variable que se llamara explicada, endógena o
dependiente, entre una o más variables de nombre explicativa, exógena, o independiente.
1
El investigador y econometrista debe considerar, el grado aceptable que puede variar los resultados a
partir de una información. Este error generalmente no pasa de 0,1%, 1%, 5%, 10% que son los niveles de
significancia generalmente aceptado.
Moreira
Lo cual plantea entonces a la existencia de coeficientes que indican el efecto

multiplicativo del comportamiento de variables a sus resultados.
El método más general para realizar la regresión es el MCO, pero tiene una
restricción, debe cumplir con los supuestos para que los estimadores sean mejor estimador lineal
insesgado implícito (de aquí en adelante MELI).
La (ciencia) económica, plantea relaciones entre variables, con el supuesto de que

todo esta Ceteris paribus, es decir solo se mueven las variables estudiadas, pero como es de
suponer, no podemos controlar todas las variables en la vida real, y muchas de ellas omitidas son
omitidas en los estudios económicos, además no podemos controlar en algunos casos los errores
de muestreo (recolección de datos) por ello a diferencia de otras ciencias exactas con la economía.
Nuestras investigaciones económicas incluyen un término llamado perturbación

aleatoria o termino del error (lleva la letra e, u, v, etc.), el MCO busca minimizar la diferencia de esos
errores, elevándolos al cuadrado para darle mayor peso a los errores mayores.
De ahí los supuestos MCO:
1 SUPUESTOS DE LOS MINIMOS CUADRADOS ORDINARIOS
1) Se supone que el error esta normalmente distribuido. Los errores o desviaciones son una variable
muy importante en un modelo econométrico. La variable estocástica debe cumplir con los mismos
supuestos de normalidad que las demás variables. Su media, su moda y su mediana deben
aproximarse a la normalidad.
2) El error tiene media de cero.
3) Los términos del error no están correlacionados o relacionados el uno del otro.
4) Los errores tienen una desviación aproximadamente constante. O ser Homocedastica
5) Las explicativas y los errores no deben estar relacionados.
6) ui y uj no deben estar correlacionados.
7) los parámetros (las pendientes y el error) deben ser lineales. Es decir linealidad en los parámetros.
Moreira
(Veáse formulas para Plantear una regresión lineal).
Modelos no lineales
Su construcción es muy simple y se aplican las mismas reglas, ya que lo que interesa
es en sí que los parámetros (coeficientes, pendientes, etc.) sean lineales. Que un modelo presente
potencias, logaritmos, quebrados no afecta al modelo, y no quebranta ningún supuesto de los MCO,
sin embargo es preferible linealizarlos.
Por ejemplo
Y=a+bX+cX2 es lineal en sus parámetros ya que se puede considerar X cuadrado como una variable
mas, no así:
Y=abx que debe ser linealizado.
En la construcción del las tablas cerciórese de “transformar los datos “conforme lo pide la nueva
ecuación
2 Linealizando modelos
Exponencial
O modelo log lin
Yi=b0b1xiei -> logia=logb0+xilogb1+Logei
Potencial
O modelo log log
Yi=b0xi b1ei -> logiY=logb0+ b1logxi+logei
Reciproco
O inverso
Y/X=b0+B11/X -> es lineal en sus parámetros.

Moreira
En este caso dividir todas las variables para una explicativa, y dejar esa explicativa
inversa.
Como sea el caso se puede utilizar el software Eviews u cualquier software

econométrico para realizar la ecuación de forma directa, o transformar los datos en la hoja de
trabajo.
Ecuaciones normales
Primero se plantea la ecuación. La constante es reemplazada por “n” ( numero de datos),
las variables son reemplazadas por sus sumatorias.
∑ Y = nB0 + B1 ∑ X1
Para obtener así la primera ecuación normal. Luego se multiplica toda la ecuación por la
sumatoria de cada una de las variables explicativas de la primera ecuación normal. Así obtenemos
las ecuaciones que sean necesarias, ya que si hay una variable explicativa, debemos obtener dos
ecuaciones normales. Es decir el número de ecuaciones normales depende del número de variables
explicativas más la explicada.
Las ecuaciones normales son validas para todo tipo de ecuaciones, solo si se ha lineal izado
primero.
∑ YX1 = B0 ∑ X1 + B1 ∑ X1 2
Una variable explicativa (dos variables o simple)

2 2
∑ ̅̅̅
u2i = ∑(Yi − Ŷi ) = ∑(Yi − B
̂1 − B̂
2 X i ) Minimizar
Debe notar que:
Los símbolos con ʌ son estimados.
En donde los símbolos con – son medias.
Las letras mayúsculas corresponden a valores absolutos del muestreo.
Las letras minúsculas corresponden a desviaciones con respecto a la media.
Generalmente se tipea Y para indicar la variable dependiente, endógena o explicada.

Moreira
Se tipea X para indicar la variable o las variables explicativas, exógenas o explicativas.
𝑛 ∑ 𝑋𝑌 − ∑ 𝑋 ∑ 𝑌
𝐵̂2 =
𝑛 ∑ 𝑋 2 − (∑ 𝑋 2 )2
∑ 𝑥𝑦
𝐵̂2 =
∑ 𝑥2
𝐵̂1 = 𝑌̅ − 𝐵2 𝑋̅
Modelo de dos explicativas (tres variables, o múltiple)

-
𝑚𝑖𝑛 ∑ 𝑢̂𝑖2 = ∑( 𝑌𝑖 − 𝐵̂1 − 𝐵2 𝑋2 − 𝐵3 𝑋3 )2
𝑌 = 𝐵 + 𝐵𝑋 + 𝐵𝑋
𝑋𝑌 = 𝐵𝑋 + 𝐵𝑋 + 𝐵𝑋
𝑋𝑌 = 𝐵𝑋 + 𝐵𝑋 + 𝐵𝑋
𝐵 = 𝑌 − 𝐵𝑋 − 𝐵𝑋
Solución por algebra matricial

Moreira
Ejemplo
Desviaciones estándar (y/o varianza)
Modelo simple
Modelo Multpile
Moreira
Por algebra matricial
Regresión a través del Origen (el intercepto es el origen) Opcional
El uso de variables ficticias
En el caso que sea necesario agregar situaciones en las que no se puede analizar
cuantitativamente, o que si se puede pero dándole un estimativo personal (del investigador) se usan
las variables ficticias, que generalmente llevan la letra D.
El uso de Variables Dicótomas
Son variables ficticias que solo pueden obtener valores fijos, en el caso de que sean variables
explicativas que son el cero y el uno, y en algunos casos el menos uno, es el caso de las endógenas
Moreira
valores probabilísticos, esos valores van de cero a uno. Como investigador debe tener la mente
abierta y despierta para poder incluir fenómenos Sociales, al modelo, además de comportamientos
inusuales dados en épocas históricas por medio de las Variables Dicótomas, como efecto de guerra,
calamidad climática, etc.
Regresión lineal por secciones (opcional)
En donde X* es el Umbral.
Efecto multiplicativo de interacción (opcional)
El efecto multiplicativo de interacción
Sirve para saber como influyen las dos variables ficticias agregabas a la vez.
Regresión con variable dicótoma endógena de decisión o ficticia (opcional)
Análisis en elasticidades.
Variables Dicótomas
Moreira
En el mismo orden que los modelos de arriba. Aplique si d=0; si d=1
Precaución….cuidado con la muticolinealidad perfecta. Agregar m-1 variables donde m es categorías.
El Uso de Ecuaciones Simultáneas.-
Esto se refiere al uso de varias ecuiaciones que conforman un modelo e interacctuan para explicar
un fenómeno económico, pero para ello se debe identificar cual es la forma correcta de el modelo,
se necesita de transformar las ecuaciones al seleccionar la ecuación identificada.
Uno de los métodos, es en estimación de MCO, pero se obtendrían estimadores que no son MELI.
Se puede recurrir al método de estimadores recursivos, (se estima una matriz, para hallar una
ecuación que represente a todas en su conjunto).
Además de ello se puede obtar por los mínimos cuadrados indirectos (en adelante MCI) y en los
mínimos cuadrados en 2 etapas ( en adelante MC2E), si uyna ecuación esta perfectamente
identificada se puede utilizar MCI o MC2E indiferentemente, en algunos casos se prefiere MCI por
su sencillez, pero trae el problema de la dificultad de encontrar las varianzas.
Moreira
Si una ecuación esta sobreidentificada se puede utilizar MC2E.
El método para encontrar cual es la ecuación identificada es simple, se enumeran las variables
endógenas y exógenas del sistema de ecuaciones, de ello se toma una ecuación de referencia y si
las variables exógenas excluidas son Mayores que las variables endógenas entradas menos uno esta
sobreidentificada, si es igual esta identificada, y si es menor esta subidentificada y no se puede
utilizar, debido a que se enconrarian un numero infinito de ecuaciones.
MCI
1.-después de identificar, Obtengase las ecuaciones reducidas
2.- Apliquese MCO para encontrar reducidas
3.- Obtengase los coeficientes a partir de la reducidas (ahora estructurales)
MC2E
1.-después de identificar, de la subidentificada, agregese todas las demás exógenas que no entran
el modelo…. (Variables instrumentales).
2.- Obtengase las estimadas
3.- Haga una regresión con las estimadas, donde la endógena de la subidentificada se transforma en
exógena.
Queda a consideración del lector profundizar los pros y los contras de los modelos
Moreira
Moreira
Capitulo 2
Pruebas al modelo.
Pruebas a realizar al modelo:
Prueba de significación de los parámetros

Con el fin de probar si los coeficientes son o no diferentes a cero, debemos plantear la hipótesis
nula de que los coeficientes son cero, y la alternativa que no son cero.
Moreira
Para ello debemos encontrar la desviación estándar. Y aplicar el supuesto de normalidad donde la
media muestral es cero
Regla: Si T calculada es Mayor a la T de tabla (en valor absolutos) al nivel de significancia, es

estadísticamente significativo, es decir NO acepte (rechace) que los coeficientes son cero (no olvide
que grafique para evitar equivocaciones)
En el Software Econométrico si el valor P es menor a 0,05 No acepte (rechace) que el coeficiente es

cero.
LA BONDAD DEL AJUSTE
Es necesario conocer que tan exacta es la regresión, es decir, que porcentaje de los datos se ajustan
a la regresión conocidos como R2.
Para ello utilizamos el coeficiente de determinación, que se puede obtener rápidamente por medio
de la tabla ANOVA (estadística 1 revísese por favor).
Es un problema de grado, es decir para este análisis consideraremos que los valores pueden estar
de Cero a Uno, y que un valor menor a 0,5 indica una relación débil, y un valor mayor a 0,5 indica
una relación fuerte, además de ello es de esperar que la Bondad del ajuste del modelo sea superior
a 0,7 (0,8 en algunos textos), y si es positivo la relaciones directa, si es negativo la relación es inversa,
para en el caso de los coeficientes de determinación son solo positivos, y es de esperar que la
relación de la variable dependiente con las independientes sean muy fuertes y lleguen casi al uno.
En la bondad de ajuste se considera también el coeficiente de determinación ajustado, en el que se

