Professional Documents
Culture Documents
ESCUELA DE POSTGRADO
CURSO:
METODOS CUANTITATIVOS
TOPICO 5:
ECONOMETRIA:
APLICACION
PIURA 2015
METODOS CUANTITATIVOS-ECONOMETRIA 2015
La Compaa Grupo Nueve S.A (GENSA)1, que vende gelatina en el mercado de Lima, est interesada
en ampliar su planta de produccin, por lo que requiere conocer los determinantes de la demanda
del producto que ella vende. Para ello considera el siguiente modelo:
EL MODELO ECONOMETRICO
LAS VARIABLES
Cantidad vendida en unidades por trimestre (Numero de bolsas de 200 gramos cada
una).
Precio de venta de cada bolsa de 200 gramos cada una. Como en algunos
subperiodos del anlisis la inflacin ha sido significativa, el precio de venta ha sido
corregido por el IPC.
Publicidad es calculada a travs del tiempo de difusin televisiva del comercial del
producto. Adicionalmente se ha ponderado por un ndice de costos, teniendo en
cuenta que el valor costo de la difusin a determinadas horas est relacionado con las
horas de mayor audiencia, lo que implica un mayor efecto publicitario.
1
El presente caso, tiene propsitos estrictamente acadmicos, y es tomado como referencia de Tcnicas
estadsticas de prediccin aplicable en el campo empresarial. de Jorge Cortez Cumpa
A priori se espera que a mayor tiempo de difusin del comercial del producto se incremente la
cantidad transada en unidades. A mayor publicidad mayor demanda y por lo tanto mayores
ventas
En la medida que la gelatina se puede considerar un bien superior, cada vez que se incremente el
ingreso se espera que se incremente la cantidad transada en unidades
Una mejora en la calidad del producto, se puede esperar que se incremente la cantidad transada en
unidades.
DATA
obs Qg Pg Mg R Cg
1985Q1 1750.000 29.00000 200.0000 850.0000 75.00000
1985Q2 1810.000 31.00000 210.0000 870.0000 74.00000
1985Q3 1840.000 32.00000 220.0000 860.0000 73.00000
1985Q4 2025.000 28.00000 260.0000 910.0000 75.00000
1986Q1 1960.000 26.00000 250.0000 880.0000 76.00000
1986Q2 2000.000 29.00000 255.0000 860.0000 77.00000
1986Q3 1950.000 31.00000 240.0000 900.0000 73.00000
1986Q4 2150.000 30.00000 280.0000 920.0000 78.00000
1987Q1 2120.000 32.00000 275.0000 960.0000 79.00000
1987Q2 2100.000 34.00000 265.0000 1000.000 77.00000
1987Q3 2150.000 32.00000 275.0000 1010.000 71.00000
1987Q4 2190.000 28.00000 290.0000 990.0000 75.00000
1988Q1 2130.000 32.00000 280.0000 950.0000 77.00000
1988Q2 2060.000 35.00000 260.0000 960.0000 75.00000
1988Q3 1990.000 36.00000 245.0000 940.0000 76.00000
1988Q4 2155.000 38.00000 280.0000 970.0000 79.00000
1989Q1 2110.000 40.00000 270.0000 960.0000 77.00000
1989Q2 2140.000 39.00000 280.0000 940.0000 81.00000
1989Q3 2125.000 33.00000 290.0000 880.0000 79.00000
1989Q4 2140.000 32.00000 320.0000 860.0000 79.00000
1990Q1 2160.000 30.00000 300.0000 850.0000 81.00000
1990Q2 2125.000 28.00000 290.0000 860.0000 82.00000
1990Q3 2175.000 29.00000 300.0000 840.0000 81.00000
1990Q4 2350.000 30.00000 350.0000 820.0000 82.00000
Dependent Variable: QG
Method: Least Squares
Sample: 1985Q1 1990Q4
Included observations: 24
Menu:
Dependent Variable: QG
Method: Least Squares
Sample: 1985Q1 1990Q4
Included observations: 24
QG=C(1)+C(2)*PG+C(3)*MG+C(4)*R+C(5)*CG
Men:
System: UNTITLED
Estimation Method: Full Information Maximum Likelihood (Marquardt)
Sample: 1985Q1 1990Q4
Included observations: 24
Total system (balanced) observations 24
