Guia Basico Eviews7

ANALISIS ECONOMETRICO CON
E-VIEWS 7.0
JOS LUIS NOLAZCO1
Bachiller en Economa de la UNALM, cualquier consulta: jlnc09@gmail.com.
Curso: Econometra I
Jos Luis Nolazco
CAPITULO 1
INTRODUCCION AL MANEJO DE E-VIEWS 7.0
1.1 Nociones de Econometra y el Programa E-Views
El programa E-Views es la versin en entorno MS-Windows del antiguo Micro - TSP
(Time Series Analysis) desarrollado por primera vez en 1981. Es uno de los ms utilizados
dentro del campo de la econometra y su manejo permite la estimacin, resolucin y uso de
modelos economtricos de distinta naturaleza mediante la utilizacin de una amplia gama
de procedimientos.
Su puesta al da" en relacin con los ltimos avances de la econometra aplicada es notable
y, para los que conocen cada una de las tcnicas, su utilizacin es extremadamente intuitiva.
Esta adecuacin a la prctica profesional de la econometra se debe sin duda a sus autores
que, desde las primeras versiones del TSP disearon el programa de cara a su utilizacin
real adaptndolo a sus propias necesidades del da a da.
Aunque el programa fue desarrollado por economistas y la mayor parte de sus usos se
realizan en el campo de la economa no hay nada en su diseo que limite su utilidad a las
series temporales econmicas.
1.2 Inicio y Creacin de un Espacio de Trabajo
Para comenzar a trabajar con el programa E-views, bastara con acceder a icono
correspondiente de nuestro escritorio, y activar la aplicacin seleccionada, presentndonos
una pantalla como la que presentamos en la figura 1, que esta divida en cuatro grandes
partes, marcadas respectivamente del 1 al 4, con los siguientes contenidos.
Curso: Econometra I
Jos Luis Nolazco
Parte 1
Parte 2
Parte
3
Parte 4
Figura 1
Parte 1. Men bsico de herramientas generales
En esta primera parte podemos acceder a los diferentes mens desplegables, habituales en
las aplicaciones de tipo Windows, donde se puede ejecutar los comandos genricos de
fichero (File), edicin (Edit), manejo de objetos (Object), Vista (View), desarrollo de
procedimientos (Procs), accesos rpidos a operaciones bsicas (Quick), opciones generales
del programa (Options), gestin de ventanas (Window) y ayuda en lnea (Help), y cuyas
funciones son las siguientes:
File Menu: controla operaciones relacionadas con los ficheros, datos y programas
Edit Menu: contiene los tems bsicos de cualquier programa en entorno Windows
Objects Menu: manipula los distintos objetos que se almacenan en un workfile.
Proc and View Menu: estos dos mens se utilizan de forma diferente que el resto
ya que se refieren siempre a la ventana activa en cada caso y por tanto diferirn
segn el tipo de ventana en uso.
Quick Menu: da acceso directo a comandos que se utilizan con cierta frecuente
Options Menu: altera los parmetros de funcionamiento general del E-Views. Los
cambios que se realicen con este men permanecen an saliendo del programa.
Windows Menu: da acceso directo a las distintas ventanas que tengamos abiertas
en el rea de trabajo.
Help Menu: men de ayuda clsico.
Vamos ahora a entrar con ms detalle en las opciones bsicas de aquellas entradas
principales de mayor inters excepto en los casos de procs y views ya que estas cambian
Curso: Econometra I
Jos Luis Nolazco
segn la ventana activa. No se trata de describir con detalle cada una de las opciones sino
tan slo de anticipar alguno de los tems de cada uno de ellos.
MENU FILE
ENTRADA
New
Open
Save
Save as
Close
Import
Export
Print
Print Setup
Exit
ACCION
Crea nuevos workfiles, ficheros de programa y ficheros de texto.
Abre un men por el que se accede a los workfiles, programas o ficheros
de texto previamente creados.
Salva el workfile, programa o fichero de texto activo, si no se ha grabado
nunca preguntara el nombre a utilizar.
Salva el workfile, programa o fichero de texto preguntando el nombre
Cierra la ventana activa. Si la ventana activa es un workfile, un programa o
un fichero de texto este se cerrara, es decir, ser borrado de la memoria
RAM. Previamente se nos preguntara si deseamos guardar los ltimos
cambios.
Lee datos de un fichero externo. Los ficheros legibles son de los
siguientes tipos: Banco de datos de E-Views, DRI Basic Economic
database, texto, Lotus y Excel. Cuando se importan datos de estos
formatos se abrir un men adicional en el que se nos preguntara el
formato de los mismos.
Escribe datos desde un fichero de trabajo al formato de Banco de datos
E-Views, texto, Lotus y Excel. En el formato de Banco de datos puede
almacenarse cualquier tipo de objeto (en ficheros separados) pero en
ficheros de texto o de hoja de clculo solo pueden almacenarse series de
datos. Se abrirn en todos los casos mens adicionales para especificar el
formato.
Imprime el contenido de la ventana activa. Si no hay ventana activada
imprime el rea de comandos.
Controla las opciones de impresin. El men que se abre permite, entre
otras cosas, especificar si la impresin ser enviada a la impresora o a un
fichero de disco.
Cierra todas las ventanas y sale del programa preguntando si deben
grabarse los cambios realizados.
MEN EDIT
ENTRADA
Undo
Cut
Copy
Paste
Delete
Find
Replace
Next
Insert text file
ACCION
Deshace el efecto de la operacin de edicin ms reciente.
Borra la seleccin y la coloca en el Clipboard de Windows.
Copia la seleccin en el Clipboard de Windows.
Coloca el material residente en el Clipboard de Windows en la zona
seleccionada.
Borra la seleccin.
Encuentra una cadena de caracteres en un texto.
Reemplaza determinadas cadenas de caracteres en un texto.
Ejecuta la siguiente operacin de bsqueda segn la condicin de
bsqueda previa.
Sirve para insertar un documento de texto de tu computadora.
Curso: Econometra I
Jos Luis Nolazco
MENU OBJECTS
ENTRADA
New Object
Fetch
Store
Store As
Name
Copy
Freeze
Print
View Options
ACCION
Crea un nuevo objeto del que se nos preguntara el tipo y el nombre.
Es la operacin contraria a Store y de efecto similar a Import del men
File. Su utilidad es grabar un objeto en formato Base de Datos E-Views
(*.db*) en un disco.
Es la operacin contraria a Fetcht y de efecto similar a Export del men
File. Su utilidad es grabar un objeto en formato Base de Datos E-Views
(*.db*) en un disco.
De efecto idntico a Store permite guardar objetos en formato .db
pero permitiendo especificar el nombre y el lugar de almacenamiento.
Permite dar nombre a un objeto nuevo o ya creado cuando este se
encuentra activo.
Realiza una copia de un determinado objeto cuando este se encuentra
activado o simplemente resaltado. Nos preguntara el nombre del nuevo
objeto.
Congela la vista activa del objeto seleccionado creando un nuevo
objeto. Si el objeto congelado es un grafico de una serie, el grafico se
almacenara como un objeto nuevo que podr ser modificado poniendo
textos, sombras. Para cualquier otro objeto el resultado ser una tabla
que tambin puede ser editada.
Imprime la vista activa del objeto que estemos visualizando.
Activa o desactiva ciertas propiedades de la vista del objeto activo. No
cambia el tipo de vista sino algunas de sus caractersticas. Este men
cambia segn el men de vista activo. Sus opciones son ms accesibles
desde la barra de iconos que aparece en la parte superior de la ventana
de una vista.
MENU QUICK
ENTRADA
Sample
Generate Series
Show
Graph
Empty Group
Series Statistics
ACCION
Altera la muestra de datos que se consideraran para los tratamientos
posteriores a esta orden.
Permite especificar una ecuacin para generar una serie nueva a
partir de otras almacenadas en el fichero de trabajo adems del
periodo (muestra) para el que se generaran datos de esa nueva serie.
Activa la ventana del objeto seleccionado. La principal utilidad de
esta orden no es abrir la ventana de un objeto sino abrir, en una
ventana nica, varios grficos o series.
Permite crear un grafico de la serie seleccionada o de un grupo de
series. Una vez seleccionadas las series puede especificarse el tipo de
grafico que se desea y mltiples opciones que modifican su aspecto
final.
Crea un grupo de series vaco. Una vez creado pueden teclearse en
la barra de edicin de ese grupo las series que se desean en ese
grupo o los valores concretos para cada una de ellas.
Calcula diversos estadsticos que se ofrecen en un men para una o
varias series seleccionadas.
Curso: Econometra I
Group Statistics
Estimate Equation
Estimate VAR
Jos Luis Nolazco
Calcula estadsticos para un grupo de variables previamente creado.

Al aplicarse a un grupo aparecern ciertos estadsticos como las
correlaciones, correlogramas, etc., que solo tienen sentido cuando
quieren analizarse de forma cruzada las variables de un grupo.
Estima una nueva ecuacin que el usuario deber especificar y la
almacena como un objeto nuevo.
Estima un modelo VAR que debemos especificar.
Parte 2. Zona de recepcin o lnea de comandos
En esta segunda rea, que habitualmente ocupara muy poco espacio, se podrn introducir y
ejecutar de forma manual todos los comandos habilitados en E-views, de forma tal que un
usuario avanzado podr ejecutar las opciones que desee sin necesidad de ir seleccionando
secuencialmente las opciones ofrecidas en las diferentes ventanas de acceso.
Parte 3. Zona de presentacin de contenidos y resultados.
En esta zona, que ocupara habitualmente la mayor parte de la pantalla, es donde se

presentaran los contenidos de los distintos ficheros de trabajos activos, as como los
resultados de las diferentes acciones realizadas sobre los mismos. En este sentido, podrn
aparecer varias ventanas desarrolladas, con todos sus contenidos, con pequeos contenidos
que debern ser maximizados para consultar su contenido.
Parte 4. Barra de presentacin del estado de la aplicacin
Finalmente, este ltimo rea nos informa sobre el estado actual de la aplicacin activa,
detallando la accin que se est ejecutando en ese momento (mensaje de bienvenida en la
imagen adjunta), el directorio activo en ese momento (Path), la base de datos activa, si la
hubiera (DB), y el archivo de trabajo (Workfile).
Ahora para crear un archivo de Trabajo se tiene que cargar en primer lugar el E-views que
aparece en la ventana principal, posteriormente para generar un archivo de trabajo se
realizan los siguientes pasos:
Seleccionar la opcin File situada en la parte posterior de la pantalla, luego New y se sita
sobre la opcin Workfile
Curso: Econometra I
Jos Luis Nolazco
Luego de seleccionar estos pasos, aparecer una nueva ventana en el que se debe especificar
sobre la periodicidad o frecuencia de los datos con los que se va a trabajar.
Luego en Start date y End date debe especificar el rango entre la fecha de inicio y la fecha
de trmino de trabajo respectivamente.
Curso: Econometra I
Jos Luis Nolazco
Ahora tenemos que orientarle a E-views el tipo de serie que se ingresara al sistema. En
Frecuency se muestran los posibles formatos a ingresar:
Por ejemplo:
Tipo o frecuencia
Start date
End date
Multi anual
(Multi-year)
1898
1996
Series anuales
(annual)
1952
2010
Semi anual
(Semi-anual)
1952
2010
Series trimestrales
(quarterly)
1952:3
2010:4
Series mensuales
(monthly)
1952:01
2009:12
Series bimensuales
(bimonthly)
1952:01
2009:12
Serie quincenal
(Fortnight)
1898:01
1899:01
Series trimensuales
(Ten-day Trimonthly)
1898:01
1899:01
1/01/1952
12/12/2009
Series semanales
(weekly)
Series diarias
Curso: Econometra I
(Daily 5 day week)
(Daily 7 day week)
Jos Luis Nolazco