“castiga “al coeficiente de determinación con el nuero de datos y el número de variables
explicativas.
Moreira
La bondad del ajuste Simple
(Sic=suma de los errores cuadrados totales, Sec=suma de los errores de la regresión cuadrado o no
explicado), suma de errores de las perturbaciones cuadrado, o explicada)
Múltiple
La bondad es buena si es mayor a 0,7; eso si depende del

investigador.
Ajustada
Por matrices
Moreira
La prueba Global
Es la proporción del a variación de la dependiente explicada por las variables independientes en su
conjunto, dicho de forma más simple, que todos los coeficientes de la e ecuación en su
conjunto no sean cero.
Para ello se realiza la distribución F y se compara a la distribución f de tabla
Nótese que se incluye la tabla Anova (análisis de Varianza) que simplifica el desarrollo de la
distribución f calculado.
Múltiple
Moreira
Por Matrices
Si F calculado > f tabla (en valor absoluto) no acepte (rechace) b2=0, y en el software econométrico no
acepte (rechace) si el valor p es menor a 0,05.
Correlación
Para realizar la prueba de que grado de relación, entre dos variables exógenas, se realiza la prueba
de correlación.
Para ello por medio de matrices podemos revisar, siendo este un problema de grado.
Si el valor es negativo, indica relación inversa, si es menor a 0,5 o cero indica una relación débil o
nula, si es mayor a 0,5 indica una relación fuerte, y se acepta la hipótesis de correlación si el valor
es mayor a 0,7 indiferentemente del signo, obviamente en valor ABSOLUTO.
Moreira
Prueba de Correlación
MUTICOLINEALIDAD O MICRO NUMEROSIDAD.

Se refiere al problema antes mencionado, la relación fuerte de una variable explicativa con otra
explicativa es violatoria de los supuestos de los mínimos cuadrados ordinarios.
En este caso específicamente la muticolinealidad ocurre cuando una variable explicativa esta
fuertemente relacionada con las otras variables explicativas, y para comprobarlo debemos realizar
una regresión para cada variable explicativa excluyendo a la dependiente( o endógena o explicada),
y asumimos el valor del R cuadrada como el coeficiente de correlación múltiple, y es un problema
de grado, es decir se acepta hipótesis de muticolinealidad si el valor supera el 0,7 ( ese valor depende
del investigador), si es igual a uno es perfecta!.
Podemos además analizar estos problemas por medio de las varianzas, y de forma más práctica es
la siguiente:
Los coeficientes son muy pequeños y la varianza es muy grande. Además en el análisis del Software
contemplaremos lo siguiente: una R cuadrada muy alta, Un valor F probabilístico muy bajo e inferior
al 0,05 pero muchas de las variables tienen probabilidad mayor a o, o5 aceptándose que sean
coeficiente cero.
Moreira
Se puede resolver en unos casos agregando más datos, o eliminando las correlacionadas.
Prueba de Muticolinealidad
Factor inflado de varianza, es perfecta cuando TOL=cero
Se acepta muticolinealidad cuando FIV tiende a Diez.
Solución:
O elimine el sesgo de especificación.
En el caso de regresiones para cada variable explicativa
Se acepta muticolinealidad si el valor R (ahora coeficiente de determinación multiple) cuadrada es

mayor a 0,7-(según el criterio del FIV o del TOL el R cuadrado debe ser mayor a 0,80)
HETEROCEDASTICIDAD-
Violación de el supuesto del MCO en el que los errores no son estables, no son iguales, a diferencia
del supuesto de homocedasticidad, en que la varianza es igual a lo largo de los datos.se define como
homocedasticidad cuando la varianza de los errores es constante.
Moreira
En las pruebas (generalmente) se realiza una regresión con los errores, y de ahí se realiza la pruebas
globales y de distribución chií cuadrada (estadística 1-2), y si hay evidencia de linealidad, se acepta
Heterocedasticidad, ya que si los errores son iguales, su pendiente seria cero.
En su análisis grafico, se descarta la Heterocedasticidad si los puntos maestrales de los errores son
aleatorios. Pero esto es solo una ayuda, debido a que las percepciones pueden engañar.
Prueba de Heterocedasticidad
Prueba de Park
1.-realiza la regresión
T calculado>f tabla Heterocedasticidad (en valor absoluto)
En el software, Si el valor probabilístico de la Chií cuadrada excede 0,05 acéptese Homocedasticidad.
Prueba de Golden Quant
1.- Ordenese los valores en orden ascendente
2.-Elimine las observaciones centrales
3.-Ajusten regresión para el primer grupo y para el segundo grupo
4.-Calcule la razon
Moreira
F calculado > F tabla heterocedastica (en valor absoluto) si F calculado< F tabla Homocedastica
En el software, Si el valor probabilístico de la Chií cuadrada excede 0,05 acéptese Homocedasticidad.
Prueba PGB
1.- Obtengase residuos
2.-Obtengase la varianza, sumatoria de errores dividido para n
3.- Construyase Pi
4.-Construyase regresión con Pi como endogena
5.-Obtengase el SEC
Chií calculado>chií tabla (M-1 GL) heterocedastica si chií calculado<chií tabla heterocedastica (en
valor absoluto)
En el software, Si el valor probabilístico de la Chií cuadrada excede 0,05 acéptese Homocedasticidad
Prueba de heterocedasticidad de White
1.- estime
Moreira
Gl =m-1 auxiliar
Chií calculado>chií tabla (M-1 GL) heterocedastica si chií calculado<chií tabla heterocedastica
En el software, Si el valor probabilístico de la Chií cuadrada excede 0,05 acéptese Homocedasticidad
Auto correlación.-
La auto correlación se refiere a un problema de violación de los supuestos de los MCO y que se da
en series de tiempo, los errores presentan tendencia en el tiempo, para ello recurrimos a una serie
de pruebas.
El tema es un poco extenso y se deja solo aquí como referencia.
Las formas de corregir el problema están en transformar los datos o recurriendo a el modelo Ocrane
Orcut.
Prueba de Auto correlación
Prueba de Durbit Watson
Se debe proceder a estimar los residuos y los residuos rezagados.

Moreira
Para el análisis de la tabla d (Durbit Watson) debemos dividir el intervalo para cuatro, siendo los
cuartos al extremo como zona de indecisión. Esto es válido para probar hipótesis de existencia de
Auto correlación positiva y negativa.
Para el caso de auto correlación positiva solamente solo se considerara que el valor no sea menor que
el rango, es decir si el valor cae dentro del rango es indeciso, si el valor d calculado > d tabla inferior
rechácese auto correlación positiva.
Modelo rezagado para corregir auto correlación.-
Para evitar perder el primer dato
También se puede utilizar esta aproximación de p

Moreira
Es decir realizase un modelo rezagado, y la pendiente de la endógena rezagada es el valor pi para ello
corrugase los valores con la ecuación (transforme los datos).
Moreira
Capitulo 3
Prediciendo el futuro.
Moreira
Intervalos de confianza
Los intervalos de confianza, sirven para suponer en cuanto podrían variar los valores estimados, es
decir, dicho más simple donde caerían los verdaderos valores (dentro de la posibilidad deseada).
Entre ellos tenemos intervalos de confianza para los coeficientes, para la media, para las varianzas,
para las predicciones, sean individuales o de la media.
Prueba de Intervalos de confianza
Estimación de intervalos
Intervalos de confianza para la varianza

Moreira
Análisis de regresión y análisis de la varianza
Predicción media
Predicción individual
Por matrices
Recordar que si se acepta es por probabilidades (el error aun es probable) Error tipo 1 aceptar falso
alfa alto, error tipo dos rechazar verdadero alfa bajo y amante al riesgo.
Cuando se rechaza la hipótesis nula es estadísticamente significativo. En las pruebas de signo. Al

revés.
Moreira
Prueba de Hipótesis intervalo de confianza Regla de decisión:
Construya el intervalo de confianza de b O de σ al (1-alfa) %, si b o σ cae fuera se rechaza. Además

recordar que si se acepta es por probabilidades (el error aun es probable) Error tipo 1 aceptar falso
alfa alto, error tipo dos rechazar verdadero alfa bajo y amante al riesgo.
Moreira
Moreira
Capitulo 4
En fin…Más pruebas.
Moreira
Pruebas para escoger el mejor modelo.
Pruebas para escoger el modelo
Claro esta! Que debe primero el modelo pasar las pruebas de supuestos de MCO y ser MELI para
formular estas pruebas y salir de dudas, en el nivel probabilisticvo escogido que la estructura,
especificación del modelo es correcta.
Prueba de estabilidad estructural o CHOW
(Opcional) para ver si conviene agregar ficticias.
1.- se estima regresión SRC restringida.
2.- se agrupan los datos en dos partes y se obtiene SRC1 y .