Convergence achieved after 1 iteration
Equation: QG=C(1)+C(2)*PG+C(3)*MG+C(4)*R+C(5)*CG
Observations: 24
R-squared 0.972215 Mean dependent var 2071.042
Adjusted R-squared 0.966365 S.D. dependent var 135.0039
S.E. of regression 24.75934 Sum squared resid 11647.47
Durbin-Watson stat 1.832160
OTRAS ESTIMACIONES
C PG MG R CG
C 57536.46 146.5853 31.12383 -23.62817 -636.0972
PG 146.5853 3.148170 0.108785 -0.135186 -1.985019
MG 31.12383 0.108785 0.054242 -0.011428 -0.503378
R -23.62817 -0.135186 -0.011428 0.016393 0.208659
CG -636.0972 -1.985019 -0.503378 0.208659 8.364022
Qg Cumple con lo
2
M g especificado
Qg Cumple con lo
3
R especificado
Qg Cumple con lo
4
C g especificado
2
En este caso no se ha hecho ninguna acotacin respecto al tamao de los parmetros
ESTIMADORES INTERPRETACIN
Un incremento de una unidad monetaria
en el precio de cada bolsa de gelatina de
200 gramos, en promedio la cantidad
transada disminuye en 0.89 bolsas por
trimestre
En promedio un incremento de un minuto
en publicidad televisiva por trimestre, la
cantidad transada se incrementa en 3.64
bolsas por trimestre
El incremento promedio de 100 unidades
monetarias en los ingresos de los
demandantes, la cantidad transada se
incrementa en 0.71 bolsas por trimestre
Un incremento de un punto en el ndice
de calidad, en promedio la cantidad
transada aumenta en 4.18 bolsas por
trimestre
1. Test o prueba de hiptesis Individuales: para cada uno de los parmetros del
modelo
H 0 : i 0 H1 : i 0 i 1,2,3,4.
i i H 0
Dado que: t t t ( / 2, n k )
c
si
tc tt , t 2
c
Si si Pr ob( 5%) se acepta H1
tc Pr ob
HIPOTESIS tc tt CONCLUSION
H 0 : 1 0
H1 : 1 0 -0.478918 2.093024 tc 2 5% No existe suficiente
evidencia para rechazar
la hiptesis nula
H0 : 2 0
H1 : 2 0 15.63693 2.093024 tc 2 5% Se acepta la hiptesis
alterna al 5% de
significancia estadstica
H 0 : 3 0
H1 : 3 0 5.596088 2.093024 tc 2 5% Se acepta la hiptesis
alterna al 5% de
significancia estadstica
H0 : 4 0
H1 : 4 0 1.446768 2.093024 tc 2 5% No existe suficiente
evidencia para rechazar
la hiptesis nula
H 0 : 1 2 ... k 0 H1 : 1 2 ... k 0
CMeE
Dado que F c F t ( , k 1, n k )
CMeR
HIPOTESIS Fc Ft Pr ob CONCLUSION
H 0 : 1 2 3 4 0 Se acepta la hiptesis
H1 : 1 2 3 4 0 166.2051 2.891507 5% alterna al 5% de
significancia estadstica
SCE
2
A travs del valor de R R 2 0.972215
SCT
1. CONTRASTE DE NORMALIDAD
JB X (2 ,2)
Rutina:
8
Series: Residuals
7 Sample 1985Q1 1990Q4
Observations 24
6
Mean -7.11e-14
5 Median 0.641537
Maximum 31.08897
4 Minimum -84.07878
Std. Dev. 22.50360
3
Skewness -1.998724
Kurtosis 9.340508
2
Jarque-Bera 56.18163
1
Probability 0.000000
0
-80 -60 -40 -20 0 20 40
T k 2 1
JB (S ( K 3) 2 )
S 4
Es el estadstico Jarque- Bera
Donde:
JB 56.18169 X (2 , 2) 5.99
2. CONTRASTE DE MULTICOLINEALIDAD
A. DEFINICIN
B. TIPOS
M.P. : X3 2X1 3X 2
Y 1 X1 2 X 2 3( 2 X1 3 X 2 )
Y (1 2 3 )X1 (2 3 3 )X 2
M.A.: X3 2X1 3X 2 V
Y 1 X1 2 X 2 3( 2 X1 3 X 2 V)
Y (1 2 3 )X1 (2 3 3 )X 2 W W 3V
rx x x1 x2
2
1 2
x1 x22
Para un modelo Y 0 1 X 1 2 X 2
rx1x2 0 x1 x 2 0
( xx) 1 2
( xx)
1
0 x2 0 1 2
x2
x y
El vector de productos cruzados xy 1
x2 y
x1 y
x 2
Por lo tanto: ( xx) xy
1 1
x2 y
x 2
2
rx1x2 1 x1 x2 x1 x2
2 2
( x1 x2 ) 2 x12 x22
x12 x1 x2
( xx) 2
x2 x1 x2
Cuyo determinante sera nulo, lo que implicara que la matriz ( xx) es una matriz
singular, lo que genera la imposibilidad total de obtener el efecto de los regresores
sobre la endgena.