1/01/1999
1/20/1999
(Intraday)
1/01/1999
1/01/1999
Das enteros
10
(Daily custom week)
(Integer date)
Donde:
Multianual: 1898-1906, en este caso se selecciono para dos aos, por lo tanto el
programa solo encontrar en ese periodo 5 observaciones (1898, 1900, 1902,1904
,1906).
Anual: 1952-2010, en este caso el programa encontrara 59 observaciones.
Semi anual: 1952-2010, en este caso el programa encuentra 2 observaciones (2
semestres por cada ao), por lo que encontrara 118 observaciones.
Trimestral: 1952:3 - 2010:4, comienza desde el tercer trimestre de 1952 y acaba el
cuarto y ltimo trimestre del 2010, encontrando 234 observaciones.
Mensual: 1952:01 2009:12, significa de enero de 1952 hasta diciembre del 2009,
encuentra 696 observaciones.
Bimensual: 1952:01 2009:12, igual que el tem anterior solo que cada mes se divide
en dos partes iguales, encontrando 1380 observaciones.
Quincenal: 1898:01 1899:01, cada mes equivale a dos quincenas, por tanto
encuentra 27 observaciones.
Trimensuales: 1898:01 1899:01, significa que cada mes se divide en tres partes
iguales, encontrando 37 observaciones.
Semanales: 1/01/1952 - 12/11/2009, hace un conteo de todas las semanas desde el
mes de enero de 1952 hasta el mes de diciembre del 2009.
Diaria: 1/01/1999 - 1/20/1999, para el primer caso (5 day week) considera solo los 5
primeros das como hbiles (Lunes a Viernes), para el segundo caso ( 7 day week)
considera los 7 das como hbiles (Lunes a Domingo), y por ultimo (custom week)
considera los das que usted asigne como das hbiles.
Intraday: 1/01/1999 - 1/01/1999, para este caso se identifica en cada cuanto tiempo
en horas, minutos o segundos se haga el conteo para una fecha determinada dado
los das hbiles segn usted lo determine. Para nuestro ejemplo se especificara 30
minutos para todo el da de 1/01/1999, encontrado as 48 observaciones.
Das enteros: 5-10, hace un conteo simple de los das que usted determine, en
nuestro ejemplo encuentra 6 observaciones.
Curso: Econometra I
Jos Luis Nolazco
Como hemos visto el tipo y la frecuencia de los datos pueden ser multi anual, anuales, semi
anuales, trimestrales, mensuales, bimensuales, quincenales, trimensuales, semanales, diarios
o sin fecha (corte transversal)2.
Si los datos son de frecuencia anual y de rango entre 1978 y 2010 se crea el archivo
workfile:
El E-views crea por default dos objetos c (antecedido de un cono-alfa) y resid (antecedido
del cono relacionado a las series de datos). En el objeto c (alfa) almacenar los valores
estimados para los parmetros de los modelos corridos y el objeto resid almacenar los
valores residuales de la ltima regresin corrida.
Range: 1978 2010 significa que toda la informacin empieza el ao 1978 y termina el ao
2010.
Sample: 1978 2010 significa que la muestra activa va de 1978 a 2010. El sample puede ser
modificado por ejemplo de 1978 a 1990 u otra combinacin dentro del Range, para ello
tiene tres alternativas:
1. Elija la opcin Sample de la barra de herramientas de la ventana workfile. Sobre la
ventana Sample escriba el nuevo rango muestral, por ejemplo: 78 90.
Para este tipo de datos nos situamos en Workfile structure type, desplazamos y escogemos
Unstructured/Undated. En este caso en Observations solo ingresamos el nmero de datos disponibles. La otra
estructura del workfile es para paneles de datos balanceados (Balanced panel).
10
Curso: Econometra I
Jos Luis Nolazco
2. De doble click en el workfile sobre Sample: 1978 1999. Aparecer la ventana Sample
y cambie el rango muestral, por ejemplo 78 90.
3. Escriba sobre la lnea de comando en la ventana principal del E-views: smpl 78 90.
1.3 Creacin de una base de datos en el archivo de trabajo (Workfile)

Supongamos que se crea un workfile con 6 observaciones, del 1 al 6. Este se genera
mediante:
File/New/Workfile
/Workfile structure type/Unstructured-Undated
/Data range/ 6 / OK
Seguidamente en la lnea de comandos de la ventana principal del E-views escriba:
Data y x1 x2 (Enter)
Este ultimo procedimiento crea un grupo de tres variables (y, x1, x2) en la cual cada una
tiene 6 observaciones.
Aparece una nueva ventana tipo hoja de clculo (spreadsheet) para completar datos. Para
guardar los datos digitados utilice la opcin Edit +/- de la barra de herramientas de esta
ventana. Adems puedes poner un nombre al grupo de datos utilizando la opcin Name.
11
Curso: Econometra I
Jos Luis Nolazco
Alternativamente, se puede crear una nueva serie eligiendo la opcin en el men de

herramientas generales:
Object / New object / Series.
Al igual que antes, llene los datos y cierre la serie con la opcin Edit+/-.
1.4 Importacin de datos desde un archivo de texto o Excel

Vamos a usar el archivo data1_anual.xls el cual muestra las variables PBIREAL,
CONSUMO e INVERSION para el periodo 1980-2008. Ahora para importar un archivo
de Excel a E-views procedemos a realizar los siguientes pasos:
Primero creamos el workfile con frecuencia anual:
Workfile structure type: Date regular frequency y Frequency: Annual
Start date: 1980 y End date: 2008 / OK
Desde el men bsico de herramientas generales marque las opciones:
File / Import / Read, luego ubiquen el archivo de Excel y seleccionen.
Aparecer una ventana llamada Excel Spreadsheet Import como se muestra a
continuacin.
12
Curso: Econometra I
En este lugar se digita los

nombres de cada serie a utilizar
en el E-views. Tener cuidado en
el orden a al digitar.
Jos Luis Nolazco
Significa que el E-views

comenzar a contar los valores
a partir de la celda B2 en
adelante.
En este lugar se digita el

nombre de la pestaa del
archivo de Excel a
importar
Otra es escribir en la lnea de comandos Open donde debe elegir el archivo donde estn
los datos y el tipo de archivo a elegir. Luego de escoger el archivo marque la opcin abrir.
Se ingresa a una nueva ventana donde debe completarse informacin adicional mostrado
en el cuadro de arriba, tambin debemos tener en cuenta si los datos estn en filas o
columnas (Data order) y del sample donde se va a insertar los datos. Esta debe ser
coherente con el sample del workfile creado inicialmente.
13
Curso: Econometra I
Jos Luis Nolazco
Como ejercicio, utilice el archivo data1_trimestral donde se tiene datos del primer
trimestre de 1980 al primer trimestre del 2009, el cual se usarn tres variables: PBIREAL,
CONSUMO y INVERSION. Tener en cuenta que los datos empiezan en el casillero B2 y
los nombres de las variables estn en la primera fila.
Utilizando el workfile creado anteriormente,
mediante la siguiente opcin:
procedemos a guardar dicho archivo
Save (enter) en la lnea de comandos o File / Save (o Save as) del men bsico de
herramientas generales, luego agregue un nombre, por ejemplo prime_workfile. En el
directorio de trabajo o en lugar donde usted decida guardar el archivo, este aparecer con
extensin wf1, es decir primer_workfile.wf1.
Para ver los datos que contiene el workfile creado, se tiene varias alternativas:
Escribir show PBIREAL CONSUMO INVERSION en la lnea de comandos o

seleccionar las series que se requiere ver en el workfile con ctrl/doble click/Open
Group, tambin se puede usar en el men bsico de herramientas generales Quick/
Show/ PBIREAL CONSUMO INVERSION/OK.
Aparecer una nueva ventana del tipo Group incluyendo la lista de variables marcadas.
14
Curso: Econometra I
Jos Luis Nolazco
Luego de mostrar en grupo las tres variables a estudiar, E-views muestra otras alternativas
para ver los datos, el cual la mayora de ellas estn asociadas a las siguientes opciones en el
workfile:
View / Graph / Options Pages, Graph Type, Details
View / Descriptive Stats / Individual Sample o Common Sample
View / Covariance Analysis/ Correlation
Ahora utilizando el grupo de series como ventana activa, puede copiar dichas series
eligiendo siguiendo los siguientes pasos:
Utilizar la opcin Freeze. Aparecer una nueva ventana con los datos de las variables
mostradas, esta ventana puede ser grabada en el workfile al dar click en Name y guardarlo
con el nombre que usted crea conveniente.
Elegir la opcin Edit +/- en la barra de herramientas del E-Views para cambiar los valores
de las series si es necesario.
Seleccionar todo los valores del grupo de series y dar click derecho/copy e ir al
documento MS Word y pegar el objeto copiado utilizando la pegar.
1.5 Creacin de series
Para crear series en base a las variables existentes (PBIREAL, CONSUMO, INVERSION)
se puede elegir la opcin Genr en la barra de herramientas del workfile creado. Aqu
aparecer una nueva ventana por la ecuacin que transforma las series existentes en la
nueva serie que usted desea crear.
Aqu se crea el logaritmo
de la variable consumo.
Tener en consideracin
el periodo muestral
que es esta eligiendo.
15
Curso: Econometra I
Jos Luis Nolazco
En este caso se cre: lgconsumo=log(consumo)

Otra opcin es escribir en la lnea de comandos del E-views el comando Genr seguido por
la ecuacin que usted desee crear, as por ejemplo:
Genr lgconsumo=log(consumo),como se mostro anteriormente, se genera una variable
que es el logaritmo del consumo.
Genr pbireal2=pbireal^2 , en E-views esto equivale al cuadro de la dicha variable
seleccionada.
Genr lgconinv=log(consumo)+log(inversion)
Genr trend=@trend(1980), este crea una variable de tendencia con 0 en 1980, 1 en 1981 y
as sucesivamente hasta el ao 2008.
Genr invrezagada=inversion(-1), aqu se crea una variable en base al rezago de un ao
(por eso el valor de 1) de la variable inversin.
Otra alternativa, es elegir la opcin Object / Generate Series de la barra de herramientas
del Workfile.
1.6 Estadsticos para la interpretacin y tabulacin de datos de una

serie
Antes de realizar cualquier anlisis economtrico que pretenda vincular un conjunto de
variables observadas, es conveniente analizar por separado cada una de las series
involucradas. En esta parte se revisarn las principales herramientas que permiten realizar
un anlisis estadstico elemental de las series de datos en E-Views.
Al abrir un objeto tipo serie (con doble clic sobre la serie correspondiente o utilizando el
botn derecho del mouse y seleccionando Open), la presentacin por defecto ser la de
hoja de datos (SpreadSheet). Es conveniente comenzar un anlisis univariado examinando
la forma que adopta el grfico lineal de una serie de datos. En caso de tratarse de una serie
de tiempo (como en nuestro ejemplo, que va desde el ao 1980 hasta el ao 2008 en
intervalos anuales), el grafico mostrara la evolucin temporal de los datos.
En cambio, si lo que se tiene son datos de corte transversal (como los que se obtendran al
analizar la respuesta a una misma pregunta aplicada a un grupo de 100 personas), el grfico
mostrado no necesariamente tendr valor analtico inmediato (salvo para apreciar el nivel
medio y dispersin aproximada de las respuestas dadas por distintas personas). Al tratarse
de un anlisis de corte transversal, tendr sentido ordenar primero las observaciones de
acuerdo con un criterio til (por ejemplo, colocar a la izquierda a los hombres y a la
derecha a las mujeres), de modo que se evidencien comportamientos diferenciados.
Regresaremos a esto ms adelante.
16
Curso: Econometra I
Jos Luis Nolazco
PBIREAL
INVERSION
200
180
CONSUMO
50,000
140,000
40,000
120,000
30,000
100,000
20,000
80,000
10,000
60,000
160
140
120
100
80
1980
1985
1990
1995
2000
2005
0
1980
1985
1990
1995
2000
2005
40,000
1980
1985
1990
1995
2000
2005
Luego de un primer acercamiento visual a las caractersticas de una serie de datos, el

siguiente paso formal consiste en la revisin de los indicadores estadsticos elementales.
Como veremos posteriormente, el valor de algunos de estos ndices determina el
cumplimiento de los requisitos para un anlisis de regresin.
La tercera opcin que ofrece el botn View permite acceder a un conjunto de estadsticas
descriptivas que a continuacin se detallan.
17
Curso: Econometra I
Jos Luis Nolazco
La primera pantalla de resultados se denomina Histogram and Stats. Seguidamente se

muestra el resultado de esta pantalla para una serie de datos que hemos estado trabajando
llamada CONSUMO. Tambin se puede escribir en la lnea de comandos show
consumo.his, en ambos casos dar el siguiente resultado.
10
Series: CONSUMO
Sample 1980 2008
Observations 29
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
79896.72
78223.23
129097.1
59999.71
18539.24
0.958550
3.249980
Jarque-Bera
Probability
4.516462
0.104535
0
60000
70000
80000
90000
100000
110000
120000
130000
Otras opciones para aplicar en la lnea de comandos para la serie CONSUMO, se

mencionan a continuacin:
Show consumo.bar, aqu se muestra el grfico de barras para la serie CONSUMO.
Show consumo.hist, aqu se muestra el Histograma para la serie CONSUMO.
Show consumo.line, aqu se muestra el grfico de Lneas para la serie CONSUMO.
Show consumo.qqplot, aqu se muestra
CONSUMO.
el grafico
Quantil-Quantil para la serie
Show consumo.stats, aqu se muestra las estadsticas bsicas e histograma para la serie
CONSUMO.
Show consumo.label, aqu se la etiqueta de la serie CONSUMO.
Show consumo.sheet, aqu se muestra la hoja de datos de la serie CONSUMO.
Show consumo.statby, aqu se muestra las estadsticas por clasificacin de la serie
CONSUMO.
Show consumo.testby, aqu se muestra las pruebas de igualdad por clasificacin de la serie
CONSUMO.
18
Curso: Econometra I
Jos Luis Nolazco
Show consumo.teststat, aqu se muestra las pruebas de hiptesis simples de la serie

CONSUMO.
Show consumo.uroot, aqu se muestran las pruebas de raz unitaria de la serie
CONSUMO.
Dado el grafico anterior (as como la vista Stats), el cual muestra un grfico de barras que
representa la distribucin de frecuencias de la serie analizada. De esta manera, es posible
determinar qu valores tienen la mayor probabilidad de ocurrencia y alrededor de que
valor(es) se centran las observaciones. La forma de la distribucin para los datos de la serie
seleccionada puede analizarse con ms detalle y formalidad a partir de los siguientes
estadsticos:
Media (mean)
Corresponde al valor promedio de la serie. Si el valor de la media fuese muy cercano a
cero, se podra concluir la caracterstica de normalidad estandarizada del proceso
generador de la serie.
Mediana (median)
Corresponde al valor central de la serie (luego de ser ordenada segn su magnitud).
Como se sabe, en una distribucin normal la media, la mediana y la moda arrojan el
mismo resultado debido, precisamente, a que la distribucin es simtrica (el estadstico
relevante para medir la simetra ser explicado ms adelante).
Desviacin estndar (Std.Dev.)