Moreira
3.- SRC2.
4.- se obtiene SRC nr.
5.-
Si F calculado > F tabla rechazar la estabilidad.
Prueba MWD de la forma funcional del modelo
(Opcional)
Por la vida… si quieres saber si conviene una ecuación logarítmica ….haga esto…
1.- Haga la ecuación lineal y obtenga las estimadas.
2.- haga la ecuación logarítmica y obtenga las estimadas .
3.- obtenga los logaritmos de las estimadas lineales y luego réstalas de los estimados de los
logarítmicos, se le llamara Z.
4.- obtenga la regresión Y=X+Z si T calculado > T tabla es lineal.
5.- obtenga el antilogaritmo de Z, llámelo Z2
6.- obtenga la regresión logY=X+Z2 si T calculado > T tabla es logarítmico

Moreira
Prueba reset de Ramsey.
1.- Obtenga la Y estimada
2.- introduzca estos valores en la ecuación, ya sea como potencias, depende de usted.
3.-Obtenga R cuadrada, de las dos ecuaciones
4.-
5.-Si F calculado > F tabla acepte mal especificado
En el software, acepte una buena especificación del modelo si el valor probabilístico de chií cuadrada
es mayor a 0,05 o si la F es menor a o,o5
Nota final.
Moreira
Muy aparte de todo el análisis esta el criterio del investigador, en mi caso
Se debe escoger el modelo que aporte las siguientes pruebas
 Probabilidad F más baja

 Ningún coeficiente cero
 R cuadrada más alta
 Sin problemas de auto correlación, correlación, Heterocedasticidad.
 Visulamente cada variable responda a la forma que se le asigno.
 Que las pruebas para escoger el modelo (capitulo 4) sean las probabilidades más altas.
Por ultimo……De nada sirve un modelo
Si NO puede predecir
Además…
Hay que considerar que si se manipulan exesivamente los datos estos “cantaran” por culpa de la
tortura, y dirán lo que uno quiere escuchar (Gujarati).
Moreira
Capitulo 5
Ejemplos
Ejercicios realizados por el estudiante:
FORMULACION DEL MODELO:
DA= f (H, G, P, S, O, M) la cual en este caso es demanda interna (consumo total)
DONDE:
H= hogares
Moreira
G=gobierno
P= IPC
S= salarios
O= exportaciones de petróleo
M= importaciones en general
Da= b0+b1H+b2G+B3P+B4S+B5O+B6M+e, incluyendo el termino de error de perturbación.
De la siguiente ecuación básica vamos a demostrar si existe relación, si existe linealidad, y si las
variables son iguales a cero.
Recurrimos al Software, Eviews
Para procesar los datos y hacer el análisis respectivo.

Moreira
Abrimos primero una hoja de trabajo nueva [File-New Workfile]2, e ingresamos el rango de años en
el que vamos a trabajar, en este caso desde 1970 a 1996, y copiamos la información de una hoja de
trabajo de Excel.
Y H G P S O M
Años Demanda Hogares Gobierno Ipc Salario Petroleo Importaciones
1970 5.402 3.871 566 5.597 26.000 1 1.476
1971 5.932 4.143 537 9.500 29.000 2 1.792
1972 6.300 4.229 596 7.671 29.000 60 1.760
1973 7.814 4.524 666 11.959 30.000 283 1.999
1974 8.328 5.099 1.035 22.727 40.000 697 2.670
1975 8.876 5.672 1.263 15.370 40.000 587 3.225
1976 9.639 5.990 1.370 10.540 56.000 741 3.276
1977 9.722 6.391 1.692 12.924 55.000 718 3.882
1978 10.479 6.683 1.642 13.588 56.000 714 4.139
1979 10.964 7.038 1.744 10.113 72.000 1.182 4.253
1980 11.309 7.591 1.792 12.611 144.000 1.587 4.614
1981 11.707 7.864 1.781 14.729 128.000 1.726 4.381
1982 11.551 7.920 1.823 16.336 115.000 1.527 4.507
1983 11.390 7.232 1.750 48.387 57.000 1.653 3.496
1984 11.775 7.426 1.736 31.202 67.000 1.835 3.360
1985 12.121 7.762 1.632 28.005 54.000 1.927 3.581
1986 12.548 7.794 1.632 23.020 71.000 983 3.559
1987 11.761 7.908 1.623 29.503 82.000 725 3.889
1988 13.043 7.932 1.791 58.228 42.000 977 3.557
1989 13.083 8.057 1.718 75.634 41.000 1.147 3.742
1990 13.229 8.298 1.715 48.521 39.000 1.418 3.734
1991 13.800 8.593 1.702 48.722 36.000 1.152 4.148
1992 11.775 3.360 15.135 54.606 30.000 1.345 4.253
1993 12.121 3.581 15.702 44.955 34.000 1.257 4.408
1994 12.548 3.559 16.107 27.311 32.000 1.305 5.053
1995 11.761 3.889 15.650 22.934 33.000 1.530 5.454
1996 13.043 3.557 16.600 24.389 30.000 1.749 4.899
Realizamos la copia de los datos.
2
LOS CORCHETES INDICAN QUE SON PASOS A SEGUIR EN EL PROGAMA; Y QUE SE DEBE GUIAR POR ESOS
MENUS.
Moreira
Para ingresar los datos a copiar procedemos a [Quick-Empty Group (edit series)], pegamos los datos
respetando el orden de las variables (siguiendo el mismo orden).
Ahora podremos procesar la regresión lineal
[Proc-Make equation]
Moreira
Obteniendo el siguiente resultado:
La siguiente información se interpreta a continuación:
La variable dependiente es Y , el método utilizado es el de mínimo cuadrados ordinarios, el número

de observaciones es 27.
La ecuación provisional queda así:
Y=0,96+0,46H+0,000657G+0,44P-0,01S+o, ooo1O+1,7M+e
Y es una ecuación provisional de borrador, de nuestro modelo.

Moreira
Queda a discusión que variables entran a explicar el modelo, para ello debemos realizar la
comprobación de diferentes hipótesis de la factibilidad del modelo y de que este rompe o no las
reglas de los Mínimos Cuadrados Ordinarios.
El coeficiente C, nos indica que cuando todas las variables son cero Y obtendrá el valor de 0,96
millones de dólares.
El coeficiente (o pendiente) de la variable H tiene un valor de 0,46 lo cual indica una tendencia lineal
directa, y cada vez que aumente el consumo de los hogares por un millón de dólares el Ingreso
nacional aumentaría en 0,46, el Valué o valor probabilístico de cometer el error tipo 1 de la hipótesis
de coeficiente cero, es de 0,0024 o 0,24% muy por debajo del 1%, se rechaza la hipótesis de que la
pendiente de H sea cero.
La pendiente de la variable G es o, 000657, tiene una relación lineal positiva con respecto a Y, y por
cada millón de dólares que aumente el consumo de <Gobierno, el Ingreso Nacional aumentara en
0,000657 millones de dólares. El valor P , o la probabilidad exacta de que el coeficiente G tenga
coeficiente cero es de 0,6740 o 67,4%, muy por encima del clásico 1%, 5%, 10% por lo que se
descartaría la variable Gobierno como explicativa.
La variable de la pendiente P es 0,043731 lo cual indica una relación directa linera con Y, y por cada
millón de dólares que aumente el nivel de precios, el Ingres Nacional aumentara 43.731 dólares.
La pendiente de la variable S (Sueldos y salarios) tiene una relación inversa con pendiente de -
0,009531 y la probabilidad de que sea un coeficiente cero es de 24,31%,
La variable O (Petróleo, en exportación) tiene un coeficiente de 0,000155, con probabilidad de que

el coeficiente sea cero de 75,49%
La variable M (importaciones) tiene un coeficiente de 1,70 relación directa con la variable endógena
Y (Pib, Demanda) y la probabilidad de cometer error tipo 1 es 0,00%
La bondad del ajuste, o coeficiente de determinación me indica que porcentaje de los datos se
ajustan a la línea de regresión, en este caso es de 0,9239 o del 92,39% lo cual indica una relación
muy fuerte de la variable endógena con las exógenas.
Moreira
Le coeficiente de determinación ajustado considera el numero de variables y el numero de datos y

“castiga” al coeficiente de determinación para arrojarnos un valor de coeficiente de determinación
mas de acuerdo al modelo planteado, en este caso es de 0,901147 o 90,11%.
La desviación estándar de la regresión es de 0,729489
La prueba global lanza la hipótesis de que todos los coeficientes sean cero, en este caso su valor es
40,50282 y la probabilidad de cometer error tipo 1 es de 0,00 o del 0,00%-
El valor Durbit Watson nos indica el grado de problema de auto correlación, la auto correlación es
un problema que se da en las series de tiempo y en los datos procesados, y viola el supuesto de que
los errores no deben seguir una tendencia a través del tiempo, el valor d es de 1,83 y se supone que
debe estar muy cercano a 2 o sobrepasarlo lo cual es aceptable al 1%.
Además podemos proceder para observar de forma grafica este problema [Quick-Stadistic series-
Correlogram] tipiamos las variables exógenas.
En el grafico existen problemas en los puntos en que las barras sobrepasen las líneas punteadas.
Moreira
Prueba de correlación
La correlación es una violación a los supuestos de los mínimos cuadrados ordinarios, y se refiere a
que las variables exógenas deben tener relación lineal (hablamos de lineal izado no específicamente
línea) con la endógena, no así las variables exógenas entre si no deben tener relación.
En este caso se procede a los siguientes pasos:
Procedemos los siguientes pasos [Quick- Group Stadistic- correlation] ingresamos las variables a
estudiar (las exógenas)
Obviamente las variables tienen una perfecta relación consigo mismas, GG =1
Los valores se interpretan de la siguiente forma ( al igual que el coeficiente de determinación) los
valores estarán entre 0 y 1 ( a diferencia del coeficiente de determinación esta en que este si tiene
signo e indica el tipo de relación directa o indirecta ) , los valores menores a 0,5 indican una relación
débil ( en este caso bueno ), si el valor va desde 0,5 a 1 es una relación lineal fuerte, y un problema
para nuestro modelo, depende de cuan arriesgado es el investigados econométrico a cometer el
Moreira
error tipo uno, en nuestro caso trabajaremos con el 0,70 o el 70% de relación, cualquier valor que
supere esto aceptara la hipótesis de que las variables están relacionadas entre sí.
GM = -0,783466 una relación inversa entre las dos variables explicativas y se acepta la hipótesis
de correlación.
HS=0,580692 una relación directa fuerte pero para nuestro caso no se acepta la posibilidad de
que sea una correlación
La manera de corregir este problema es eliminando de nuestro modelo una de las variables
correlacionadas.
Muticolinealidad.
Se refiere al u igual que la correlación de variables exógenas relacionadas entre sí, pero en este caso
hace referencia a una relación lineal entre una de las variables exógenas con el resto de las variables
explicativas.
Para ello realizaremos regresiones de cada una de las variables con el resto de las explicativas.
Los pasos a segur son [Quick - Make equation]
En el cuadro de dialogo introducimos cada una de las ecuaciones.
Analizaremos los datos y nos referiremos al coeficiente de determinación y procedemos con el