D. CAUSAS
i. Causas lgicas:
Y f ( X1 X 2 ,T ; )
i.2. Modelos que incluyen como variables explicativas variables retardadas. Los
rezagos, al ser momentos anteriores de la misma variable, lgico es que esten
altamente correlacionados con el resto de regresores.
Y a bX cZ dW
E. CONSECUENCIAS
Dado [e.1.] y [e.2.] las pruebas de relevancia individual de los regresores, ven
aumentar la probabilidad de cometer el error tipo II.
Aplicacin
F.1.ii. Mtodo de Farrar Glauber y el aporte de Haitovsky
Sea R x , la matriz de correlacin simple entre los regresores de una ecuacin,
entonces:
Prueba de Farrar-Glauber:
R X i . X j ...X k
Si FG 1 indica que hay alto grado de multicolinealidad entre las
RY . X i ....X k
variables explicativas del modelo, generado por la variable. X i
RUTINA:
Eq01
Barra de comandos: scalar RQG=SQR(@R2)
Aporte de Haitovsky
rX i X j . X k .. X s
Si H i 1 indica que hay alto grado de multicolinealidad entre las
RY . X i ....X k
variables X i y X j
r
Donde X i X j . X k es el coeficiente de correlacin parcial de primer orden, el cual se
genera a travs de la matriz de coeficientes de correlacin de orden cero.
Pg 1 Mg 2 R3
Rutina
Menu principal: Quick / Group Statistics / Correlations / Pg Mg R / Ok
Tenemos:
r12 r13r23
CPpg r12.3 rPgMg.R 0.0421843315537
1 r132 1 r232
r23 r21r31
CPmg r23.1 rMgR.Pg 0.0690267420424
1 r212 1 r312
r31 r32r12
C Pr r31.2 rRPg .Mg 0.494994836604
1 r322 1 r122
HAITOVSKY CONCLUSION
rPgMg.R 0.0421843315
537
No existe multicolinealidad en alto
Hpg 0.042850391 grado en el modelo, entre las
RQg . p g ....R 0.9844561457
34 variables Pg y Mg
rMgR.Pg 0.0690267420
424
No existe multicolinealidad en alto
Hmg 0.0701166246 grado en el modelo, entre
RQg . p g ....R 0.9844561457
34 Las variables Mg y R
rRPg .M g 0.494994836604
No existe multicolinealidad en alto
Hr 0.502810448 grado en el modelo, entre las
RQg . p g ....R 0.984456145734 variables R y Pg
multicolinealidad si rX i X j RY . X i ...X k .