Es una medida de dispersin de las observaciones alrededor de la media. Formalmente,
la desviacin estndar se calcula a partir de la raz cuadrada de la sumatoria del
cuadrado de las desviaciones de las observaciones respecto a la media de la serie, es
decir:
1 N
( yi y )2
N 1 i 1
Donde N representa el nmero total de observaciones en la muestra, mientras que yi

e y representan el valor de la variable para la i-sima observacin y la media de la serie,
19
Curso: Econometra I
Jos Luis Nolazco
respectivamente. Si dicho estadstico arrojara un valor muy cercano a la unidad, se

debera al proceso de estandarizacin de los datos generados de la serie.
Coeficiente de asimetra (skewness)

Este ndice ofrece una medida de simetra de la distribucin de las observaciones. El
valor referencial que se toma para comparar el estadstico que muestra E-Views es cero
(asociado a una distribucin normal y, por ende, simtrica). Entonces, un valor positivo
para el coeficiente de asimetra implica una mayor cola a la derecha de la media;
mientras que un valor negativo significa una mayor cola a la izquierda del valor
promedio. Formalmente, el coeficiente de asimetra se construye a partir del tercer
momento de la distribucin y la desviacin estndar de la misma:
Sk
1
N
( yi y )3
i 1
Coeficiente de curtosis (kurtosis)

Se trata de una medida que indica el grado de apuntamiento de la distribucin o
anchura de sus colas. Al igual que en el caso del coeficiente de asimetra, se toma el
coeficiente de curtosis de la distribucin normal (3) como valor referencial.
Formalmente, el coeficiente de curtosis se construye a partir del cuarto momento de la
distribucin y el cuadrado de su varianza (o la cuarta potencia de su desviacin
estndar):
1
Ku
N
( yi y )4
i 1
En este sentido, para una distribucin normal, el cuarto momento es igual a tres veces
el cuadrado de su varianza. A partir de lo anterior, si el coeficiente de curtosis es menor
a tres se dice que la distribucin es platicrtica; en cambio, si el cuarto momento es mas
de tres veces el cuadrado de la varianza (coeficiente de curtosis de mayor a tres) se dice
que la distribucin es leptocrtica. Asimismo, una distribucin cuyo coeficiente de
curtosis se aproxima al valor de tres se denomina mesocrtica. Si consideramos la
denominacin anterior, el termino lepto significa delgado (en griego) y se refiere al
hecho de que este tipo de distribuciones presenta una parte central relativamente
delgada; lo cual no se debe confundir con la anchura de colas, ya que distribuciones
leptocrticas presentan colas ms anchas que las platicrticas. Por otro lado, el trmino
plati significa ancho y se refiere a la mayor anchura de la parte central, a pesar de que
las colas sean relativamente ms delgadas. En conclusin, distribuciones con un
coeficiente de curtosis mayor a tres (leptocrticas) poseen un mayor apuntamiento
20
Curso: Econometra I
Jos Luis Nolazco
(centro ms delgado) y colas ms anchas; mientras que lo contrario ocurre en

distribuciones con un coeficiente de curtosis menor de tres (platicrticas).
Platicrticas
Mesocrtica
Leptocrtica
s
Test Jarque-Bera
La prueba de normalidad de Jarque-Bera se basa en el estadstico JB bajo la distribucin

Chi-cuadrado con 2 grados de libertad.
JB
N k
1
Sk 2 ( Ku 3) 2
6
4
Donde k indica el nmero de coeficientes utilizados para generar la serie analizada. Tal
como se aprecia, la prueba de normalidad se basa en los dos estadsticos explicados
anteriormente: el coeficiente de asimetra y el coeficiente de curtosis. As, cuanto mayor
sea la diferencia entre los valores referenciales a estos estadsticos para una distribucin
normal y los obtenidos para la serie analizada, mayor ser el estadstico JB y, por tanto,
mayor ser la probabilidad de que este resulte mayor al valor crtico y nos encontremos
en zona de rechazo para la hiptesis nula de normalidad.
Tal como se indic la hiptesis nula del test Jarque-Bera es que la distribucin de donde
han sido extrados los datos de la serie analizada es normal. Sin embargo, antes de
contrastar la evidencia que nos brinda el valor del estadstico JB, es necesario fijar un
nivel de confianza (lo usual es trabajar con una certidumbre del 95%) que delimite las
zonas de aceptacin y rechazo para la hiptesis nula.
21
Curso: Econometra I
Jos Luis Nolazco
Si la probabilidad asociada al estadstico JB es mayor a 0.05, no se puede rechazar la

hiptesis nula de normalidad para la serie de datos analizada con un nivel de confianza
del 95%.
22
Curso: Econometra I
Jos Luis Nolazco
CAPITULO 2
M0DELO DE REGRESION LINEAL CLASICO
2.1 RESUMEN TEORICO
Con los modelos de regresin lineal perseguimos explicar el comportamiento de una

variable a partir de otras. Para ello suponemos que existe una relacin lineal entre la
variable cuyo comportamiento queremos explicar (variable endgena o dependiente) y las
variables que utilizamos como explicativas (variables exgenas o independientes).
yi 0 1 x1n 2 x2i ....... k xki i
, i 1,..., n
(1)
La variable yi es la variable endgena o dependiente, las variables xij , i 1,......k son las
variables explicativas o regresores y i es la perturbacin aleatoria o comnmente llamado
termino de error, por ltimo los son los parmetros asociados a cada una de las
variables explicativas, tambin llamados coeficientes de regresin y miden el impacto de
cada variable independiente al comportamiento de la variable endgena.
Los parmetros de la poblacin que son 1 , 2 ,...k no son conocidos. Sin embargo
utilizando informacin muestral se pueden obtener estimadores de los parmetros (o
coeficientes).
As utilizando la informacin muestral se debe obtener:
Buenos estimadores de los coeficientes.

Determinar cmo los estimados cambian si se tiene otra muestra de la misma
poblacin.
Analizar si hay suficiente evidencia al no tomar algunos valores de los coeficientes.
Utilizar los estimadores para interpretar el modelo.
Ahora si utilizamos la notacin matricial, el modelo se escribe como Y X , donde:
23
Curso: Econometra I
x11
y1

x12
y2
Y
,X

x1n
yn nx1
Jos Luis Nolazco
x21
x22
x2 n
xk1
xk 2
xkn
nxk
(2)
1
1

2 , 2

k kx1
n nx1
Si se quiere que en el modelo exista trmino independiente, la variable x1i tiene que ser
igual a uno, o lo que es lo mismo, la primera columna de la matriz X tiene que ser un
vector de unos. A este regresor se le llama regresor ficticio. Normalmente, se trabajar con
modelos en los que existe trmino independiente.
Adems, se considera que se cumplen las siguientes hiptesis clsicas bsicas:
Como se ha mostrado anteriormente en la ecuacin del modelo, esta cumple la

hiptesis de linealidad entre la relacin y la constancia de los parmetros a lo largo
de la muestra.
No existen relaciones lineales entre las variables explicativas o regresores y estos no
son variables aleatorias (no multicolinealidad).
La esperanza del vector de la variable aleatoria es cero: E ( ) 0 .
La matriz de varianzas y covarianzas del vector de variables aleatorias es:
E ( ) 2 I . Es decir todos los componentes del vector tienen varianza
idntica (homoscedasticidad), y adems las covarianzas son 0, es decir, los
elementos del vector no estn correlacionados (no autocorrelacin).
El rango de la matriz X es k, el nmero de regresores, y debe ser menor o igual a n, el
nmero de observaciones. Esta condicin es necesaria para que la matriz XX sea
invertible. Adems la matriz X es una matriz no aleatoria no aleatoria o no
estocstica.
La distribucin de probabilidad del vector de perturbaciones aleatorias es:
N (0, 2 I ) , es decir es un vector normal esfrico.
Por tanto, las perturbaciones son variables aleatorias independientes e igualmente

distribuidas, normales con media cero y varianza 2 . Dado que X no es aleatoria, la
distribucin de probabilidad del vector Y se deriva a partir del vector de
perturbaciones:
Y N ( X , 2 I ) .
Como lo hemos mencionado anteriormente, los modelos de regresin tienen como

finalidad la explicacin del comportamiento de una determinada variable (variable
24
Curso: Econometra I
Jos Luis Nolazco
dependiente) como funcin de un conjunto de otras variables (variables independientes).

Para ello se selecciona una variable objeto de estudio y un conjunto de variables que van a
contribuir a su explicacin, dado que la inclusin de estas nuevas variables en el modelo
siempre contribuye a mejorar el grado de explicacin alcanzado por este, se hace necesario
utilizar criterios que valoren la inclusin de estas nuevas variables tanto en la mejora que se
produce en su coeficiente de determinacin como en la reduccin que sufren los grados de
libertado del modelo estimado.
Por lo tanto, se plantean distintos estadsticos que permiten seleccionar las variables que
deben ser explicativas en un modelo economtrico. Entres los principales criterios de fcil
aplicacin se incluyen los siguientes:
R2 ajustado:
Se define de tal modo que penaliza la inclusin de nuevas variables explicativas en el
modelo, ya que, si bien al aumentar el nmero de regresores aumenta tambin la Suma de
Cuadrados Explicados, la inclusin de nuevas variables explicativas reduce los grados de
libertad del modelo, por lo que no siempre resultara adecuado incorporar nuevas variables
al mismo.
SCR
n 1
R 1 n k 1
(1 R 2 )
SCT
nk
n 1
Criterio de Informacin de Akaike (AIC)

Este criterio es un estadstico que permite seleccionar variables en un modelo de regresin,
su clculo se realiza a partir de la suma de cuadrados de residuos del modelo de regresin,
tambin penaliza la inclusin de nuevos regresores en el modelo, seleccionando como
modelo ms adecuado aquel que presenta un menor valor de dicho coeficiente. Su frmula
de clculo responde a la siguiente expresin:
SCR 2k
AIC ln
n n
Y su valor tambin aparece calculado automticamente en la estimacin facilitada por Eviews; el nombre que lo identifica es Akaike info criterion.
25
Curso: Econometra I
Jos Luis Nolazco
Criterio de Schwarz
Este criterio es una alternativa mas restrictiva al criterio AIC, ya que permite la seleccin de
variables que deben ser incluidas en el modelo. Este criterio penaliza en un grado mayor la
inclusin de nuevos regresores en el modelo. Al igual que en el caso anterior, se considera
mejor modelo aquel que presente un menor valor del coeficiente. Su valor aparece tambin
calculado en la estimacin facilitada por E-views con el nombre Schwarz criterion y se
obtiene a partir de la siguiente expresin.
SBC
k
SCR
ln(n) ln
n
n
Criterio de razn de Verosimilitud
Este criterio se basa en el principio de mxima verosimilitud y consiste en la realizacin de

un contraste de unidad para un subconjunto de coeficientes del modelo de regresin. El
diseo de este contraste necesita de la comparacin de dos modelos, uno de ellos que
verifique la hiptesis nula (modelo restringido) y otro que no la verifique (modelo no
restringido). En cada uno de estos modelos se calcula el valor de logaritmo de la funcin de
verosimilitud y se aplica el siguiente contraste:
2
X exp
2 ln
2
X tco
X p2
Donde es el cociente de los valores de la funcin de verosimilitud en el modelo