mismo criterio para las correlaciones.
Al analizar los datos obtenidos nos concentramos en revisar solo el coeficiente de determinación (si
la prueba global me indica que hay una regresión lineal), y llegamos a la siguiente conclusión
G esta fuertemente relacionado con las demás explicativas con un coeficiente de correlación
múltiple (Coeficiente de determinación entre exógenas) de 0,810121 o 81,21%.
M esta fuertemente relacionadas con un coeficiente de correlación múltiple de 0,7663 o 76,33%.
Como conclusión previa hay muticolinealidad, y se debe corregir al eliminar de nuestro modelo a las
variables con este problema
Moreira
Moreira
Problema de Heterocedasticidad
Este problema se da cuando los errores de la regresión no son iguales a lo largo del modelo.
Para analizar este problema es necesario recalcar que si los errores tienen una estructura anormal,
al graficarlos con una de las variables encontraremos una regresión.
Las pruebas de Heterocedasticidad lanza la hipótesis de que los residuos forman una regresión con
las variables, la forma del modelo para probarlo es diferente pero básicamente dan el mismo
resultado.
Moreira
Realizamos los siguientes pasos [View- residual test – Heterocedasticity test] escogemos el modelo
de prueba de Heterocedasticidad escogido, para la prueba de nuestro modelo utilizaremos la
prueba PBG y White.
En ambos casos rechazamos aceptamos la hipótesis de homocedasticidad ya que el valor

probabilístico es mayor a 0,05.
En la prueba PBG no sigue la distribución chií con probabilidad de 89,71%.
En la prueba White no sigue la distribución chií con probabilidad de 84,29%.
Prueba de Normalidad
Es de suponer que los datos no deben estar sesgados, es decir una tendencia muestral, y la teoría
nos indica que los datos debieran estar distribuidos normalmente, la media, moda, mediana se
deben ubicar en el centro de los datos, y no deben estar agolpados ahí (dicho de forma simplista).
Buscaremos la existencia de Curtuosis y de sesgo, y globalizando esta prueba por medio de la prueba
Jaque Bera, para saber si los datos siguen una distribución normal.
Los pasos son los siguientes:

Moreira
[Vews – Residual test- Normality test]
Sesgo a la izquierda, es leptocurtica, y se acepta la hipótesis nula de normalidad (cuando es mayor

a 0,05).
Llegamos a la conclusión de que el modelo “Borrador” que explica el Ingreso nacional, tiene
problemas de correlación, muticolinealidad, coeficientes cero, sin problemas de autocorrrelación y
sin problemas de Heterocedasticidad, y siendo una distribución normal.
Corrección del modelo “Borrador”

Moreira
Analizando cual variable se va del modelo
Y G M S O P H
COEFICIENTE CERO DEPEND SI SI SI
CORRELACIÓN DEPEND CON M CON G CON H CON S
MULTICOLINEALIDAD SI SI
Eliminamos entonces G; S; O;
En nuestro modelo “borrador 2” quedan entonces M; P; H;
Y=C+M+P+H+e (INCLUYENDO EL TERMINO DE PERTURBACION)
Ahora realizaremos una segunda ronda de pruebas para demostrar si este modelo es el definitivo,
utilizando los mismos pasos descritos anteriormente.
La regresión lineal que se obtiene es la siguiente:
El modelo queda estimado así :
Y=C+C1M+C2P+C3H+e
El valor que obtén nuestro modelo cuando todas las variables son cero es de 1,9 millones de dólares.
La pendiente de la variables M (Importaciones) es 1,5 con relación directa o positiva y nos indica
que por cada aumento de millón de importaciones el ingreso nacional aumenta en 1,5 millones, y
se rechaza la hipótesis nula de que el coeficiente sea cero con un valor probabilístico de 0,0000 es
decir 0,00%.
Moreira
La pendiente de la variable P es 0,05 tiene una relación positiva y nos indica que por cada aumento
que se dé en el nivel de precios, el ingreso nacional aumentara en 50801 dólares, y se rechaza la
hipótesis nula de que l coeficiente sea cero, con un valor probabilístico de 0,000 es decir el 0,00%
La pendiente de H es de 0,339196 y tiene relación directa con el ingreso nacional y por cada millón
que aumente el consumo de los hogares el efecto multiplicativo del consumo afecta positivamente
al ingreso en 339196 dólares, se rechaza la hipótesis nula de que el coeficiente sea cero con un nivel
probabilístico de 0,0003 o también el 0,03%.
La bondad del ajuste es de o, 91692 y el coeficiente de determinación ajustado es de 0, 0,9061.
La desviación estándar de la regresión es de 0,710860.
La prueba global de que los coeficientes sean cero o prueba F es de 84,66 y su valor probabilístico
es de o,ooo o de 0%, por lo que se rechaza la hipótesis de que los coeficientes sean cero.
El valor d o de Durbit Watson es 1,8 y se rechaza la hipótesis de que exista auto correlación ´positiva.
Hasta ahora el modelo “Borrador 2” no presenta problemas.
Prueba de correlación
La anterior tabla o matriz de correlación no muestra ningún evidencia de correlación grave, es más
las correlaciones son débiles, lo cual le da un punto a favor al modelo.
Prueba de Normalidad
Analizando el valor jaque Bera

Moreira
Se acepta la hipótesis de que los errores de la regresión siguen una distribución normal, con un leve
sesgo a la izquierda y leptocurtica.
En las dos pruebas realizadas se acepta la hipótesis nula de que los errores de la regresión son
Homocedastica.
En la prueba de White no sigue la distribución chií con una probabilidad de error tipo 1 de 87%.
En la prueba de PBG no sigue la distribución chií con una probabilidad de cometer error de 97%.
Prueba de muticolinealidad
Moreira
El coeficiente de correlación múltiple de la variable M es 0,08 lo cual indica que no hay problemas
de muticolinealidad.
El coeficiente de correlación múltiple de la variable P es 0,13 lo cual indica que no hay problemas
El coeficiente de correlación múltiple de la variable H es de 0,08 lo cual indica que no hay problemas
Conclusiones previas:
El modelo “borrador 2” ha pasado las pruebas previas de normalidad, Heterocedasticidad,

correlación, la prueba global, de coeficientes cero, muticolinealidad.
Ahora con un modelo con varios puntos a su favor, realizaremos más pruebas.
Intervalos de confianza de los parámetros:
Utilizando las desviaciones estándar de los coeficientes, a un nivel de confianza del 95%
Moreira
Para la variable M 1,4865(+/-)[0,143574*(1,711)]1,24<M<1,73
Para la variable P 1,050801(+/-)[0,008123*(1,711)]0,036<P<o,o64
Para la variable H 0,339196(+/-)[4,28142*(1,711)]0,203<H<0,474
Análisis de los residuos
Procedemos en la ventana de la ecuación los siguientes pasos: [View- Actual Fitted Residual –
Residual table].
Moreira
En la presente Table se muestral el comportamiento de los residuos, y a simple vista no muestran

una tendencia, y los datos que sobrepasan las líneas punteadas son datos atípicos en el modelo,
provocado por algún efecto coyuntural, en el año 1986, y en el año 1996 que podría ser el inicio de
la crisis de 1999 (desde1996), los datos atípicos también se pueden deber a una variable poco
significativa, pero descartamos esto debido a que pasaron las pruebas anteriores. Falta aun
comprobar la especificación del modelo, para ver si se debe a ese error.
Intuir del modo grafico la forma del modelo:
Análisis de datos
 Abrimos el Workfile, luego sombreamos las variabas que estamos trabajando y procedemos
así [open- as Group]
Moreira
Una vez hecho esto en esta pantalla, [view- - Scater-]
(La línea fue agregada por Word (insertar imagen)
Visualmente vemos que H, M tienen una relación lineal positiva, y que P aparentemente es una
curva que bien se puede adaptar a una línea recta, pero podría ser potencial.
(Luego probaremos un modelo en que P es potencial)
Análisis de los residuos:
Para hacer este análisis visual, vamos a [quick- graph – scater ] y procedemos a tipiar una variable
explicativa espacio resid ( se refiere a los residuos)
Moreira
Seleccionamos el grafico scatter, y los residuos deben tener una estructura aleatoria.
Moreira
Ninguna de las variables muestra una estructura con los residuos, por lo tanto no hay indicio grafico
por los residuos de que el modelo este mal especificado.
Prueba despecificación del modelo:
Para ello en la pantalla de ecuación procedemos los siguientes pasos [View- Stability test- Ramsey
test]
Prueba de reset
De Ramsey
Moreira
Los valores chiíes cuadrados y de la prueba F , son mayores al nivel de 0,05 por lo que aceptamos la
hipótesis nula de que le modelo esta correctamente especificado.
Predicciones
La siguiente es la tabla con los años siguientes….

Moreira
Y H G P S O M Utilizaremos el
Años Demanda Hogares Gobierno Ipc Salario Petroleo Importaciones
año 1997 y
1970 5.402 3.871 566 5.597 26.000 1 1.476
1971 5.932 4.143 537 9.500 29.000 2 1.792 1998 para
1972 6.300 4.229 596 7.671 29.000 60 1.760 realizar una
1973 7.814 4.524 666 11.959 30.000 283 1.999
1974 8.328 5.099 1.035 22.727 40.000 697 2.670 predicción con
1975 8.876 5.672 1.263 15.370 40.000 587 3.225 los datos que
1976 9.639 5.990 1.370 10.540 56.000 741 3.276
1977 9.722 6.391 1.692 12.924 55.000 718 3.882 se dieron en
1978 10.479 6.683 1.642 13.588 56.000 714 4.139 estos años y
1979 10.964 7.038 1.744 10.113 72.000 1.182 4.253
1980 11.309 7.591 1.792 12.611 144.000 1.587 4.614 ver si se
1981 11.707 7.864 1.781 14.729 128.000 1.726 4.381 ajustan a
1982 11.551 7.920 1.823 16.336 115.000 1.527 4.507
1983 11.390 7.232 1.750 48.387 57.000 1.653 3.496
nuestro
1984 11.775 7.426 1.736 31.202 67.000 1.835 3.360 modelo y así
1985 12.121 7.762 1.632 28.005 54.000 1.927 3.581
probar el
1986 12.548 7.794 1.632 23.020 71.000 983 3.559
1987 11.761 7.908 1.623 29.503 82.000 725 3.889 poder
1988 13.043 7.932 1.791 58.228 42.000 977 3.557
predictivo del
1989 13.083 8.057 1.718 75.634 41.000 1.147 3.742
1990 13.229 8.298 1.715 48.521 39.000 1.418 3.734 modelo
1991 13.800 8.593 1.702 48.722 36.000 1.152 4.148
hallado
1992 11.775 3.360 15.135 54.606 30.000 1.345 4.253
1993 12.121 3.581 15.702 44.955 34.000 1.257 4.408 situamos en la
1994 12.548 3.559 16.107 27.311 32.000 1.305 5.053 pantalla work
1995 11.761 3.889 15.650 22.934 33.000 1.530 5.454
1996 13.043 3.557 16.600 9.723 1.791 7.932 3.404 file.
1997 13.083 3.742 16.825 9.775 1.718 8.057 3.428
1998 13.229 3.734 16.963 10.013 1.715 8.298 3.188
1999 13.800 4.148 17.948 10.295 1.702 8.593 3.490
2000 14.011 4.253 18.263 10.383 1.579 8.804 3.665
2001 14.270 4.408 18.678 10.590 1.541 9.049 3.774
2002 14.941 5.053 19.994 10.946 1.557 9.389 4.024
2003 15.203 5.454 20.657 11.188 1.627 9.561 3.942
2004 15.568 4.899 20.466 11.237 1.543 9.694 3.774
2005 16.199 5.651 21.850 11.718 1.616 10.103 3.875
2006 16.541 6.047 22.588 12.142 1.581 10.562 4.028
Moreira
Sombreamos los datos exógenos de nuestro modelo, y realizamos la siguiente acción [Proc –
Restructure/resize current page]
Aceptamos la reestructuración de tamaño, y abrimos como grupo los datos exógenos