Rutina
Menu principal: Quick / Group Statistics / Correlations / Pg Mg R Cg / Ok
rX i . X j RY . X i ...X k Conclusin
Es decir si al menos un rX i X j RY . X i
Rutina
Menu principal: Quick / Group Statistics / Correlations / Qg Pg Mg R Cg / Ok
rX i . X j rY . X i rX i . X j rY . X i
rPg .M g 0.0092480 rQg .Pg 0.1387116 rPg .M g 0.0092480 rQg .R 0.20349972
rPg .Cg 0.0621723 rQg .Pg 0.1387116 rPg .Cg 0.0621723 rQg .R 0.20349972
rPg .M g 0.0092480 rQg .Mg 0.9504192 rPg .M g 0.0092480 rQg .Cg 0.6117704
rPg .R 0.4936989 rQg .Mg 0.9504192 rPg .R 0.4936989 rQg .Cg 0.6117704
rPg .Cg 0.0621723 rQg .Mg 0.9504192 rPg .Cg 0.0621723 rQg .Cg 0.6117704
rMg.R - 0.0554595 rQg .Mg 0.9504192 rMg.R - 0.0554595 rQg .Cg 0.6117704
rR.Cg - 0.3611887 rQg .Mg 0.9504192 rR.Cg - 0.3611887 rQg .Cg 0.6117704
1. Preestimacin
Excluir alguna variable que pueda estar muy correlacionada con otras
variables explicativas y asociar el coeficiente de dicha variable un valor
estimado por otro procedimiento.
2. Regresin Cresta
3. CONTRASTE DE HETEROCEDASTICIDAD
A. DEFINICION
B. CAUSAS
C. CONSECUENCIAS
APLICACION
Consiste en graficar la variable endgena con cada una de las variables exgenas. As
entonces, existir heterocedasticidad significativa si tenemos el siguiente
comportamiento.
1 1
i 0 1Z ih i i2 0 1Zih i h 1,1, ,
2 2
Rutina
Barra de comandos
Ls Resid01^2 c Pg
Ls Resid101^2 c 1/Pg
Ls Resid01^2 c sqr (Pg)
Ls Resid01^2 c 1/sqr (Pg)
i2 0 1Z ih i tc Pr ob
SUMA DE CUADRADOS
RESIDUALES
h 1 Re sid1t2 0 1 Pgt t
-0.249677 >5% 47012766.27804009
h 1 Re sid12 1
t 0 1 t 0.131671 >5%
Pgt 47108856.45653135
1 Re sid1t2 0 1 P gt t
h >5% 47041490.76156904
2
-0.221059
1
h Re sid1t2 0 1 1
t
2 Pgt 0.161873 >5%
47089894.62067604
T * R 2 24 * 0.356274 8.550576
X (20.05, 4) 9.4877
Dado que:
H0 : H1 :
Existe homocedasticidad Existe heterocedasticidad
Rutina:
Eq01 / View / Residual Tests / Heteroskedasticity Tests / Glejser / Ok
D.2.I. General
Construir el estadstico de prueba T*R que ser contrastado con una Chi cuadrado
con P-1 grados de libertad, donde P es el numero de regresores del modelo de la
etapa anterior.
T * R 2 24 * 0.795837 19.10010
X (20.05,14) 23.6847
Dado que:
H0 : H1 :
Existe homocedasticidad Existe heterocedasticidad
Rutina:
Eq01 / View / Residual Tests / Heteroskedasticity Tests / White / include White Cross
terms / Ok
D.2.II. Simplificado
Construir el estadstico de prueba T*R que ser contrastado con una Chi cuadrado
con P-1 grados de libertad, donde P es el numero de regresores del modelo de la
etapa anterior.
T * R 2 24 * 0.308015 7.392363
X (20.05, 4) 9.4877
Dado que:
H0 : H1 :
Existe homocedasticidad Existe heterocedasticidad
Como el estadstico calculado es menor al estadstico de la tabla, no existe evidencia
suficiente para rechazar la hiptesis nula, por lo que se concluye que el modelo es
homocedastico; lo cual tambin se observa a travs del reporte del software
Rutina:
Eq01 / View / Residual Tests / Heteroskedasticity Tests / White /no include White
Cross terms / Ok
Este test se aplica solamente a modelos de series de tiempo, en razn de que hay
variables econmicas que presentan a travs del tiempo algunos periodos de
estabilidad seguidos de inestabilidad para retornar luego a la estabilidad. Dichos
comportamientos se califican como comportamientos voltiles.
t2 0 1t21 2 t2 2 ... p t2 p
Donde:
t N (0, 2 )
Se trata de regresionar los residuos al cuadrado, sobre una constante y los residuos al
cuadrado rezagados.