restringido y el modelo no restringido, y p es el nmero de restricciones o coeficientes
sometidos a contraste.
El resultado de la estimacin mnimo cuadrtica de E-views presenta el valor del logaritmo
de la funcin de verosimilitud (Log Likelihood), por lo que este estadstico se puede
calcular a partir de la siguiente expresin:
2
X exp
2(ln LR ln LNR )
Otra posibilidad en la aplicacin de un contraste mas general que analiza error de

especificacin del modelo; errores en la forma funcional del modelo, en la exclusin o
inclusin de variables, o violaciones de las hiptesis clsicas (presencia de
heteroscedasticidad, autocorrelacin o dependencia entre la matriz de regresores y la
perturbacin aleatoria). Este contraste fue presentado por Ramsey (1969) y se encuentra
implementado en E-views.
26
Curso: Econometra I
Jos Luis Nolazco
Para su realizacin, desde el resultado de la estimacin cuya validez se quiere analizar, se

selecciona: View/Stability Tests/ Ramsey RESET/ y en el cuadro de dialogo se
especifica el numero de variables que se desea aadir en la ecuacin.
La aplicacin de este contraste se basa en una estimacin aleatoria alternativa donde se
incluye un conjunto de variables representadas por sucesivas potencias de la variable
dependiente estimada en la regresin original:
Y X Z u
Donde Z introduce las potencias de la variable dependiente estimada. Si existe algn

error de especificacin, los parmetros serian estadsticamente distintos de cero. El
resultado del contraste muestra los valores del estadstico F y del contraste de razn de
verosimilitud para el contraste de hiptesis en el que los coeficientes son todos nulos.
2.2 APLICACIONES
2.2.1 Un alumno de la UNALM desea estimar la funcin de produccin del sector textil
utilizando como variables explicativas el trabajo y el capital.
Observaciones
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
Q
3267636
3664620
4106758
4592483
5250695
6074133
6887865
7848365
8168404
8392581
8972103
9420052
L
1493.8
1549.1
1637.6
1727.6
1848.6
1963.5
2036.2
2070.8
2065.4
2055.9
2093.78
2107.615
K
2923423.74
3138053.94
3364006.38
4672090.06
6413698.56
8526638.63
10744839.7
12597038.7
14444431.8
16260040.2
17962362.2
19226538.1
Se le pide:
1. Estimar una funcin de produccin lineal y verificar la igualdad entre las
productividades marginales del trabajo y el capital.
2. Estimar una funcin tipo Cobb-Douglas y verificar la existencia de rendimientos
constantes de escala.
27
Curso: Econometra I
Jos Luis Nolazco
3. Analizar los efectos que se producen sobre las estimaciones ante cambios de escala
( se multiplica por diez), en la variable dependiente y en los regresores.
4. Analizar los efectos que se producen sobre las estimaciones ante cambios de origen
(se restan quinientas unidades), en la variable dependiente y en los regresores.
5. Considerando el periodo 1985-1993 en la variable dependiente, realizar una
prediccin para dicha variable en los tres aos siguientes.
Solucin:
Primero procedemos a importar la base de datos del excel llamado Ejercicio2.1.xlsx, para
esto abrimos el E-views, luego:
File / New/ Workfile. Luego utilizando Dated-regular frecuency y Frecuency/
Annual, seleccionamos en Start date: 1985 y en End date: 1996, por ltimo pulsamos
OK.
Ahora como hemos visto antes, realizamos File/ Import/Import from

file/Ejercicio2.1/finish, luego grabamos el workfile con el nombre que usted desee
seleccionando el comando save.
1. La funcin de produccin de tipo lineal a estimar en este caso es:
qt Lt Kt ut
Instrucciones: En herramientas generales seleccionamos Quick/Estimate equation/ q c

l k o en la lnea de comandos escribimos EQUATION EQ01.LS q c l k.
28
Curso: Econometra I
Jos Luis Nolazco
Dependent Variable: Q
Method: Least Squares
Sample: 1985 1996
Included observations: 12
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
L
K
-1832783.
2999.482
0.255262
725849.9
467.3818
0.017681
-2.525017
6.417627
14.43725
0.0325
0.0001
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.996321
0.995503
146379.0
1.93E+11
-158.0286
1218.617
0.000000
Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
6387141.
2182889.
26.83810
26.95933
26.79322
1.577307
Es conveniente asignar un nombre a la ecuacin puesto que va a ser utilizada de nuevo.

Desde la salida correspondiente a la estimacin se elige la opcin name/eq01. Puede
observarse como en la pantalla principal se ha creado un nuevo objeto que identifica a esta
ecuacin. En segundo lugar, se realiza el contraste para verificar la igualdad entre las
productividades marginales, es decir:
H0 :
o H0 : 0
Desde la salida correspondiente a la estimacin del modelo de produccin lineal, se

selecciona la opcin correspondiente al test de Wald. En esta opcin aparecer una ventana
de dialogo en la que deber especificarse la restriccin propuesta, sabiendo que el programa
asigna el nombre c(1) al primer parmetro del modelo, c(2) al segundo, y as sucesivamente.
Instrucciones: En la eq01 vamos a la opcin View/Coefficient diagnostics/ Wald testcoefficient Restrictions / c(2)-c(3)=0
Wald Test:
Equation: EQ01
Test Statistic
t-statistic
F-statistic
Chi-square
Value
df
Probability
6.416860
41.17609
41.17609
9
(1, 9)
1
0.0001
0.0001
0.0000
Value
Std. Err.
2999.227
467.3979
Null Hypothesis: C(2)-C(3)=0

Null Hypothesis Summary:
Normalized Restriction (= 0)
C(2) - C(3)
Restrictions are linear in coefficients.
29
Curso: Econometra I
Jos Luis Nolazco
La salida del ordenador muestral los estadsticos experimentales y las probabilidades que
dejan a su derecha. Puesto que en ambos casos la probabilidad es menor que el nivel de
significacin elegido (se utiliza normalmente 0,05), se rechaza la hiptesis nula, por lo que
se rechaza la igualdad entre las productividades marginales.
2. La funcin de produccin de tipo Cobb-Douglas a estimar en este caso es:
qt ALt Kt eut
Para realizar la estimacin de este modelo es necesario linealizarlo tomando logaritmos:

ln qt ln A ln Lt ln Kt ut
Siendo:
ln qt Lqt , ln A , ln Lt LLt , ln Kt LKt
Hay que estimar el modelo:

Lqt LLt LKt ut
Antes de estimar el modelo, se necesita transformar las variables originales en logaritmos.
Instrucciones: Genr/Lnq=log (q)
Genr/LnL=log (L)
Genr/LnK=log (K)
Se estima la nueva funcin de produccin:
Instrucciones: En herramientas generales seleccionamos Quick/Estimate equation/
Lnq c Lnl Lnk o en la lnea de comandos escribimos EQUATION EQ02.LS Lnq c
Lnl Lnk
Dependent Variable: LNQ

Date: 08/09/10 Time: 12:04
Sample: 1985 1996
Variable
C
LNL
LNK
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
Coefficient
Std. Error
t-Statistic
Prob.
4.392927
0.617822
0.412304
1.714918
0.354840
0.063183
2.561597
1.741128
6.525580
0.0306
0.1156
0.0001
0.992414
0.990729
0.035672
0.011452
24.69955
588.7303
0.000000
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
15.61025
0.370473
-3.616591
-3.495365
-3.661474
1.348233
30
Curso: Econometra I
Jos Luis Nolazco
Se realiza el contraste para verificar la existencia rendimientos constantes de escala, es decir:

H0 : 1
Por ltimo, desde la salida correspondiente a la estimacin del nuevo modelo de

produccin tipo Cobb-Douglas, se selecciona la opcin correspondiente al test de Wald.
Instrucciones: En la eq02 vamos a la opcin View/Coefficient diagnostics/ Wald testcoefficient Restrictions / c(2)+c(3)=1
Wald Test:
Equation: EQ02
Test Statistic
t-statistic
F-statistic
Chi-square
Value
df
Probability
0.102506
0.010508
0.010508
9
(1, 9)
1
0.9206
0.9206
0.9184
Value
Std. Err.
0.030126
0.293890
Null Hypothesis: C(2)+C(3)=1

-1 + C(2) + C(3)
Puesto que la probabilidad que deja a la derecha el estadstico es mayor que el nivel de
significacin de 0.05, no se puede rechazar la hiptesis nula, por lo que se considera la
presencia de rendimientos constantes de escala.
3. Anlisis de las estimaciones antes cambios de escala.
Se selecciona en la pantalla principal la ecuacin la ecuacin uno, puesto que es el modelo
de produccin lineal sobre el que se va a trabajar. En primer lugar es necesario definir de
nuevo las variables, incrementndolas por die, incluido el termino independiente.
Instrucciones: Genr/MQ=10*Q
Genr/MC=10*1
Genr/ML=10* L
Genr/MK=10*K
31
Curso: Econometra I
Jos Luis Nolazco
Se realizan un conjunto de regresiones utilizando las variables incrementadas y se observa

cmo afectan estos incrementos a las estimaciones del modelo. Si se incrementan los
regresores, excluido el trmino independiente, los coeficientes de dichos regresores quedan
divididos por diez.
qt MLt MKt ut

ML MK o en la lnea de comandos escribimos EQUATION EQ03.LS q c ML MK
Date: 08/09/10 Time: 12:26
Sample: 1985 1996
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
ML
MK
-1832783.
299.9482
0.025526
725849.9
46.73818
0.001768
-2.525017
6.417627
14.43725
0.0325
0.0001
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.996321
0.995503
146379.0
1.93E+11
-158.0286
1218.617
0.000000
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
6387141.
2182889.
26.83810
26.95933
26.79322
1.577307
Si se incrementa un nico regresor, su coeficiente queda divido por diez:

qt MLt Kt ut
Date: 08/09/10 Time: 12:27
Sample: 1985 1996
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
ML
K
-1832783.
299.9482
0.255262
725849.9
46.73818
0.017681
-2.525017
6.417627
14.43725
0.0325
0.0001
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
0.996321
0.995503
146379.0
1.93E+11
-158.0286
Mean dependent var

S.D. dependent var
Schwarz criterion
6387141.
2182889.
26.83810
26.95933
26.79322
32
Curso: Econometra I
Jos Luis Nolazco
F-statistic
Prob(F-statistic)
1218.617
0.000000
Durbin-Watson stat
1.577307
Si se incrementa solo la variable dependiente, los coeficientes de todos los regresores se ven
multiplicados por diez:
Mqt Lt Kt ut
Dependent Variable: MQ
Date: 08/13/10 Time: 22:30
Sample: 1985 1996
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
L
K
-18327831
29994.82
2.552618
7258499.
4673.818
0.176808
-2.525017
6.417627
14.43725
0.0325
0.0001
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.996321
0.995503
1463790.
1.93E+13
-185.6596
1218.617
0.000000
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
63871413
21828885
31.44327
31.56450
31.39839
1.577307
Si se incrementan la variable dependiente y los regresores, excluido el trmino

independiente, el coeficiente del regresor ficticio queda multiplicado por diez:
Mqt MLt MKt ut
Date: 08/13/10 Time: 22:35
Sample: 1985 1996
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
ML
MK
-18327831
2999.482
0.255262
7258499.
467.3818
0.017681
-2.525017
6.417627
14.43725
0.0325
0.0001
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.996321
0.995503
1463790.
1.93E+13
-185.6596
1218.617
0.000000
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
63871413
21828885
31.44327
31.56450
31.39839
1.577307
33
Curso: Econometra I
Jos Luis Nolazco
Si se incrementan todas las variables, incluido el regresor ficticio, los coeficientes de las
variables, incluido el del regresor ficticio, no se alteran:
Mqt MCt MLt MKt ut
Date: 08/09/10 Time: 12:33
Sample: 1985 1996
Variable
Coefficient
Std. Error
t-Statistic
Prob.
MC
ML
MK
-1832783.
2999.482
0.255262
725849.9
467.3818
0.017681
-2.525017
6.417627
14.43725
0.0325
0.0001
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.996321
0.995503
1463790.
1.93E+13
-185.6596
1.577307
Mean dependent var

S.D. dependent var
Schwarz criterion
63871413
21828885
31.44327
31.56450
31.39839
De los anteriores cuadros, se concluye:
Si se cambian las escalas de los regresores sus coeficientes quedan modificados,

incrementndose por el inverso del factor de escala.
Si se cambia solo la escala de la variable dependiente, los coeficientes de los
regresores quedan modificados, incrementndose por el factor de escala.
Si se cambian las escalas de todas las variables, incluido el regresor ficticio, los
coeficientes de los regresores no varan.
4. Anlisis de las estimaciones ante cambios de origen

Se necesita definir otra vez las variables, restando quienentas unidades, incluido de nuevo,
el termino independiente.
Instrucciones: Genr/RQ=Q-500
Genr/RC=1-500
Genr/RL= L-500
Genr/RK=K-500
34
Curso: Econometra I
Jos Luis Nolazco
Se realiza un conjunto de regresiones utilizando las nuevas variables y se observa cmo

afectan estas alteraciones a las estimaciones del modelo. Si se modifican los regresores,
excluido el regresor ficticio:
qt RLt RKt ut