Moreira
Los últimos datos no están disponibles y los rellenaremos de acuerdo a la tabla de Excel.
Luego en la pantalla de ecuación [Proc- Forecast]

Moreira
Ingresamos en el casillero S.E (opcional) para que evie ws arroje las desviaciones estándar de la
predicción.
Le damos doble clic a y
Obteniendo así las predicciones del modelo
Para el año 1997 la predicción es de 9,123 millones.
Para el año 1998 la predicción es de 8,787 millones.
Ahora damos doble clic a las desviaciones SEF.

Moreira
Realizamos ahora el intervalo de confianza de la predicción
Con un nivel de significancia del 1% y 26 grados de libertad el valor t de tabla es de 2,779
Año 19979,123019(+/-) [2,779*1,154917]5,9135047<Y<12,332533siendo el valor histórico de

13,083
Año 19988,787132(+/-) [2,779*1.153436]5,5817334<Y<11,992531siendo el valor histórico de

13,229
El modelo fallo en su poder predictivo.
Probando otro modelo:
Modelo Potencial.
Conocido como log-log en algunos textos econométricos

Moreira
No es necesario transformar los datos, ya que directamente podemos ingresar la ecuación del
modelo especificado.
Cuando las variables explicativas son cero, el valor que obtendrá el log (y) es 1,024
 Una variación porcentual de P provoca un incremento porcentual (elasticidades) de

14,083%
 Una variación porcentual de H provoca un incremento porcentual (elasticidades) de

14,029%
Moreira
 Una variación porcentual de M provoca un incremento porcentual (elasticidades) de

49,029%
El modelo las pruebas de coeficiente cero, prueba global, De auto correlación( ya que ninguno de
los valores p Sobrepasa 0,05 y d>2).
Prueba de especificación del modelo log-log (Potencial)
Prueba roset de Ramsey
Los valores p de la distribución chií y de la distribución F, aceptamos la hipótesis nula de la

especificación del modelo (el modelo aun siendo potencial sigue siendo correcto)
El valor Probabilístico de el modelo log-log es más alto (se tiene más confianza en la especificación
de este modelo) y su coeficiente de determinación es inclusive más alto, 0,94 versus 0,91 del modelo
lineal.
Hasta al momento como conclusión previa, podríamos adoptar el modelo log-log como definitivo.
Moreira
Se acepta la hipótesis nula en las dos pruebas (White, PBG) que los errores del modelo son
Homocedastica.
Conclusión.-
El siguiente es el modelo definitivo.
El modelo potencial se ajusta mejor a los datos.

Moreira
Ejemplo #”2”
Función de demanda keynesiana:
El modelo Keynesiano explica el ingreso disponible en función del consumo:
YD=bo+b1 K
En donde b1 es la propensión marginal a consumir, y que por convicción es menor a uno y mayor a
cero, es decir una fracción de los ingresos será destinado al consumo, y bo es el consumo autónomo.
Se ampliara al modelo para incluir la perturbación originada en la crisis de los 90´s.
Quedando
YD=bo+b1 K+b2D+b3D K
D es la variable dicótoma. Puede obtener valores de cero a uno, en donde uno es la representación
cualitativa de la existencia de crisis financiera y cambiaria.
En donde b2 es el efecto de la crisis en el consumo autónomo y b3 el efecto de la crisis en la

propensión marginal a consumir
Entonces se revisara el efecto sumatorio y multiplicativo de la crisis histórica en el sistema

financiero ecuatoriano.
Además se revisara cualquier error del planteamiento del modelo.
La temporalidad del modelo se sitúa entre 1990-2006.
Para este trabajo se utilizo el programa econométrico EV.IEWS
El modelo de la hipótesis planteada, (de que la crisis influyo en la propensión marginal a consumir)
quedara al incluir las perturbaciones aleatorias así:
Moreira
Matemáticamente
C=bo+b1 K+b2D+b3D K+u
En donde u es la perturbación aleatoria causada por variables no incluidas en el modelo
Se utilizaron datos del Banco Central del Ecuador, expresados en millones de dólares.
Moreira
Los datos
Se tabularon en Excel.
Datos obtenidos del Banco Central del Ecuador

En millones de dólares (2000)
Años Ingreso tributo Y disponible Crisis Consumo de hogares
1990 13229 827 12402 0 8298
1991 13800 917 12883 0 8593
1992 14011 892 13118 0 8804
1993 14270 1.049 13222 0 9049
1994 14941 1.330 13611 0 9389
1995 15203 1.579 13623 0 9561
1996 15568 1.391 14177 1 9694
1997 16199 1.881 14318 1 10103
1998 16541 1.979 14562 1 10562
1999 15499 1.480 14020 1 9822
2000 15934 1.714 14219 0 10199
2001 16784 2.331 14453 0 10889
2002 17497 2.627 14869 0 11611
2003 18122 2.761 15361 0 12212
2004 19572 3.039 16533 0 12781
2005 20747 3.584 17163 0 13719
2006 21555 4.132 17424 0 14473
elaborado por el estudiante.
Moreira
Observamos la relación de forma visual de las variables a estudiar.
Como primer paso del análisis se abre el programa, [menú de inicio, Ev.iews]
Se introducen los datos previamente tipeados en Excel.
[File, new File, new work file]

Moreira
Y se especifica en el programa la temporalidad, si se desea además se tipea un titulo para

diferenciarlo de otros trabajos.mi trabajo se llama StinOviedo, los datos son ongresados desde 1990
al 2006.
Aparecerá una plantilla de trabajo, en la que predeterminada estará la variable c y resid.
C es el bo o constante, en nuestro modelo se lo considera como consumo autónomo.
Procediendo a ingresar los datos:

Moreira
En el menú [Quick, Empty edit Group series]
Sin embargo para evitar confusiones, se cambiaron los nombres de las variables, en este caso las
ficticias se denominaron F. las variable consumo de los hogares se la denomino K y el ingreso
disponible YD.
Se plantea la ecuación en el lenguaje del programa. Se pueden obviar el signo igual, ya que el
programa entenderá que después de la primera variable YD estará el símbolo igual.
La variable c es la constante, K es el consumo, F es la crisis, y F*K es el efecto multiplicativo de crisis.

Moreira
Se obtiene los resultados preliminares del modelo
Análisis de los resultados.
En primer lugar fijaremos las pruebas que seguiremos en un porcentaje de aceptación del 5%
(significancia) cualquier valor con una probabilidad superior a este será rechazado.
El valor C tiene un coeficiente de 5958,911 que se interpreta como el consumo autónomo es decir
que de ser el ingreso igual a cero se consumirá (desamorrando) $5958 millones.
El valor K tiene un coeficiente de 0,7982 lo que nos indica que el consumo de los hogares es afectado
por su nivel de ingreso, este valor es la propensión marginal a consumir, por cada dólar de ingreso
el ciudadano gastara 79 centavos.
Moreira
El valor F es la variable ficticia (dicótoma) y nos explica el efecto de la crisis y como afectaría a el
ciudadano en su consumo autónomo, agregándonos $2826 millones. En caso de haber crisis
[$5958+$2826]=$8784 millones de dólares en tiempo de crisis.
El valor de la pendiente de la multiplicación de las variables F y K nos indica el efecto de la crisis en

tiempo de crisis, en este caso la propensión marginal a consumir disminuiría en 0,2524. En tiempo
de crisis la propensión margina al consumir es 0,546 es afectada la capacidad (¿?).
La desviación estándar de la propensión marginal a consumir es 0,030683 es decir puede desviarse

en esa proporción. Es una desviación muy pequeña. El valor t es 26,01 lo que nos indica que la
probabilidad de que el coeficiente obtenido sea cero es cero, es decir la probabilidad de cometer
error es muy baja.
La desviación estándar de la pendiente de la variable ficticia F o efecto de crisis en el consumo

autónomo es 3311, lo cual si lo comparamos con la pendiente 2826 es un valor muy grande, se
obtiene un valor t de 0,8537 lo que nos indica una probabilidad de 40,87% de fallar al incluir la
variable porque es muy probable (mayor al 5%) de que sea cero, es recomendable eliminar esta
variable por que la explicación obtenida es insuficiente.
La desviación estándar de la pendiente de la multiplicación de la variable F y K o efecto multiplicativo

de la crisis en la propensión marginal a consumir es 0,3291 muy alta considerando que el coeficiente
es apenas 0,2524, se obtiene un valor t de -0,766622 que nos da una probabilidad de que el
coeficiente sea cero es 45,7% muy alta (superior al 5%).
Conclusión previa: se descarta la crisis como una explicación del comportamiento de la propensión
marginal a consumir y del consumo autónomo.
Para comprobar errores de auto correlación se realiza los siguiente pasos, [Quick, Series estadistic,
Correlogram] y visualmente se comprueba la existencia de correlación.
Moreira
Se tipea solo las variables exógenas del modelo, y se comprueba si estas se salen de las líneas de
aceptación.
No tenemos problemas graves de correlación.
Para comprobar la muticolinealidad se realizan modelos en que cada una de las variables exógenas
se relacionaran entre si. Si se obtiene un R2 mayor a 75% (este nivel lo pone el investigador) se
aceptara la hipótesis de muticolinealidad, y se deberá eliminar una de las variables.
Moreira
Encontramos multa colinealidad grave, 99,9% se debe eliminar o F o una de las variables escogidas
como exógenas.
El problema no es para K ya que no tiene muticolinealidad. La bondad de ajuste es de 3%-
Conclusión previa: elimínese F.
Nota para la siguiente prueba se debe reescribir la ecuación original (en Eviews yd c k f f*k)
Moreira
Prueba de Heterocedasticidad, se debe consultar por medio del programa realizando el siguiente
paso [View. Residual test, Heterocedasticity]
Se escoge la prueba BPG
Aunque de escoger cualquier prueba se utiliza l mismo criterio del 5%

Moreira
La probabilidad de relación lineal de los errores es de 11% por lo tanto rechazamos la hipótesis de
Heterocedasticidad.
Corrección del modelo
Eliminamos la posibilidad de escoger un modelo ampliado de Demanda agregada con Ficticia

dicótoma de demostración del efecto de crisis, sin embargo nos fue útil para observar el grado de
afectación de una crisis en el Ecuador en el sector financiero y cambiario.
Reescribiendo el modelo
En Eviews yd c K
Matemáticamente
YD (K)= b0+b1K+u
Donde bo=K b1=&
K= Consumo
Bo= consumo autónomo
&= propensión marginal a consumir.

