Você está na página 1de 5

MCO

Se dispone de la siguiente informacin acerca de la


produccin agraria anual
A
o
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

Producci
n
Agraria
172,20
0
211,71
0
220,16
0
222,37
0
249,61
0
281,67
0
319,76
0
320,11
0
341,03
0
386,33
0
403,54
0
433,63
0
462,30
0
471,83
0
535,65
0
578,84
0
675,40
0
813,02
0
917,14
0
1,016,00
0

emplead
os
1,17
9
1,01
8
90
9
93
0
1,66
8
1,64
7
2,09
6
2,26
4
2,17
0
2,76
9
2,97
6
3,02
9
3,48
0
3,64
2
4,15
1
4,70
8
5,61
4
6,09
5
6,66
0
6,85
0

Financi
amiento
1,63
6
2,14
2
2,13
5
3,05
7
4,21
4
5,64
0
69,04
8
62,04
8
73,87
6
84,59
9
99,05
0
124,05
0
144,85
0
158,49
0
176,78
6
196,32
0
235,34
0
281,96
0
319,25
0
372,84
0

Maquinar
ia
Agrcola
38,07
9
44,51
1
52,75
6
64,14
3
80,19
1
105,39
0
133,49
0
157,98
0
185,18
0
218,23
0
254,80
0
292,21
0
332,45
0
363,68
0
398,77
0
438,29
0
480,11
0
523,49
0
566,95
0
606,07
0

Se propone el siguiente modelo para la produccin total agraria


yt = 0 + 1 x1t +2 x2t +3 x3t + t
DondeYt : Produccin total agraria (PRODUC)
X1: Volumen de trabajadores agrcolas (EMPLEADOS)
X2: Parque de maquinaria agrcola (MQAGRIC)
X3: Financiamiento pblico y privado (FINANC)
a. Realice un anlisis completo de los resultados obtenidos e
indique que problemas tendra el modelo (heteroscedasticidad y
autocorrelacin)
b. Si el modelo estimado por MCO proporciona coeficientes,
obtener una prediccin puntual e intervlica para la produccin
agrcola total del ao 21, si el volumen de empleados fuera de
6860, el parque de maquinaria agrcola de 701040 y el
financiamiento de 381030.
a) Antes de empezar a modelar los datos brindados se observa que
estos corresponden a una Serie de tiempo, es decir, provienen de
datos recogidos por periodos de tiempo, generando de esta forma
graves problemas de autocorrelacin dado que no cumplen uno de los
supuestos del modelo de regresin lineal (Independencia), sin
embargo procederemos a modelar los datos con esta metodologa con
la finalidad de estudiar mas a fondo dichos problemas de violacin de
supuestos del modelo.
El modelo lineal planteado ser:
Mediante el software SPSS fcilmente obtenemos los datos bsicos
del modelo, como sus coeficientes , y su tabla de ANOVA.
En la tabla ANOVA se observa que el modelo es significativo.
ANOVAb
a
Sum of Coefficients
Mean
Model
Unstandardized
StandardizF
t Sig.
Sig.
Model
Squares
df
Square
Coefficients 3 3,637E11
ed 420,21
1
Regressi
1,091E12
,000a
Coefficient 9
on
s
Residual
1,385E10
16
8,655E8
B
Std. Error
Beta
Total
1,105E12
19
1
(Consta
166481,1
29797,88
5,587
,000
a. Predictors:
(Constant),
x2,
x3,
x1
nt)
50
0
b. Dependent Variable: y
x1
69,696
28,653
,556
2,432
,027
x3
2,077
,433
,980
4,793
,000
x2
-,706
,252
-,548
-2,798
,013
a. Dependent Variable: y

De la misma forma, se observa que todas las variables incluidas al


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

Mod
el
1

,994a

Model Summary
R
Adjusted R
Square
Square
,987

,985

Std. Error of
the
Estimate
29419,4425
0

a. Predictors: (Constant), x2, x3, x1


Los problemas de dicho modelo se comienzan a observar cuando se
hace un anlisis de la violacin de los supuestos, por ejemplo a partir
de
podemos calcular muchos indicadores, por ejemplo:

En general obtendremos ms indicadores a partir del software:

x2

,967

-,573

-,078

,020

49,004

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


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

=0.9 y

=1.41

Model Summaryb
Model
R
R
Adjusted R
Std. Error of
Square
Square
the
Estimate
a
1
,994
,987
,985 29419,4425
0
a. Predictors: (Constant), x2, x3, x1
b. Dependent Variable: y

DurbinWatson
1,500

Es decir, existe autocorrelacin en el modelo. Finalmente, mediante el


mtodo grfico observamos que el supuesto de normalidad se
acomoda al modelo, sin embargo pueden existir problemas de
heterocedasticidad y de autocorrelacin negativa.
Grficas de residuos para y
Grfica de probabilidad normal

vs. ajustes
50000

90
Residuo

Porcentaje

99

50
10
1

25000
0
-25000
-50000

-50000

-25000

0
Residuo

25000

50000

200000

400000
600000
800000
Valor ajustado

Histograma

1000000

vs. orden

Residuo

Frecuencia

50000
6
4
2
0

25000
0
-25000
-50000

-60000 -40000

-20000

Residuo

b) A partir del modelo:

20000

40000

60000

6
8 10 12 14 16
Orden de observacin

18

20

Realizaremos la prediccin para el ao 21:

1831648,61

Finalmente la estimacin intervlica con =0.05


ser:

Você também pode gostar