RL RK o en la lnea de comandos escribimos EQUATION EQ04.LS q c RL RK
Date: 08/09/10 Time: 12:43
Sample: 1985 1996
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
RL
RK
-332914.4
2999.482
0.255262
494515.7
467.3818
0.017681
-0.673213
6.417627
14.43725
0.5177
0.0001
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.996321
0.995503
146379.0
1.93E+11
-158.0286
1218.617
0.000000
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
6387141.
2182889.
26.83810
26.95933
26.79322
1.577307
Se modifica el coeficiente del regresor ficticio de la siguiente forma:

-1832783 + 500*(2999.482+0.255262)=-332914.4
Es decir, es el antiguo coeficiente del regresor ficticio menos el cambio de origen (-500)
multiplicado por los coeficientes de las variables incrementadas.
Si se modifica un nico regresor:
qt RLt Kt ut
35
Curso: Econometra I
Jos Luis Nolazco
Date: 08/09/10 Time: 12:48
Sample: 1985 1996
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
RL
K
-333042.1
2999.482
0.255262
494508.3
467.3818
0.017681
-0.673481
6.417627
14.43725
0.5176
0.0001
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.996321
0.995503
146379.0
1.93E+11
-158.0286
1218.617
0.000000
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
6387141.
2182889.
26.83810
26.95933
26.79322
1.577307

-1832783 + 500*(2999.482)=-333042.1
Si se modifica solo la variable dependiente:
Rqt Lt Kt ut
Dependent Variable: RQ
Date: 08/09/10 Time: 12:50
Sample: 1985 1996
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
L
K
-1833283.
2999.482
0.255262
725849.9
467.3818
0.017681
-2.525705
6.417627
14.43725
0.0325
0.0001
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.996321
0.995503
146379.0
1.93E+11
-158.0286
1218.617
0.000000
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
6386641.
2182889.
26.83810
26.95933
26.79322
1.577307

-1832783 + 500=-1832283
Si se modifican la variable dependiente y los regresores, excluido el ficticio:
36
Curso: Econometra I
Jos Luis Nolazco
Rqt RLt RKt ut

Date: 08/09/10 Time: 12:50
Sample: 1985 1996
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
RL
RK
-333414.4
2999.482
0.255262
494515.7
467.3818
0.017681
-0.674224
6.417627
14.43725
0.5171
0.0001
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.996321
0.995503
146379.0
1.93E+11
-158.0286
1218.617
0.000000
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
6386641.
2182889.
26.83810
26.95933
26.79322
1.577307

-1832783 -500+ 500*(2999.482+0.255262)=-333414.4
Si se modifican todas las variables:
Rqt RCt RLt RKt ut
Date: 08/09/10 Time: 12:52
Sample: 1985 1996
Variable
RC
RL
RK
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Coefficient
Std. Error
t-Statistic
Prob.
668.1652
2999.482
0.255262
991.0134
467.3818
0.017681
0.674224
6.417627
14.43725
0.5171
0.0001
0.0000
0.996321
0.995503
146379.0
1.93E+11
-158.0286
1.577307
Mean dependent var

S.D. dependent var
Schwarz criterion
6386641.
2182889.
26.83810
26.95933
26.79322
37
Curso: Econometra I
Jos Luis Nolazco
1832783 500 500(2999.482 0.255262)

668.1652
500
Por lo tanto en todas las regresiones el nico estimador que varia es el correspondiente al
regresor ficticio, permaneciendo inalterados los coeficientes de los dems regresores.
5. Prediccin de la variable dependiente para el periodo 1994-1996.
Para poder realizar esta prediccin hay que generar una nueva serie que sea igual a nuestra
serie de produccin pero sin datos para el periodo 1994-1996.
Instrucciones: Genr/qmod=q
Una vez conseguida la nueva serie hay que mostrarla: escriba en la lnea de comandos show
q qmod, y editarla (edit +/-) para poder modificar las tres ltimas observaciones de la
serie, escribiendo sobre ellas NA.
Puesto que la variable dependiente se ha modificado, tiene tres observaciones menos, para
realizar la prediccin es necesario estimar de nuevo el modelo.
Instrucciones: En herramientas generales seleccionamos Quick/Estimate equation/
qmod c L K o en la lnea de comandos escribimos EQUATION EQ05.LS qmod c L K
Dependent Variable: QMOD
Date: 08/09/10 Time: 12:58
Sample (adjusted): 1985 1993
Included observations: 9 after adjustments
38
Curso: Econometra I
Jos Luis Nolazco
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
L
K
-991000.6
2391.562
0.292948
1118930.
765.0700
0.039874
-0.885668
3.125938
7.346843
0.4099
0.0204
0.0003
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.994121
0.992162
159777.9
1.53E+11
-118.7797
507.3115
0.000000
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
5540107.
1804697.
27.06216
27.12790
26.92029
1.705018
Desde la salida correspondiente, mostrada en el cuadro anterior, se selecciona la opcin

correspondiente a la prediccin: Forecast. El programa asigna un nuevo nombre a la
prediccin de la variable dependiente (qmodf). De esta manera:
11,000,000
Forecast: QMODF
Actual: QMOD
Forecast sample: 1985 1996
Root Mean Squared Error 130458.1
Mean Absolute Error
112710.8
Mean Abs. Percent Error
2.281807
Theil Inequality Coef f icient 0.011257
Bias Proportion
0.000000
Variance Proportion
0.001474
Cov ariance Proportion 0.998526
10,000,000
9,000,000
8,000,000
7,000,000
6,000,000
5,000,000
4,000,000
3,000,000
2,000,000
85
86
87
88
89
90
QMODF
91
92
93
94
95
96
2 S.E.
Es interesante compara la variable produccin original y la prediccin que se ha obtenido

de esta, en la lnea de comandos se escribe: show q qmod qmodf.
obs
QMOD
QMODF
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
3267636
3664620
4106758
4592483
5250695
6074133
6887865
7848365
8168404
8392581
8972103
9420052
3267636.
3664620.
4106758.
4592483.
5250695.
6074133.
6887865.
7848365.
8168404.
NA
NA
NA
3437927.
3633056.
3910901.
4509343.
5308923.
6202696.
7026381.
7651728.
8180004.
8689164.
9278449.
9681875.
39
Curso: Econometra I
Jos Luis Nolazco
Como podemos ver en este caso, por regla general las predicciones de la variable son
mayores que los verdaderos valores.
2.2.2
Supongamos que un economista de la agraria quiere estudiar el sector turstico

de Espaa, para ello se dispone de cinco variables relativas al sector hotelero
con las que pretende construir un modelo economtrico que le permita conocer
el grado de ocupacin hotelera (Y). Los datos disponibles son de corte
transversal y pertenecen a cada una de las 17 comunidades autnomas para el
ltimo trimestre de 1995.
observaciones
x1
x2
x3
x4
Andaluca
40.16
421844
2.96
116.7
Aragn
22.67
72323
1.76
115.4
Asturias
23.43
25581
2.16
117.9
Baleares
43.51
75614
10.96
117.2
Canarias
71.41
249763
8.16
118.7
Cantabria
18.08
18022
1.68
116.1
Castilla y Len
23.65
126887
1.52
116.7
Castilla la Mancha
26.89
77751
1.5
117.2
Catalua
35.81
285090
2.32
116.8
48.2
143514
5.11
115.3
Extremadura
27.69
45072
1.57
117.6
Galicia
22.94
86473
1.9
117.6
Comunidad de Madrid
41.58
317845
1.97
115.9
Murcia
29.35
26471
2.93
116.5
Navarra
22.07
16470
1.69
120.5
Pas Vasco
28.85
57700
1.81
117.1
La Rioja
30.85
12963
1.92
118.6
Comunidad Valenciana
Fuente: Contabilidad Trimestral, INE.
Las variables que inicialmente se desean incluir en el modelo como regresores son: nmero
medio de viajeros (x1), estancia media (x2), renta(x3), variable de localizacin geogrfica
(x4), que toma el valor de 1 si la comunidad autnoma tiene zona costera y el valor 0 en
caso contrario.
El modelo terico con el que se pretende trabajar es una especificacin lineal como la
siguiente:
yt 0 1 x1t 2 x2t 3 x3t 4 x4t t
40
Curso: Econometra I
Jos Luis Nolazco
A partir de la informacin facilitada para el ltimo trimestre de 1995, realice una seleccin
de variables y un contraste de error de especificacin sobre el modelo que considere
adecuado.
Solucin:
La idea de este ejercicio es realizar una seleccin entre los posibles regresores del modelo.
Para ello se estiman modelos alternativos con distintas variables explicativas. A partir de
estas estimaciones se selecciona el modelo ms adecuado en base a los criterios habituales
de seleccin de variables. Es importante recordar que no todos los autores comparten estos
criterios de seleccin que fueron explicados anteriormente, puesto que introducen un
desgaste de datos al utilizar los mismos datos para probar diferentes modelos. Los
contrastes clsicos pierden su significatividad ya que las probabilidades serian
condicionadas a los modelos anteriormente rechazados.
Para comenzar con la seleccin de variables se estima el modelo inicialmente propuesto,
modelo no restringido (modelo inicial) y a continuacin distintos modelos alternativos en
los que se han omitido alguno o algunos de los regresores.
Los modelos considerados son los siguientes:
Y C x1 x2 x3 x4
Y C x1 x2 x4
Y C x1 x3 x4
Y C x2 x3 x4
Y C x1 x2 x3
Y C x1 x2
Y C x1 x3
Y C x1 x4
Y C x2 x3
Y C x2 x4
Y C x3 x4
Y C x1
Y C x2
Y C x3
Y C x4
Para cada uno de ellos se realiza una estimacin mnimo cuadrtica (MCO), comparando
los valores obtenidos en el coeficiente de determinacin corregidos, criterio de informacin
de Akaike y el criterio de Schwarz. Se observan tambin en estas regresiones el valor de la
suma de cuadrados de residuos que se utilizara para el clculo del criterio de Amemiya y el
valor del logaritmo de la funcin de verosimilitud para el clculo del contraste de razn de
verosimilitud.
41
Curso: Econometra I
Jos Luis Nolazco
Los datos se encuentran disponibles en el fichero jose2.wfl, para obtener la estimacin

mnimo cuadrtica del modelo inicial son las siguientes instrucciones: Quick/Estimate
equation/ y c x1 x2 x3 x4 y posteriormente se le graba con el nombre modelo1.
Dependent Variable: Y
Date: 08/10/10 Time: 11:08
Sample: 1 17
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
X1
X2
X3
X4
-181.5765
5.82E-05
3.283160
1.697576
-2.771114
198.5911
1.69E-05
0.710733
1.698589
4.396278
-0.914323
3.442665
4.619403
0.999403
-0.630332
0.3786
0.0049
0.0006
0.3373
0.5403
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.771123
0.694831
7.279629
635.9160
-54.90771
10.10747
0.000809
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
32.77294
13.17767
7.047965
7.293028
7.072325
2.347176
Del resultado de la estimacin se utilizaran los valores marcados en negrita para realizar la
seleccin de variables. De igual forma y como lo descrito usted puede estimar los
diferentes modelos que se menciono en la pregunta.
Luego de estimar todos los modelos, y segn los criterios explicados anteriormente, se
deduce que el modelo mas adecuado para la estimacin del grado de ocupacin hotelera es
el modelo 6, Quick/Estimate equation/ y c x1 x2, el cual se puede observar a
continuacin:
Date: 08/10/10 Time: 12:51
Sample: 1 17
Variable
C
X1
X2
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Coefficient
Std. Error
t-Statistic
Prob.
16.67247
5.08E-05
3.257840
3.004335
1.45E-05
0.672418
5.549471
3.510076
4.844963
0.0001
0.0035
0.0003
0.751692
0.716220
7.019883
689.9026
Mean dependent var

S.D. dependent var
Schwarz criterion
32.77294
13.17767
6.894155
7.041193
42
Curso: Econometra I
Jos Luis Nolazco
Log likelihood
F-statistic
Prob(F-statistic)
-55.60032
21.19082
0.000058
Durbin-Watson stat
6.908771
2.440799
Una vez seleccionado el modelo se puede probar la inclusin y exclusin de otros

regresores adicionales, para ello y desde la pantalla que presenta la estimacin del modelo 6,
se selecciona View/coefficient diagnostics/ Omitted variables test-likelihood ratio, y
se escriben a continuacin las variables que se considera podan haberse incluido en la
estimacin y, sin embargo han sido omitidas.
Omitted Variables Test