Moreira
Interpretación de resultados
El consumo autónomo, aquel que se realiza cuando el ingreso es cero (por medio del desahorro)
alcanza los $6.174 millones de dólares.
La propensión marginal a consumir, o pendiente del consumo es de 0,78 es decir que por cada dólar
obtenido se gastan $78 centavos de dólar, y se ahorran $21 centavos de dólar.
La desviación estándar es pequeña, para la PMC de 0,03, realizando la prueba de hipótesis de que
la pendiente sea cero se obtiene un valor t de 23,22806 lo que nos indica que el error es muy
pequeño también ( probabilidad casi cero).
La bondad de ajuste o coeficiente de determinación R cuadrada es de 97,3% una relación muy fuerte
de las variables exógenas (K) con la variable endógena (YD).
El coeficiente de determinación ajustado o R cuadrada ajustada es del 97,1% por lo que se considera
que el número de datos y el número de variables no afectan al desempeño del modelo.
La prueba global (nos indica si los coeficientes en su conjunto deben ser cero) es de 539,54 en la
tabla F y da un resultado muy cercano a 0% de fallar. Se rechaza la hipótesis.
La prueba de auto correlación (relación tendencial de los errores) es de 1,25 se descarta la hipótesis.
Conclusión final
Moreira
El modelo es el apto para el estudio de la demanda agregada. Se elimino la variable ficticia crisis por
ser no relevante en la explicación del ingreso, quedando explicado por el consumo de los hogares
ecuatorianos.
ejemplo # 3
Formulando el modelo economico.-
Revisando la teoria, y formulando el enunciado de que, las importaciones son explicadas por los
aumnetos y las disminuciones de el Pib, este “movimiento “ del Pib genera fugas de dinero de la
economia por medio del gasto en impoortaciones, es decir en las compras que ingresan del exterior,
quedando la siguiente ecuacion.
M(importaciones)=b0+b1Pib; en donde b1=pmM

Moreira
En donde M son las importaciones, bo es el intercepto con el eje de las Y o de las

Importaciones, e indica el nivel de importaciones cuando la renta sea cero, en todo caso Negativo,b1
es el coeficiente de la variable exogena, en este caso es la propension margina a importar pmM, y
el Pib, el cual es la variable exogena o explicativa del modelo, el Producto interno Bruto.
Formulando el modelo econométrico.-
Basados en la teoría económica, posteriormente formulamos el modelo

econométrico, es decir tomamos en cuenta aquellas variables “ocultas” en el problema y que han
sido omitidas, además de los problemas de recolección de datos, y de precisión en el tiempo y el
tratamiento de los datos, al agregar a la ecuación económica la variable aleatoria, es decir pasamos
de un modelo determinantico, a un modelo estocástico, en donde el factor probabilidad juega un
papel de ajuste en el modelo, además de esto, agregamos restricciones de la realidad económica-
social de el fenómeno estudiado.
M(importaciones)=b0+b1Pib+ ei; en donde b1=pmM;
Con la restriccion0<=pmM<=1.
B0<= 0
Moreira
4.1 OFERTA Y UTILIZACIÓN FINAL DE BIENES Y SERVICIOS
miles de dólares de 2000
Años Producto Importaciones Total oferta Gasto de Consumo Consumo Formación Variación Exportaciones Total
interno de bienes y final consumo de final de bruta de de de bienes y demanda
bruto (PIB) servicios final total Gobierno Hogares capital fijo existencias servicios final
General
1965 4.339.522 1.074.072 5.413.594 3.489.279 467.618 3.021.661 1.388.672 29.184 506.459 5.413.594
1966 4.278.297 1.109.301 5.387.598 3.549.847 454.213 3.095.634 1.394.826 -80.769 523.694 5.387.598
1967 4.657.200 1.248.003 5.905.203 3.766.826 420.380 3.346.446 1.643.790 -46.172 540.759 5.905.203
1968 4.747.920 1.365.967 6.113.887 3.971.261 431.282 3.539.979 1.694.038 -105.786 554.374 6.113.887
1969 5.039.752 1.383.989 6.423.741 4.155.546 485.800 3.669.746 1.833.548 -57.670 492.317 6.423.741
1970 5.402.431 1.475.641 6.878.072 4.436.412 565.699 3.870.713 1.928.248 -4.063 517.475 6.878.072
1971 5.932.400 1.791.745 7.724.145 4.679.934 536.574 4.143.360 2.518.049 -25.829 551.991 7.724.145
1972 6.299.981 1.759.999 8.059.980 4.825.233 595.771 4.229.462 2.023.670 94.900 1.116.177 8.059.980
1973 7.813.711 1.999.256 9.812.967 5.190.830 666.414 4.524.416 2.228.243 291.711 2.102.183 9.812.967
1974 8.327.521 2.670.030 10.997.551 6.134.314 1.035.206 5.099.108 2.778.478 131.145 1.953.614 10.997.551
1975 8.876.196 3.224.682 12.100.878 6.935.205 1.263.409 5.671.796 3.304.622 119.232 1.741.819 12.100.878
1976 9.639.012 3.276.218 12.915.230 7.359.672 1.369.832 5.989.840 3.405.968 304.261 1.845.329 12.915.230
1977 9.722.365 3.881.565 13.603.930 8.083.262 1.691.785 6.391.477 3.913.765 -261.589 1.868.492 13.603.930
1978 10.478.758 4.139.383 14.618.141 8.324.718 1.641.839 6.682.879 4.405.914 -118.318 2.005.827 14.618.141
1979 10.963.867 4.252.561 15.216.428 8.782.022 1.744.374 7.037.648 4.373.685 -8.373 2.069.094 15.216.428
1980 11.309.107 4.614.138 15.923.245 9.383.532 1.792.068 7.591.464 4.617.336 -151.625 2.074.002 15.923.245
1981 11.706.724 4.380.575 16.087.299 9.644.572 1.780.892 7.863.680 4.335.629 -1.607 2.108.705 16.087.299
1982 11.551.194 4.506.773 16.057.967 9.742.765 1.822.965 7.919.800 4.343.807 -85.428 2.056.823 16.057.967
1983 11.390.291 3.495.972 14.886.263 8.981.810 1.749.802 7.232.008 3.381.803 373.002 2.149.648 14.886.263
1984 11.774.662 3.360.313 15.134.975 9.162.590 1.736.434 7.426.156 3.217.885 410.902 2.343.598 15.134.975
1985 12.121.087 3.581.334 15.702.421 9.393.527 1.631.761 7.761.766 3.401.536 310.394 2.596.964 15.702.421
1986 12.548.055 3.558.812 16.106.867 9.426.270 1.632.439 7.793.831 3.527.133 188.886 2.964.578 16.106.867
1987 11.761.343 3.888.626 15.649.969 9.531.334 1.622.975 7.908.359 3.692.561 101.987 2.324.087 15.649.969
1988 13.043.295 3.556.835 16.600.130 9.722.607 1.790.889 7.931.718 3.403.798 268.383 3.205.342 16.600.130
1989 13.083.072 3.741.733 16.824.805 9.774.797 1.717.584 8.057.213 3.428.245 493.199 3.128.564 16.824.805
1990 13.229.206 3.733.625 16.962.831 10.013.398 1.715.302 8.298.096 3.188.328 393.070 3.368.035 16.962.831
1991 13.800.083 4.147.613 17.947.696 10.294.703 1.701.942 8.592.761 3.490.240 67.786 4.094.967 17.947.696
1992 14.010.595 4.252.865 18.263.460 10.382.972 1.579.395 8.803.577 3.665.386 -233.739 4.448.841 18.263.460
1993 14.270.247 4.407.544 18.677.791 10.589.610 1.540.656 9.048.954 3.773.927 66.140 4.248.114 18.677.791
1994 14.941.494 5.052.646 19.994.140 10.945.788 1.556.688 9.389.100 4.023.889 279.990 4.744.473 19.994.140
1995 15.202.731 5.454.273 20.657.004 11.188.258 1.626.991 9.561.267 3.941.681 248.368 5.278.697 20.657.004
1996 15.567.905 4.898.523 20.466.428 11.237.471 1.543.046 9.694.425 3.773.777 47.381 5.407.799 20.466.428
1997 16.198.551 5.651.241 21.849.792 11.718.363 1.615.555 10.102.808 3.875.345 425.346 5.830.738 21.849.792
1998 16.541.248 6.046.643 22.587.891 12.142.349 1.580.737 10.561.612 4.027.764 882.669 5.535.109 22.587.891
1999 15.499.239 4.265.326 19.764.565 11.315.441 1.493.247 9.822.194 2.913.276 -429.293 5.965.141 19.764.565
2000 15.933.666 4.938.801 20.872.467 11.762.212 1.563.554 10.198.658 3.264.681 -60.036 5.905.610 20.872.467
2001 16.784.095 6.164.445 22.948.540 12.442.886 1.553.873 10.889.013 4.031.480 615.345 5.858.829 22.948.540
2002 17.496.669 7.194.570 24.691.239 13.231.746 1.621.115 11.610.631 4.794.259 855.696 5.809.538 24.691.239
2003 18.122.313 6.915.768 25.038.081 13.856.637 1.644.141 12.212.496 4.786.413 28.346 6.366.685 25.038.081
2004 19.572.229 7.683.139 27.255.368 14.484.481 1.703.051 12.781.430 5.022.325 369.965 7.378.597 27.255.368
2005 (sd) 20.747.176 8.738.205 29.485.381 15.481.181 1.762.354 13.718.827 5.568.170 395.640 8.040.390 29.485.381
2006 (p) 21.555.469 9.542.213 31.097.682 16.288.511 1.815.353 14.473.158 5.730.446 346.582 8.732.143 31.097.682
Estimación de la regresión lineal.-
La teoría respalda la idea de que los datos de las importaciones, comparado con el
Pib (renta, ingreso, producción) tienen una tendencia lineal.
Débase notar que los datos del Pib (producto interno bruto) están en miles de millones de dólares
del año 2000 como año base, así mismo las importaciones en miles de millones de dólares.
Las observaciones se recogieron del año 1965 hasta el año 1979, con un total de 25 datos para la
estimación. Además una vez realizada la estimación realizaremos una pequeña comprobación de la
eficacia de la ecuación hallada.
Moreira
En este modelo asumimos al Pib como variable endógena, y las Importaciones como variable
exógena explicativa.
AÑO IMPORTACION
Pib(X)
(Y) XY X2
1965 1,07 4,34 4,66 18,83
1966 1,11 4,28 4,75 18,30
1967 1,25 4,66 5,81 21,69
1968 1,37 4,75 6,49 22,54
1969 1,38 5,04 6,97 25,40
1970 1,48 5,40 7,97 29,19
1971 1,79 5,93 10,63 35,19
1972 1,76 6,30 11,09 39,69
1973 2,00 7,81 15,62 61,05
1974 2,67 8,33 22,23 69,35
1975 3,22 8,88 28,62 78,79
1976 3,28 9,64 31,58 92,91
1977 3,88 9,72 37,74 94,52
1978 4,14 10,48 43,38 109,80
1979 4,25 10,96 46,62 120,21
1980 4,61 11,31 52,18 127,90
1981 4,38 11,71 51,28 137,05
1982 4,51 11,55 52,06 133,43
1983 3,50 11,39 39,82 129,74
1984 3,36 11,77 39,57 138,64
1985 3,58 12,12 43,41 146,92
1986 3,56 12,55 44,66 157,45
1987 3,89 11,76 45,74 138,33
1988 3,56 13,04 46,39 170,13
1989 3,74 13,08 48,95 171,17
TOTALES 73,34 226,81 748,22 2288,22
Podemos estimar la ecuaciones ya sea con ecuaciones normales, matrices, o utilizando un paquete
de software econométrico, en este caso utilizando Spas 15.0 para Windows, hallamos la ecuación y
realizamos las siguientes pruebas.
Estadísticos descriptivos
Media Desviación típica. N