Construir el estadstico de prueba T*R que ser contrastado con una Chi cuadrado
con P grados de libertad, donde P es el numero de rezagos de los residuos al
cuadrado.
X (20.05,1) 3.84
Dado que:
H0 : H1 :
Existe homocedasticidad Existe heterocedasticidad
Rutina:
Eq01 / View / Residual Tests / Heteroskedasticity Tests / Arch /Number of Lags(1) /
Ok
X (20.05, 2) 5.99
Dado que:
H0 : H1 :
Existe homocedasticidad Existe heterocedasticidad
Rutina
Eq01 / Estimate / Options /Weighted LS/TSLS / Weight: 1/Pg / Aceptar
Eq01 / Estimate / Options /Weighted LS/TSLS / Weight: 1/sqr(Pg) /Aceptar
4. CONTRASTE DE AUTOCORRELACION
A. DEFINICION
B. CAUSAS
4. Relaciones dinmicas
5. Cambios de estructura
C. CONSECUENCIAS
Aplicacin
Rutina:
Quick / graph / @trend(1984q4) resid01 / Ok / Scatter / Aceptar
Rutina:
Quick / graph / resid01(-1) resid01 / Ok / Scatter / Aceptar
D.2. Durbin-watson
En la medida que se presuma que el trmino de error del modelo economtrico tiene
autocorrelacion de primer orden: t t 1 t donde t no tiene
autocorrelacion
.
Eentonces el estadstico Durbin-Watson (DW) permite contrastar la hiptesis nula de
ausencia de auto correlacin de primer orden.
El estadstico se define:
T T
( t t 1 ) 2 ( t
2
2 t t 1 t21 )
DW d 2
T
2
T
1 2 1 2(1 )
2
t
2
2
t
2
DW d 2(1 )
Cuando:
0 DW d 2
no habr autocorrelacion de primer orden ni positiva ni
negativa
1 DW d 4
Evidencia de autocorrelacion de primer orden negativa
1 DW d 0
Evidencia de autocorrelacion de primer orden positiva
dU dL
DW, establecieron las Cotas superior e inferior para los valores crticos, las
cuales permiten verificar la hiptesis nula de ausencia de autocorrelacion de primer
orden frente a la hiptesis alterna de presencia de autocorrelacion .
A B C D E
0 dl du 2 4-du 4-dl 4
Se necesita:
d L 1.01 dU 1.78 K 4 5% T 24
Rutina:
Para verificar autocorrelacion de primer orden (Asumiendo muestra grande)
Eq01 / View / Residual Tests / Serial correlation LM test / lags to include: 1 / Ok
LM T * R 2 24 * 0.001149 0.02757
X (20.05,1) 3.84
Dado que:
H 0 : No existe AR(1) H1 : Existe AR(1)
Rutina:
Para verificar autocorrelacion de segundo orden(Asumiendo muestra grande)
Eq01 / View / Residual Tests / Serial correlation LM test / lags to include: 2 / Ok
LM T * R 2 24 * 0.002412 0.057888
X (20.05, 2) 5.99
Dado que:
H 0 : No existe AR(2) H1 : Existe AR(2)
Rutina:
Para verificar autocorrelacion (Asumiendo muestra grande)
Eq01 / View / Residual Tests / correlogram Q-statistics / lags to include: 2 / Ok
X (20.05,1) 3.84
Dado que:
H 0 : No existe AR(1) H1 : Existe AR(1)
X (20.05, 2) 5.99
Dado que:
H0 :
No existe AR(2)
H1 : Existe AR(2)
Aplicacin
Rutina
Observar Coeficiente de desigualdad de Theil, el cual debe aproximarse a cero para calificar
un adecuado simulacin
Necesidad de contar con valores de las variables exgenas, para poder pronosticar o
predecir la variable endgena ms all de la muestra.