Equation: MODELO6
Specification: Y C X1 X2
Omitted Variables: X3 X4
F-statistic
Likelihood ratio
Value
0.509375
1.385228
df
(2, 12)
2
Probability
0.6133
0.5003
Como puede observarse, si es que las variables x3 y x4 se incluyesen en el modelo 6, estas

serian incluidas de forma irrelevante en el modelo que estima el grado de ocupacin
hotelera.
Ahora se procede a la aplicacin del contraste de Ramsey, el modelo aceptado como valido
(modelo 6) se realiza este contraste considerando una nica variable adicional. Desde la
estimacin numero 6, se selecciona View/ stability diagnostics test/ Ramsey reset
test/1. El resultado obtenido indica que no existe evidencia para rechaza la hiptesis nula
y, por tanto, no se considera error de especificacin en el modelo seleccionado.
Ramsey RESET Test
Equation: MODELO6
Specification: Y C X1 X2
Omitted Variables: Squares of fitted values
t-statistic
F-statistic
Likelihood ratio
Value
0.117411
0.013785
0.018017
df
13
(1, 13)
1
Probability
0.9083
0.9083
0.8932
Unrestricted Test Equation:

Date: 08/10/10 Time: 13:28
Sample: 1 17
Variable
C
Coefficient
Std. Error
t-Statistic
Prob.
16.80535
3.315255
5.069097
0.0002
43
Curso: Econometra I
Jos Luis Nolazco
X1
X2
FITTED^2
4.00E-05
2.414243
0.003134
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.751955
0.694714
7.281018
689.1718
-55.59131
13.13663
0.000312
9.32E-05
7.218797
0.026697
0.428962
0.334438
0.117411
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
0.6750
0.7434
0.9083
32.77294
13.17767
7.010743
7.206793
7.030230
2.420164
Se puede observar como la nueva variable incluida presenta la una probabilidad superior al nivel de significacin
considerado (5%), por lo que se considera que no es relevante en el modelo estimado. Por lo tanto, el modelo parece
presentar un buen comportamiento en cuanto a su especificacin. Utilizando cualquiera de los criterios anteriormente
comentados se puede observar como el modelo 6 es el mas aceptable. En este modelo se considerad el grado de
ocupacin hotelera (y)en funcin del numero medio de viajeros (x1) y del a estancia media (x2) a travs de la siguiente
estimacin mnimo cuadrtica:
Y
16.6724718112
5.07729318039e-05*X1
3.25784026566*X2
En la que un 75.16 % de la variabilidad del grado de ocupacin hotelera est siendo

explicado por el modelo de regresin ajustado, los regresores seleccionados son, adems
individual y globalmente significativos.
2.2.3
Un problema que interesa a las autoridades sanitarias (entre otros) es el de

determinar los efectos que tiene el consumidor de fumar durante el embarazo
sobre la salud del recin nacido. Una medida de la salud del recin nacido es su
peso: si un recin nacido pesa poco al nacer aumenta el riesgo de que contraiga
diversas enfermedades. Como existen otros factores, adems del tabaco,
deberamos tenerlos en cuenta. Por ejemplo, una renta ms alta se traduce
generalmente en un mejor acceso a los cuidados prenatales, as como en una
mejor alimentacin de la madre. Una ecuacin que reconoce esto es
bwght 0 1cigs 2 fa min c u
Donde bwght es el peso al nacer del bebe, faminc es la renta familiar y cigs mide el consumo
de tabaco de la madre.
Cul podemos esperar que sea el signo ms probable de 2 ?
44
Curso: Econometra I
Jos Luis Nolazco
Es probable que cigs y faminc estn correlacionadas? Explicar por que la correlacion
puede ser positiva o negativa
Estimar ahora una ecuacin con y sin faminc, utilizando los datos de jose3.wf.
Presentar los resultados en forma de ecuacin, incluyendo el tamao de la muestra
y el R-cuadrado ajustado. Comentar los resultados, centrndose en si el aadir
faminc cambia de manera sustancial el efecto estimado de cigs sobre bwght.
Solucin:
En la pregunta mencionan que una renta ms alta se traduce generalmente en un mejor
acceso a los cuidados prenatales, as como en una mejor alimentacin de la madre,
ocasionando que el peso del nacer del bebe aumente, por lo tanto a simple vista al parecer
dicho coeficiente tiene signo positivo.
Por otro lado es probable que cigs y faminc estn correlacionadas, debido a que cuando
aumenta la renta familiar, existe un aumento en la capacidad adquisitiva de la madre,
pudiendo gastar dicho dinero en compras de cigarrillo o tabaco u otras cosas, as que puede
haber una correlacin entre estas variables. Esto se puede escribiendo en la lnea de
comandos corr cigs faminc, se obtiene los siguientes resultados:
CIGS
FAMINC
CIGS
FAMINC
1.000000
-0.173045
-0.173045
1.000000
Al parecer hay una correlacin negativa baja entre el ingreso familiar y el consumo de
tabaco de la madre. Ahora estimamos una ecuacin con y sin faminc, los resultados son:
Dependent Variable: BWGHT
Date: 08/12/10 Time: 21:26
Sample: 1 1388
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
CIGS
FAMINC
116.9741
-0.463408
0.092765
1.048984
0.091577
0.029188
111.5118
-5.060315
3.178195
0.0000
0.0000
0.0015
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.029805
0.028404
20.06282
557485.5
-6130.414
21.27392
0.000000
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
118.6996
20.35396
8.837772
8.849089
8.842005
1.921690
Dependent Variable: BWGHT

Date: 08/12/10 Time: 21:26
45
Curso: Econometra I
Jos Luis Nolazco
Sample: 1 1388
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
CIGS
119.7719
-0.513772
0.572341
0.090491
209.2668
-5.677609
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.022729
0.022024
20.12858
561551.3
-6135.457
32.23524
0.000000
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
118.6996
20.35396
8.843598
8.851142
8.846420
1.924390
Si
bien
en
ambos
modelos
estimados,
uno
con
la
variable
faminc y otro sin faminc son ambos significativos, al comparar y escoger un modelo, el
primero tienen un mayor R2 ajustado (aunque bajo) y adems tiene un menor schwarz. Por
lo tanto el mejor modelo es el primero incluyendo la variable renta familiar.
2.2.4
En este ejercicio se va a proceder a la estimacin de una funcin de demanda y,

a partir de este resultado, al clculo de tres tipos de elasticidades. Por ello es
necesario que el lector recuerde ciertos conocimientos de Teora Econmica.
La informacin disponible para la realizacin de este problema se refiere al
conjunto de la economa peruana para el periodo de 1980-2008, segn se recoge
en el cuadro que figura ms adelante. Las series de datos corresponde al
consumo de naranjas expresado en decenas de miles de toneladas (Y), precio de
las naranjas en soles por kilogramo (x1), el precio de las manzanas en soles por
kilogramo (x2) y renta nacional en billones de soles (x3).
Ao
x1
x2
x3
1980
40.96
110.11
112.7
2.15
1981
35.58
109.36
110.24
2.45
1982
36.46
109.35
109.65
2.89
1983
35.82
110.83
111.96
3.49
1984
36.93
108.49
109.65
4.33
1985
40.01
112.18
115.47
5.08
1986
35.81
107.89
106.78
6.1
1987
46.88
123
133.48
7.73
1988
50.07
115.63
131.88
9.57
1989
45.81
110.94
122.83
11.12
1990
44.72
119.07
126.61
12.76
1991
42.53
117.23
120.63
13.91
1992
51.56
121.75
135.35
15.99
1993
40.04
125.76
124.05
17.91
1994
48.07
124.37
133.34
20.11
1995
39.47
128.76
125.32
23.3
46
Curso: Econometra I
Jos Luis Nolazco
1996
51.45
142.61
154.19
25.3
1997
50.9
135.18
146.51
28.53
1998
64.21
136.49
158.81
31.92
1999
56.94
136.2
147.36
35.83
2000
58.06
154.39
169.23
37.45
El modelo que se propone para la estimacin de la funcin de demanda de naranjas es el

que recoge una relacin lineal entre las variables disponibles segn la siguiente
especificacin:
yt 0 1 x1t 2 x2t 3 x3t t
Una vez estimado este modelo, calcule las elasticidades de la demanda de naranjas, esto es,
la elasticidad-precio, la elasticidad-ingreso y la elasticidad-cruzada con respecto al precio de
las manzanas.
Solucin:
Usando jose4.wf, se estima el modelo de demanda de naranjas siguiendo las instrucciones:
En herramientas generales seleccionamos Quick/Estimate equation/ y c x1 x2 x3 o en
la lnea de comandos escribimos EQUATION EQ01.LS y c x1 x2 x3
La funcin de demanda que resulta de la estimacin anterior puede escribirse como sigue:
Y = 34.1762879794 - 0.775928596947*X1 + 0.784462656639*X2 + 0.307780896207*X3
Antes de proceder al clculo de las elasticidades pedidas, conviene recordar que estas se
expresan, en cada punto de la funcin de demanda, la variacin porcentual de la cantidad
demandada de un producto frente a variaciones porcentuales unitarias del precio del propio
producto, de la renta o del precio de otro producto. Analticamente puede calcularse como:
xy
i
x
y xi
i i
xi y
y
As cuando xi represente el precio de las naranjas, se obtendr la elasticidad-precio de las

naranjas, si xi resulta ser la renta se puede obtener la elasticidad-renta de la demanda de
naranjas y, por ltimo, si se considera xi el precio de la manzana, puede calcularse la
elasticidad-cruzada de la demanda de naranjas con respecto al precio de las manzanas.
Asimismo, para su clculo emprico, es necesario sustituir el parmetro de la expresin
anterior por su estimacin en la regresin realizada y particularizar para el punto de medias
muestrales que corresponda en cada caso, tal como se pide en el enunciado.
47
Curso: Econometra I
Jos Luis Nolazco
Elasticidad-precio de la demanda de naranjas

Es una medida de la sensibilidad de la demanda de naranjas (y) frente a las variaciones de
su precio (x1); por tanto, es posible obtenerla a partir de la siguiente expresin:
xy1
y x1
x1
1
x1 y
y
Estos valores se calculan escribiendo en la lnea de comandos las siguientes instrucciones:

@mean(x1)
=121.885
@mean(y)
=45.346
xy1 2.08597
Por lo tanto si el precio de las naranjas se eleva en 1%, la cantidad demandada de las
mismas disminuir en un 2.08%, por lo que puede decirse que las naranjas son un bien
ordinario.
Elasticidad-precio de la demanda de naranjas
Procediendo de forma anloga a como se ha hecho en el apartado anterior:
xy3
y x3
x3
3
x3 y
y
Sustituyendo los valores correspondientes a la media de x3 y de Y, asi como la estimacin

del parmetro, el valor que se obtiene para esta elasticidad es:
@mean(x3)
=15.139
@mean(y)
=45.346
xy3 0.1028
Luego un aumento de la renta en 1% provocara un incremento del 0.1% de la cantidad
demandada de naranjas. El signo obtenido para esta elasticidad indica que se trata de un
bien normal.
Elasticidad-cruzada de la demanda de naranjas con respecto al precio de las
manzanas
Siguiendo la misma metodologa, en este caso:
xy2
y x2
x2
2
x2 y
y
48
Curso: Econometra I
Jos Luis Nolazco
@mean(x2)
=128.859
@mean(y)
=45.346
xy2 2.2288
Por tanto, a partir de la informacin disponible puede afirmarse que un incremento del
precio de manzanas en 1% provocara un incremento del 2.22% de la cantidad demanda de
naranjas. Se trata, por tanto, de bienes sustitutos.
Una forma alternativa de obtener las elasticidades de una funcin de demanda consiste en
estimar una transformacin doblemente logartmica de dicha funcin. En el caso que nos
ocupa este modelo es:
Lyt o 1Lx1 2 Lx2 3 Lx3 ut
El valor que se obtenga en la estimacin MCO ofrece directamente el valor de la elasticidad

que se asocia con el coeficiente del regresor correspondiente.
2.2.5
Considere la siguiente funcin de costos totales, donde CTi representa el costo

total para la empresa i e Yi se refiere al nivel de produccin correspondiente:
CTi 1 2Yi 3Yi 2 4Yi 3 ui
Para la estimacin de esta funcin de costos totales se dispone de un total de 30

observaciones del costo total (CT) y del nivel de produccin (Y) de otras tantas empresas.
A partir de la informacin anterior, se pide:
Estime por MCO la funcin de costos especificada anteriormente.