Moreira
Y 2,9336 1,21062 25
9,0720 3,09871 25
Coeficientesa
Coeficientes
Coeficientes no estandarizad Intervalo de confianza para Estadísticos de
estandarizados os B al 95% Correlaciones colinealidad
Límite
Modelo B Error típ. Beta t Sig. Límite inferior superior Orden cero Parcial Semiparcial Tolerancia FIV
1 (Constante) -,329 ,304 -1,081 ,291 -,959 ,301
X ,360 ,032 ,921 11,301 ,000 ,294 ,425 ,921 ,921 ,921 1,000 1,000
a. Variable dependiente: Y La media de los valores, es decir
el promedio esperado de las Importaciones es 2,9 miles de millones de dólares con una variación
esperada de 1,2, en esta tabla además podemos ver el promedio de el Pib, su desviación y el numero
de datos introducidos por variables.
La estimación del modelo según Spss15.0 queda:
Y= -0,329+0,360X, (1)
Además si quisiéramos utilizar un modelo que pase por el origen (suponiendo que no hay
importaciones cuando el ingreso es cero podemos utilizar el coeficiente estandarizado:
Y=0,921X (2) (nótese que desaparece el intercepto)
Por ahora utilizaremos la primera estimación obtenida.
Era entonces de esperar que el valor de pmM sea menor a uno, y mayor a cero, además pasa la
prueba t, los coeficientes no son iguales a cero. Por el momento, la ecuación ha pasado unas
pruebas, pero es necesario realizar la prueba de Auto correlación una de las violaciones a los
supuestos de MRL (modelos de regresión lineal), que ocurre en las series de tiempo.
¿Existe auto correlación en la ecuación 1?

Moreira
Cuando los daros sigue un ordenamiento natural con respecto al tiempo, estos violan
un supuesto de los Mínimos Cuadrados Ordinarios, en que los errores no deberían tener una
tendencia. O auto correlación serial de las perturbaciones.
Para contestar esta pregunta es necesario estimar los errores de la ecuación y sus cuadrados,
además de estimar los errores rezagados y sus cuadrados, y utilizando el valor obtenido de la
siguiente ecuación:
Obtenemos un valor llamado d, el cual lo compararemos con el valor d estadístico (prueba de Durbit
Watson).
El valor Durbit Watson de tabla al 1% es 1,055<=d<=1,211
El valor Durbit Watson de tabla al 5% es 1,288<=d<=1,454
Si el valor encontrado cae dentro de estos rangos la prueba me indicaría que no existe auto
correlación, si los valores caen a la izquierda(es decir son menores a los rangos) existe auto
correlación positiva, y si los valores caen en la derecha (es decir son mayores a los rangos) existe
auto correlación positiva.
Pero depende de que tipo de hipostasis se plantea, en este trabajo se ha planteado

la hipótesis de que la tendencia del incremento de las importaciones sea positiva, es decir las
perturbaciones se mueven en el mismo sentido que la variables explicativa. Si el valor d es menor a
1, 055 habrá auto correlación al 1% y si es menor a 1,288 habrá auto correlación al 5%
Moreira
tabla para hallar el valor d
Y estim e e2 et-1 (et-1)2
1,23 -0,16 0,03
1,21 -0,10 0,01 0,06 0,00
1,35 -0,10 0,01 0,00 0,00
1,38 -0,01 0,00 0,09 0,01
1,49 -0,10 0,01 -0,09 0,01
1,62 -0,14 0,02 -0,04 0,00
1,81 -0,01 0,00 0,13 0,02
1,94 -0,18 0,03 -0,16 0,03
2,48 -0,48 0,23 -0,31 0,09
2,67 0,00 0,00 0,49 0,24
2,87 0,36 0,13 0,36 0,13
3,14 0,14 0,02 -0,22 0,05
3,17 0,71 0,50 0,58 0,33
3,44 0,70 0,48 -0,01 0,00
3,62 0,63 0,40 -0,06 0,00
3,74 0,87 0,76 0,24 0,06
3,89 0,50 0,25 -0,38 0,14
3,83 0,68 0,46 0,18 0,03
3,77 -0,28 0,08 -0,95 0,91
3,91 -0,55 0,30 -0,27 0,08
4,03 -0,45 0,21 0,10 0,01
4,19 -0,63 0,40 -0,18 0,03
3,91 -0,02 0,00 0,61 0,38
4,37 -0,81 0,66 -0,79 0,63
4,38 -0,64 0,41 0,17 0,03
73,43 -0,09 5,39 -0,48 3,19
El valor de =3,19/5,39=0,59 el cual coincide con el hallado por Spss15.0

b
Re sumen del modelo
Estadísticos de cambio
R cuadrado Error típ. de la Cambio en Sig. del Durbin-
Modelo R R cuadrado corregida estimación R cuadrado Cambio en F gl1 gl2 cambio en F W atson
1 ,921a ,847 ,841 ,48311 ,847 127,709 1 23 ,000 ,590
a. Variables predictoras: (Constante), X
b. Variable dependiente: Y
Comparándolo con los valores de tabla llegamos a la conclusión de que existe auto correlación, en
la ecuación (1).
¿Existe auto correlación en la ecuación 2?
La ecuación dos es la regresión desde el origen, recordemos era la siguiente:
Y=0,921X
Estimaremos el valor d (Durbit Watson) con la tabla:

Moreira
tabla para hallar el valor d
Y estim e e2 et-1 (et-1)2
4,00 -2,92 8,54
3,94 -2,83 8,01 0,09 0,01
4,29 -3,04 9,25 -0,21 0,04
4,37 -3,01 9,04 0,03 0,00
4,64 -3,26 10,61 -0,25 0,06
4,98 -3,50 12,25 -0,24 0,06
5,46 -3,67 13,48 -0,17 0,03
5,80 -4,04 16,34 -0,37 0,14
7,20 -5,20 27,01 -1,15 1,33
7,67 -5,00 25,00 0,20 0,04
8,17 -4,95 24,51 0,05 0,00
8,88 -5,60 31,37 -0,65 0,42
8,95 -5,07 25,73 0,53 0,28
9,65 -5,51 30,38 -0,44 0,19
10,10 -5,85 34,17 -0,33 0,11
10,42 -5,80 33,66 0,04 0,00
10,78 -6,40 40,98 -0,60 0,36
10,64 -6,13 37,60 0,27 0,07
10,49 -6,99 48,92 -0,86 0,74
10,84 -7,48 56,01 -0,49 0,24
11,16 -7,58 57,49 -0,10 0,01
11,56 -8,00 63,97 -0,42 0,17
10,83 -6,94 48,21 1,05 1,11
12,01 -8,46 71,50 -1,51 2,29
12,05 -8,31 69,02 0,15 0,02
208,89 -135,55 813,06 -5,39 7,75
El problema es aun mas grave si se estima con este modelo ya que d=7,75/813,06=0,01 auto
correlación positiva.
Corrigiendo el problema.-
El primer paso para corregir la auto correlación es encontrar el valor p, al rezagar X