Realice un grafico de la funcin de costo total, as como de las correspondientes al
costo marginal, los costos medios y los costos variables medios.
A qu nivel de produccin el punto de cierre de las empresas?
Solucin:
Utilizando jose5.wf, estimamos por MCO la funcin de costos que se necesita, en primer
lugar, generamos las potencias cuadradas y cubicas de Y que se incluyen como regresores
49
Curso: Econometra I
Jos Luis Nolazco
en la funcin de costos especificada. A estas variables se las nombrara, respectivamente Y2

y Y3.
Instrucciones: Genr/ Y2=Y^2
Genr /Y3=Y^3
Luego estimamos la funcin de costos:
En herramientas generales seleccionamos Quick/Estimate equation/ cti c yi y2 y3 o
en la lnea de comandos escribimos EQUATION EQ01.LS cti c yi y2 y3
Dependent Variable: CTI

Date: 08/13/10 Time: 00:36
Sample: 1 30
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
YI
Y2
Y3
174.7825
30.49810
-5.084017
0.748526
18.98125
11.56052
2.089334
0.115654
9.208165
2.638124
-2.433319
6.472105
0.0000
0.0139
0.0221
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.997657
0.997386
7.594006
1499.392
-101.2424
3689.580
0.000000
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
357.0312
148.5356
7.016161
7.202988
7.075929
1.453636
Por tanto, el modelo estimado para esta funcin de costos resultara ser el siguiente:
CTI = 174.782515206 + 30.4980985818*YI - 5.08401653356*Y2 + 0.748525860467*Y3
Con estos resultados pueden generarse las variables costos marginales (cmg), costos
medios (cme) y costos variables medios (cvme) relativas a esta funcin de produccin.
Instrucciones: Genr/
o
/
Las representaciones graficas pedidas se van a realizar en sendos grficos de dispersin,

recogiendo en el eje de ordenadas los datos relativos a las distintas funciones de costos y en
el eje de las abcisas los correspondientes al nivel de produccin de las empresas.
Instrucciones: Quick/ Graph/ cti yi/ scatter
50
Curso: Econometra I
Jos Luis Nolazco
800
700
CTI
600
500
400
300
200
0
10
12
YI
Instrucciones: Quick/ Graph/cmg yi/ scatter

160
140
120
CMG
100
80
60
40
20
0
0
10
12
YI
Instrucciones: Quick/ Graph/cme yi/ scatter
51
Curso: Econometra I
Jos Luis Nolazco

130
120
110
CME
100
90
80
70
60
50
0
10
12
YI
Instrucciones: Quick/ Graph/cvme yi/ scatter

55
50
CVME
45
40
35
30
25
20
0
10
12
YI
La curva de oferta de una empresa competitiva viene dada por el tramo de su curva de
costos marginales que se encuentra por encima de los costos variables medios. El cierre de
las empresas se producir, por tanto, cuando sus ingresos no cubran los costos variables
medios, aunque los beneficios de las empresas no son positivos hasta que no alcanzan un
nivel de produccin tal que su costo medio supera a su costo marginal. Para ver cul es el
punto de cierre se analizan las variables cvme, cmg y que nivel de produccin se alcanza
cuando se da la igualdad (aproximada) entre estas.
Para ello, en primer lugar, es necesario ordenar los datos de forma creciente en funcin de
la produccin; el comando que nos permite realizar dicha operacin es sort. La utilizacin
de este comando ordenara los datos de todas las variables segn sentido creciente de la
52
Curso: Econometra I
Jos Luis Nolazco
variable especificada, por lo que para poder reordenar posteriormente los datos en el orden
original se debe crear previamente una variable tendencia (t=0,1,2,3,).
Instrucciones: Genr/ t=@trend(1)
En la lnea de comando escribir primero: sort yi, luego show cti yi cmg cvme cme
obs
CTI
YI
CMG
CVME
CME
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
231.6288
214.9501
231.0902
224.9952
232.5102
239.0219
237.9734
242.6670
247.7566
243.7987
249.1614
259.5556
272.6811
279.5434
291.0340
297.9801
307.8361
316.2933
345.7123
404.1607
392.8819
428.8959
441.4836
465.0450
494.8002
519.9197
527.7194
616.7535
716.3884
736.6997
1.82
2.02
2.55
2.63
2.72
2.80
2.93
3.00
3.41
3.43
3.45
3.72
4.12
4.53
4.91
5.17
5.53
5.75
5.91
6.91
7.02
7.47
7.52
7.82
8.20
8.53
8.60
9.32
10.01
10.01
19.43053
19.12153
19.17148
19.28861
19.45473
19.63293
19.98382
20.20420
21.93691
22.04074
22.14637
23.74822
26.72313
30.51818
34.70967
37.95119
42.94066
46.27632
48.83878
67.45905
69.78147
79.84814
81.02280
88.30654
98.11286
107.1550
109.1359
130.7883
153.7232
153.7232
23.72461
23.28267
22.40115
22.30461
22.20747
22.13130
22.02795
21.98278
21.86554
21.86625
21.86757
21.94396
22.25773
22.82793
23.58111
24.22101
25.27408
26.01314
26.59615
31.10823
31.69596
34.28891
34.59573
36.51524
39.14004
41.59485
42.13653
48.13382
54.60946
54.60946
119.7590
109.8087
90.94331
88.76184
86.46574
84.55362
81.68069
80.24362
73.12141
72.82326
72.52917
68.92850
64.68067
61.41126
59.17837
58.02807
56.88032
56.41010
56.17018
56.40237
56.59375
57.68684
57.83809
58.86595
60.45498
62.08518
62.46008
66.88731
72.07025
72.07025
Se puede apreciar que el mnimo de la funcin de costo variable medio se alcanza en

21.86554, para un nivel de produccin 3.41. Asimismo, puede comprobarse que en este
punto se verifica la igualdad (aprox.) entre el costo marginal y el mnimo del costo variable
medio.
53
Curso: Econometra I
Jos Luis Nolazco
CAPITULO 3
MODELOS DE REGRESION CON VARIABLES
DUMMY
3.1 RESUMEN TEORICO
Las variables dummy (variables ficticias) se incluyen en el modelo bsicamente por tres
razones:
Para aislar el efecto de un evento aleatorio, por ejemplo un terremoto o un

fenmeno del nio, un golpe de estado, que puede provocar un comportamiento
extrao de la variable dependiente en alguna o algunas observaciones de la muestra.
A estas observaciones se les denomina outliers.
Las variables dummy aparecen como representacin de una variable categrica, o
atributo especial de las observaciones, que se repiten regularmente en la muestra
(por ejemplo sexo, raza, religin, estacin, tipo de colegio, etc.) que hace que las
observaciones donde se observa dicho atributo tengan un comportamiento
diferente con respecto a aquellas observaciones donde no se observa dicho
atributo.
Finalmente, las variables dummy permiten capturar los eventos aleatorios que
pueden haber ocurrido en un momento pero con consecuencias por un periodo
mayor. En este caso dicho evento produce produce cambios estructurales en la
muestra que se reflejan inestabilidad en los parmetros del modelo.
Cambios solo en el intercepto:

Supongamos que se observa nicamente un residuo fuera de rango (un outlier) que es
ocasionado por ejemplo por el terremoto del 2007. Para capturar el efecto del terremoto
bastara con crear una variable dummy que identifique dicho evento, as:
Yi 1 2 x2i 3 x3i 4 Di ui
Si no ocurre el terremoto, D=0, el modelo es: Yi 1 2 x2i 3 x3i ui , pero si ocurre el

terremoto, D=1,el modelo es: Yi 2 x2i 3 x3i ui . Donde el intercepto es:
1 4 .
Donde, 4 refleja la magnitud del impacto del terremoto en el modelo. El signo de 4
indicara el sentido el impacto, positivo o negativo.
54
Curso: Econometra I
Jos Luis Nolazco
Cambios solo en la pendiente:

Si el propsito es identificar la eventualidad de que un shock aleatorio haya producido
cambios en alguna o en todas las pendientes, ser necesario crear tantas variables
adicionales como pendientes hayan sido afectadas. Supongamos que solo cambio la
pendiente de la variable x2 .
Yi 1 2 x2i 3 x3i 4 Di x2i ui
Si no ocurre el terremoto, D=0, el modelo es: Yi 1 2 x2i 3 x3i ui , pero si ocurre el

terremoto, D=1, el modelo es: Yi 1 2 x2i 3 x3i ui . Donde la pendiente de x2 es:
2 4 .
Donde 4 refleja la magnitud del impacto adicional del terremoto del 2007 en la pendiente
de la variable x2 . El signo de 4 indicara el sentido del impacto, positivo o negativo.
Cambios en el intercepto y en las pendientes:
Utilizando el ejemplo anterior, supongamos que el terremoto ha provocado cambios
nicamente en el intercepto y en la pendiente de la variable x2 . De modo que si no ocurre
el terremoto, D=0, el modelo es Yi 1 2 x2i 3 x3i ui , pero, si ocurre el fenmeno
del nio, D=1, el modelo es: Yi 1 2 x2i 3 x3i 4 Di 5 Di x2i ui .
Donde 4 refleja la magnitud del impacto adicional del terremoto en el intercepto del
modelo y 5 mide el cambio en la pendiente de la variable x2 . El signo de 4 y 5
indicar el sentido del impacto, positivo o negativo, en el intercepto y en la pendiente.
Precauciones en el uso de variables dummy:
1. Si una variable cualitativa tiene m categoras, solo hay que agregar (m-1)
variables dicotmicas. Si por ejemplo la variable cualitativa regin tiene tres
categoras, se introducen solo dos variables dicotmicas. Si no se respeta esta
regla, se provocara lo que se conoce como trampa de la variable dictoma.
2. La categora a la cual no se le asigna la variable dicotmica se conoce como
categora base, de comparacin, de control.
3. El valor de la interseccin representa el valor medio de la categora de
comparacin.
4. Los coeficientes anexos a las variables dictomas se conocen como coeficientes
de la interseccin diferencial, debido a que indican en que medida el valor de la
interseccin que se le asigna 1 vara del coeficiente de interseccin de la
categora de comparacin.
55
Curso: Econometra I
Jos Luis Nolazco
5. Se puede evitar la trampa de la variable dictoma siempre y cuando no se

introduzca la interseccin en dicho modelo.
3.2 APLICACIONES
1. En un estudio sobre el comportamiento de los salarios (wage)se supuso que estos

dependan de dos variables: la experiencia laboral (EL), medida en aos de trabajo y
de los aos de estudio (AE). Se recogieron datos correspondientes a 30 individuos, 15
primeros son varones y los 15 restantes a las mujeres. El objetivo de este ejercicio es
averiguar, a partir de esta informacin, si existe o no diferencia en los salarios
percibidos por el hecho de ser varn o de ser mujer. En caso de que as ocurra,
analizar que regresor est afectado y qu tipo de influencia ejerce este hecho sobre el s
salario de los individuos.
Solucin:
El objetivo de este ejercicio es averiguar, a partir de esta informacin, si existe o no
diferencia en los salarios percibidos por el hecho de ser varn o de ser mujer. En caso de
que si ocurra, analizar que regresor est afectado y qu tipo de influencia ejerce este hecho
sobre el salario de los individuos.
Primero abrimos el workfile jose6.wf1 y se genera dos variables ficticias: DV, que tomara
valor 1 en las observaciones correspondientes a los varones y 0 en resto, y DM que toma el
valor 1 en las observaciones que corresponden a mujeres y 0 en el caso de varones. A
partir de estas se construyen unas variables ficticias compuestas ELV, ELM, AEV y AEM
que recogen, respectivamente, la experiencia laboral y los aos de estudio de los varones y
mujeres.
Instrucciones: SAMPLE/ 1 15
Genr/ DV=1
Genr/ DM=0
SAMPLE/ 16 30
Genr/ DV=0
Genr/ DM=1
SAMPLE/ 1 30
Genr/ ELV=DV*EL
Genr/ ELM=DM*EL
56
Curso: Econometra I
Jos Luis Nolazco
Genr/ AEV=DV*AE
Genr/AEM=DM*AE
A continuacin se proceder a estimar, mediante MCO, los modelos especificados

anteriormente. Las instrucciones a utilizar son Quick/Estimate equation/ y la
especificacin del modelo considerando la variable dependiente y los regresores.
Los resultados y las instrucciones particulares correspondientes a la estimacin de cada uno
de los modelos sealados se presentan a continuacin:
Modelo I: Los salarios no se ven afectados por el gnero de los individuos.
Instrucciones: Quick/ Estimate equation/ wage c el ae
Dependent Variable: WAGE
Date: 08/15/10 Time: 15:46
Sample: 1 30
Variable
Coefficient
Std. Error
t-Statistic
Prob.
75.41237
4.597165
0.208721
5.616567
0.656256
0.375814
13.42677
7.005138
0.555384
0.0000
0.0000
0.5832
C
EL
AE
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.694271
0.671625
7.361606
1463.218
-100.8761
30.65680
0.000000
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
108.0000
12.84657
6.925073
7.065192
6.969898
1.591648
De esta regresin se necesita la suma de cuadrados de los residuos (SCR), que toma el valor
de 1463.218 y que aparece resaltado en la estimacin anterior.
Modelo II: El gnero de los individuos afecta nicamente a los niveles autnomos del
salario.
Instrucciones: Quick/ Estimate equation/ wage dv dm el ae