y rezagar Y, de modo que al estimar una regresión lineal, el coeficiente que acompañe al Y rezagada,
es el valor p buscado. El cual lo utilizaremos para corregir los datos y estimar una nueva regresión.
Moreira
AÑO Y X Y reza X reza
1965 1,07 4,34
1966 1,11 4,28 1,07 4,34
1967 1,25 4,66 1,11 4,28
1968 1,37 4,75 1,25 4,66
1969 1,38 5,04 1,37 4,75
1970 1,48 5,40 1,38 5,04
1971 1,79 5,93 1,48 5,40
1972 1,76 6,30 1,79 5,93
1973 2,00 7,81 1,76 6,30
1974 2,67 8,33 2,00 7,81
1975 3,22 8,88 2,67 8,33
1976 3,28 9,64 3,22 8,88
1977 3,88 9,72 3,28 9,64
1978 4,14 10,48 3,88 9,72
1979 4,25 10,96 4,14 10,48
1980 4,61 11,31 4,25 10,96
1981 4,38 11,71 4,61 11,31
1982 4,51 11,55 4,38 11,71
1983 3,50 11,39 4,51 11,55
1984 3,36 11,77 3,50 11,39
1985 3,58 12,12 3,36 11,77
1986 3,56 12,55 3,58 12,12
1987 3,89 11,76 3,56 12,55
1988 3,56 13,04 3,89 11,76
1989 3,74 13,08 3,56 13,04
TOTALES 73,34 226,81 69,60 213,72
Coeficientesa
Coeficientes
Coeficientes no es tandarizad
es tandarizados os
Modelo B Error típ. Beta t Sig.
1 (Cons tante) ,180 ,249 ,724 ,478
Yrez ,769 ,154 ,804 4,995 ,000
X ,040 ,157 ,102 ,253 ,803
Xrez ,026 ,157 ,068 ,168 ,868
a. Variable dependiente: Y
El coeficiente que acompaña a la variable Y rezagada es 0,769 el cual es el valor p, de paso se sabe
que si el valor p es muy alto (cercano a uno) la auto correlación es más fuerte, y si es cercano a cero
no existe auto correlación, de paso hemos verificado una vez más la existencia de auto correlación.
Ahora transformaremos las variables, con la siguiente ecuación
Y para no perder los primeros datos se utilizan las siguientes
Aproximaciones del primer dato.

Moreira
Tabla de datos corregidos
AÑO Y X Y* X*
1965 1,07 4,34 0,69 2,77
1966 1,11 4,28 0,28 0,94
1967 1,25 4,66 0,39 1,37
1968 1,37 4,75 0,41 1,17
1969 1,38 5,04 0,33 1,39
1970 1,48 5,40 0,41 1,53
1971 1,79 5,93 0,66 1,78
1972 1,76 6,30 0,38 1,74
1973 2,00 7,81 0,65 2,97
1974 2,67 8,33 1,13 2,32
1975 3,22 8,88 1,17 2,47
1976 3,28 9,64 0,80 2,81
1977 3,88 9,72 1,36 2,31
1978 4,14 10,48 1,15 3,00
1979 4,25 10,96 1,07 2,91
1980 4,61 11,31 1,34 2,88
1981 4,38 11,71 0,83 3,01
1982 4,51 11,55 1,14 2,55
1983 3,50 11,39 0,03 2,51
1984 3,36 11,77 0,67 3,02
1985 3,58 12,12 1,00 3,07
1986 3,56 12,55 0,80 3,23
1987 3,89 11,76 1,15 2,11
1988 3,56 13,04 0,57 4,00
1989 3,74 13,08 1,01 3,05
TOTALES 73,34 226,81 19,43 60,89
Coeficientesa
Coeficientes
Coeficientes no es tandarizad
es tandarizados os
Modelo B Error típ. Beta t Sig.
1 (Cons tante) ,247 ,229 1,077 ,293
X* ,218 ,090 ,450 2,419 ,024
a. Variable dependiente: Y*
La ecuación queda entonces Y=0,247+0,218X
Comprobando si hay auto correlación.-
Tabla con valores corregidos

Y* X* y estim e e2 et-1 (et-1)2
0,69 2,77 0,85 -0,17 0,03
0,28 0,94 0,45 -0,17 0,03 0,00 0,00
0,39 1,37 0,55 -0,15 0,02 0,02 0,00
0,41 1,17 0,50 -0,10 0,01 0,06 0,00
0,33 1,39 0,55 -0,22 0,05 -0,12 0,01
0,41 1,53 0,58 -0,17 0,03 0,05 0,00
0,66 1,78 0,63 0,02 0,00 0,19 0,04
0,38 1,74 0,63 -0,24 0,06 -0,27 0,07
0,65 2,97 0,89 -0,25 0,06 0,00 0,00
1,13 2,32 0,75 0,38 0,14 0,63 0,40
1,17 2,47 0,79 0,39 0,15 0,01 0,00
0,80 2,81 0,86 -0,06 0,00 -0,45 0,20
1,36 2,31 0,75 0,61 0,37 0,68 0,46
1,15 3,00 0,90 0,25 0,06 -0,36 0,13
1,07 2,91 0,88 0,19 0,04 -0,06 0,00
1,34 2,88 0,87 0,47 0,22 0,28 0,08
0,83 3,01 0,90 -0,07 0,01 -0,54 0,29
1,14 2,55 0,80 0,34 0,11 0,41 0,17
0,03 2,51 0,79 -0,76 0,58 -1,10 1,21
0,67 3,02 0,90 -0,23 0,05 0,53 0,28
1,00 3,07 0,92 0,08 0,01 0,31 0,10
0,80 3,23 0,95 -0,15 0,02 -0,23 0,05
1,15 2,11 0,71 0,44 0,20 0,59 0,35
0,57 4,00 1,12 -0,55 0,30 -1,00 0,99
1,01 3,05 0,91 0,09 0,01 0,65 0,42
19,43 60,89 19,45 -0,02 2,57 0,26 5,25
Donde d=5,25/2,57=2,054
Resumen del modelob
R cuadrado Error típ. de la Durbin-

Modelo R R cuadrado corregida es timación Watson
1 ,450a ,203 ,168 ,33370 2,045
a. Variables predictoras: (Cons tante), X*
b. Variable dependiente: Y*
Moreira
El valor d es el suficientemente alto para descartar ahora la auto correlación positiva, además es de
interés reconocer que la relación lineal de Y con respecto a X es ahora más débil, antes en la ecuación
(1) era 0,9 ahora es 0,45.
Notes que se pudo además utilizar el modelo Ocrane Orcut, dentro del programa :E:VIEWS al
agregar la variable AR(1), y que queda a consideración del lector comprobar los resultados.
Moreira
Bibliografía consultada y recomendada.-
Damodar Gujarati econometría.
Domenick Salvatore econometría.
Pasó a paso econometría. Cada uno de estos libros en cualquiera de sus ediciones.
Datos de Banco Central del Ecuador.

Mini Libri To

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Mini Libri To

Uploaded by

Copyright:

Available Formats

introductoria

Este trabajo es un breve resumen de la materia econometría, además

Facultad de Ciencias Económicas de la

A la profesora, economista Margarita Moreira, que nos enseño a apreciar la

A mis amig@s se los súper quiere… and Stuff….

El objetivo de este trabajo, es brindar al estudiante de Ciencias Económicas un breve

He tratado de ser lo más práctico posible y no confundir (y de hecho pasa) con el

Se utiliza en extremo la sencillez, y que este trabajo no es un libro en sí, es solo un

Se utilizan los programas de respaldo, EVIEWS 6, y el SPAS 17, tratando de ser

Se ha agregado temas “(opcionales)” que aunque no son necesarios en el curso

Es necesaria una comprensión básica de economía, de matematicas, de algebra y de

Por favor lea este decálogo antes de introducirse en el catalogo de formulas

Siguientes "diez mandamientos de la econometría aplicada":"

1. Utilizarás el sentido común y la teoría económica.

3. Conocerás el contexto (no harás análisis estadísticos ignorantes).

4. Inspeccionarás los datos.

5. No idolatrarás la complejidad. Utilizarás el principio MSE; es decir, mantendrás la simplicidad

6. Verás las consecuencias de tus resultados y serás perseverante con ellos.

7. Estarás consciente de los costos de la búsqueda exhaustiva de datos.

9. No confundirás significancia con sustancia (no confundimos la significancia estadística con la

(Original de: Peter Kennedy, de la Universidad Simón Fraser de Canadá,

Extracto del libro econometría de Gujarati)

El “modelo” es la simplificación de la realidad.

Primeramente se debe seleccionar un modelo económico existente, de no haberlo

Lo cual plantea entonces a la existencia de coeficientes que indican el efecto

La (ciencia) económica, plantea relaciones entre variables, con el supuesto de que

Nuestras investigaciones económicas incluyen un término llamado perturbación

De ahí los supuestos MCO:

1 SUPUESTOS DE LOS MINIMOS CUADRADOS ORDINARIOS

2) El error tiene media de cero.

4) Los errores tienen una desviación aproximadamente constante. O ser Homocedastica

5) Las explicativas y los errores no deben estar relacionados.

6) ui y uj no deben estar correlacionados.

(Veáse formulas para Plantear una regresión lineal).

Y=abx que debe ser linealizado.

O modelo log lin

Yi=b0b1xiei -> logia=logb0+xilogb1+Logei

O modelo log log

Yi=b0xi b1ei -> logiY=logb0+ b1logxi+logei

Y/X=b0+B11/X -> es lineal en sus parámetros.

Como sea el caso se puede utilizar el software Eviews u cualquier software

Una variable explicativa (dos variables o simple)

Debe notar que:

Los símbolos con ʌ son estimados.

En donde los símbolos con – son medias.

Las letras mayúsculas corresponden a valores absolutos del muestreo.

Las letras minúsculas corresponden a desviaciones con respecto a la media.

Generalmente se tipea Y para indicar la variable dependiente, endógena o explicada.

Se tipea X para indicar la variable o las variables explicativas, exógenas o explicativas.

Modelo de dos explicativas (tres variables, o múltiple)

Solución por algebra matricial

Desviaciones estándar (y/o varianza)

Por algebra matricial

Regresión a través del Origen (el intercepto es el origen) Opcional

El uso de variables ficticias

El uso de Variables Dicótomas

Regresión lineal por secciones (opcional)

Efecto multiplicativo de interacción (opcional)

El efecto multiplicativo de interacción

Regresión con variable dicótoma endógena de decisión o ficticia (opcional)

En el mismo orden que los modelos de arriba. Aplique si d=0; si d=1

Precaución….cuidado con la muticolinealidad perfecta. Agregar m-1 variables donde m es categorías.

El Uso de Ecuaciones Simultáneas.-

Si una ecuación esta sobreidentificada se puede utilizar MC2E.