Date: 08/15/10 Time: 15:50
Sample: 1 30
Variable
Coefficient
Std. Error
t-Statistic
Prob.
57
Curso: Econometra I
Jos Luis Nolazco
DV
DM
EL
AE
82.49125
75.93863
4.689260
-0.095786
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.753742
0.725328
6.732787
1178.591
-97.63132
1.897346
5.862383
5.141099
0.601324
0.364562
14.07128
14.77090
7.798228
-0.262742
Mean dependent var

S.D. dependent var
Schwarz criterion
0.0000
0.0000
0.0000
0.7948
108.0000
12.84657
6.775421
6.962248
6.835189
Modelo III: El salario de los individuos est influenciado, tanto en sus niveles como en los
coeficientes asociados al gnero.
La estimacin de este modelo puede hacerse por dos vas alternativas. Por una parte,
podran estimarse dos regresiones por separado, una correspondiente a los varones
(observaciones 1 al 15) y otra correspondiente a las mujeres (observaciones 16 al 30). Por
otra parte, podra estimarse el modelo de forma conjunta, de acuerdo con la especificacin
del modelo III.
En el primer caso hay que estimar dos regresiones. Las instrucciones a seguir en la primera
de ellas son:
Instrucciones: Quick/ Estimate equation/ wage c el ae/sample 1 15

Date: 08/15/10 Time: 15:54
Sample: 1 15
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
EL
AE
102.6836
5.555483
-1.742571
3.866359
0.346729
0.252336
26.55821
16.02257
-6.905747
0.0000
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.955502
0.948086
3.365734
135.9380
-37.81519
128.8379
0.000000
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
111.9333
14.77192
5.442026
5.583636
5.440517
2.204288
Las instrucciones a seguir para la estimacin de la segunda regresin son:

Instrucciones: Quick/ Estimate equation/ wage c el ae/sample 16 30
58
Curso: Econometra I
Jos Luis Nolazco

Date: 08/15/10 Time: 15:56
Sample: 16 30
Variable
Coefficient
Std. Error
t-Statistic
Prob.
63.02514
2.843575
1.768156
1.215491
0.183090
0.080357
51.85160
15.53100
22.00366
0.0000
0.0000
0.0000
C
EL
AE
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.990356
0.988749
1.009037
12.21788
-19.74545
616.1703
0.000000
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
104.0667
9.512899
3.032727
3.174337
3.031219
2.256287
La SCR del modelo III se obtiene como suma de las SCR de las dos estimaciones
anteriores. Para ello debe ejecutarse, en la lnea de comandos, la siguiente operacin:
= 135.9380+ 12.21788=148.1559
En el segundo caso, si se estima de forma conjunta el modelo, las instrucciones a seguir
son:
Instrucciones: Quick/ Estimate equation/ wage dv elv aev dm elm aem

Date: 08/15/10 Time: 16:04
Sample: 1 30
Variable
Coefficient
Std. Error
t-Statistic
Prob.
DV
ELV
AEV
DM
ELM
AEM
102.6836
5.555483
-1.742571
63.02514
2.843575
1.768156
2.854146
0.255955
0.186275
2.992942
0.450829
0.197867
35.97699
21.70492
-9.354846
21.05792
6.307436
8.936107
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.969044
0.962595
2.484585
148.1559
-66.52417
2.232038
Mean dependent var

S.D. dependent var
Schwarz criterion
108.0000
12.84657
4.834945
5.115184
4.924596
59
Curso: Econometra I
Jos Luis Nolazco
Puede comprobarse que la SRCIII obtenida en esta estimacin coincide con la suma de las
SCR de las regresiones anteriores. Asimismo, el valor de las estimaciones de los
parmetros coincide en un caso y en el otro.
Modelo IV: El gnero de los individuos afecta a los salarios a travs de las variables aos de
estudio y experiencia laboral.
Instrucciones: Quick/ Estimate equation/ wage c elv elm aev aem
Date: 08/15/10 Time: 16:08
Sample: 1 30
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
ELV
ELM
AEV
AEM
83.79523
5.906663
1.035201
-0.750007
1.122215
4.448393
0.545567
0.881904
0.333535
0.400682
18.83719
10.82666
1.173826
-2.248662
2.800762
0.0000
0.0000
0.2515
0.0336
0.0097
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.850436
0.826506
5.350932
715.8119
-90.15146
35.53821
0.000000
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
108.0000
12.84657
6.343430
6.576963
6.418140
1.762148
Una vez estimadas las regresiones se cuenta con la informacin necesaria para analizar la
estabilidad de los parmetros. En este sentido se plantean los contrastes de hiptesis que
permiten verificar dicha estabilidad.
a) Contraste para verificar la estabilidad total del modelo:
Ho : v m
H1 : v m
H o : v m
H1 : v m
Ho : v m
H1 : v m
Fexp
SCRI SCRIII
3
SCRIII
30 6
F243
El estadstico experimental se calcula, ejecutando en la lnea de comandos, la siguiente

operacin:
=((1463.218-148.1559)/3)/( 148.1559/24) = 71.009637
60
Curso: Econometra I
Jos Luis Nolazco
A continuacin y para poder tomar una decisin acerca del contraste planteado, se calcula
la probabilidad a la derecha del estadstico experimental. Para ello, en la lnea de comandos
se ejecuta.
=@FDIST(71.009637,3,24)=4.45512441626E-12
Como esta probabilidad es menor de 0.05, que es el nivel de significacin elegido, el
estadstico experimental est situado en la regin de rechazo de la hiptesis nula, es decir,
existe diferencia entre los salarios de los varones y las mujeres.
b) Contraste para verificar la igualdad de ordenadas suponiendo igualdad en los
coeficientes.
Ho : v m
H1 : v m
H o : v m
Ho : v m
H1 : v m
H1 : v m
Fexp
SCRI SCRII
1
SCRII
30 4
F261
Se calcula, siguiendo el mismo procedimiento que en el caso anterior, el estadstico

experimental y su probabilidad, para este contraste:
=((1463.218-1178.591)/1)/( 1178.591/26) = 6.27893985276
=@FDIST(6.27893985276,1,26)= 0.01880964
Este resultado implica que, a un 5% de significacin, se rechaza la hiptesis nula, es decir,
las ordenadas en el origen deben considerarse distintas a un 95% de confianza.
c) Contraste para verificar la igualdad de los coeficientes suponiendo distintas
ordenadas en el origen
H o : v m
H1 : v m
Ho : v m
H1 : v m
Ho : v m
Fexp
SCRII SCRIII
2
SCRIII
30 6
H1 : v m
F242
61
Curso: Econometra I
Jos Luis Nolazco
En la lnea de comandos se calculan los valores numricos cuyos resultados pueden

observarse en la lnea de estado:
=((1178.591-148.1559)/2)/( 148.1559/24) = 83.4608760097
=@FDIST(83.4608760097,2,24)= 1.55693315704E-11
El estadstico experimental vuelve a incluirse dentro de la regin de rechazo de la hiptesis
nula. Los resultados obtenidos en los contraste realizados en el modelo III, de ruptura
total, como el ms adecuado para explicar el modelo de salarios propuesto.
d) Contraste con variables ficticias
En este apartado se va desarrollar el mismo estudio anterior siguiendo un procedimiento
alternativo. En primer lugar se especifica, a partir de las variables ficticias generadas para
los varones, un modelo como el siguiente:
wage i 0 1 * DVi 1 * AEi 2 * AEVi 1 * ELi 2 * ELVi ui
Obsrvese que al incluir el termino independiente solo se considera una ficticia por
modalidad, DV1, AEV y ELV a fin de evitar la trampa de las ficticias o dictomas.
En este modelo se contempla la posibilidad de existencia de diferencias salariales entre
varones y mujeres, tanto en la ordenada en el origen como en los aos de estudio y
experiencia laboral tomando como individuo de referencia a las mujeres. Para estimar este
modelo las instrucciones a ejecutar son:
Instrucciones: Quick/ Estimate equation/ wage c dv ae aev el elv
Date: 08/15/10 Time: 16:59
Sample: 1 30
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
DV
AE
AEV
EL
ELV
63.02514
39.65845
1.768156
-3.510727
2.843575
2.711908
2.992942
4.135680
0.197867
0.271752
0.450829
0.518420
21.05792
9.589341
8.936107
-12.91884
6.307436
5.231097
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.969044
0.962595
2.484585
148.1559
-66.52417
150.2583
0.000000
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
108.0000
12.84657
4.834945
5.115184
4.924596
2.232038
62
Curso: Econometra I
Jos Luis Nolazco
A partir de este resultado obtenido en este modelo se contrasta la significatividad conjunta

de las variables referidas exclusivamente a los varones (DV, AEV y ELV). Para ello, las
instrucciones a ejecutar en E-views, desde la estimacin MCO del modelo de regresin,
son:
View/Coefficient diagnostics/ Wald test coefficient restrictions
C(2)=0,C(4)=0,C(6)=0
El resultado obtenido es:
Wald Test:
Equation: CONTRASTEVARIABLSFICTICI
Test Statistic
F-statistic
Chi-square
Value
df
Probability
71.00961
213.0288
(3, 24)
3
0.0000
0.0000
Value
Std. Err.
39.65845
-3.510727
2.711908
4.135680
0.271752
0.518420
Null Hypothesis: C(2)=0,C(4)=0,C(6)=0

C(2)
C(4)
C(6)
Este resultado permite comprobar, una vez ms, que si existen diferencias significativas en
los salaries por el hecho de ser varn o mujer, es decir, una vez contrastados los posibles
efectos diferenciales de las variables se comprueba que se rechaza la hiptesis nula, es decir,
que estos regresores si son significativos o relevantes en la explicacin del salario.
63
Curso: Econometra I
Jos Luis Nolazco
CAPITULO 4
PERTURBACIONES NO ESFERICAS:
HETEROSCEDASTICIDAD Y AUTOCORRELACION
4.1 CONDICIONES DE GAUSS-MARKOV

Antes de empezar con los problemas de las perturbaciones no esfricas, primero es
primordial ver las cuatro condiciones de Gauss-Markov para el planteamiento del modelo
lineal general. Suponiendo una ecuacin de regresin de la forma:
y xu
Estas condiciones (que son parte de los supuestos del modelo lineal general) asumen que el
trmino de error o perturbacin puede resumirse en:
E (ui ) 0 para todo i
Var (ui ) 2 (constante) para todo i.
cov(ui u j ) 0 para todo i j .
cov( xiui ) 0 (lo cual implica que las variables explicativas son no estocsticas).
El segundo y tercer supuesto se pueden resumir en trminos matriciales (para el modelo

lineal general) a travs de la siguiente expresin:
E ( ') 2 I n
Cuando se cumplen estas dos condiciones se dice que los errores son esfricos. La
violacin del segundo supuesto da origen al problema de heteroscedasticidad e implica
que la varianza del trmino de error no es constante para cada observacin. Por otro lado,
si los elementos fuera de la diagonal de la matriz de varianzas y covarianzas de los errores
son distintos de cero, se viola el tercer supuesto y como resultado tendremos el problema
de autocorrelacin. Este problema significa que los trminos de error no son
independientes, es decir, el tamao del error para un periodo determinado afecta el valor
del periodo u observacin siguiente.
En general, a partir de la discusin anterior nos queda la impresin de que estos problemas
no deberan existir porque van a afectar las propiedades del estimador de mnimos
cuadrados ordinarios. De hecho, sabemos que si no se cumplen las condiciones de Gauss-
64
Curso: Econometra I
Jos Luis Nolazco
Markov tendremos un estimador que ya no ser el mejor estimador linealmente insesgado

(MELI).
4.2 HETEROSCEDASTICIDAD
La segunda condicin de Gauss - Markov implica que la varianza de la perturbacin debe

ser constante para cada observacin. Si este supuesto se verifica para toda la muestra se
puede concluir que los errores son homocedsticos. En este sentido, el supuesto de
homocedasticidad implica que la distribucin relevante para cada observacin es la misma.
En algunos casos, sin embargo, puede ser ms razonable pensar que la distribucin del
trmino de error es diferente para cada observacin en cuyo caso su varianza tambin
diferira.
Por ejemplo, el hecho de que la varianza de la perturbacin muestre un comportamiento
creciente para cada observacin no significa que el error deba necesariamente registrar un
valor muy alto en las ltimas observaciones pero s implica que la probabilidad de tener un
valor errtico sea mayor. Este es un ejemplo de heterocedasticidad la cual, en trminos
generales, significa que el error muestra diferentes dispersiones para cada observacin o, lo
que es lo mismo, que la probabilidad de que el trmino de error tome un determinado valor
es diferente para cada observacin.
A manera de resumen, sea el modelo lineal general: Y X
La matriz de varianzas y covarianzas en presencia de heteroscedasticidad est dado por:
E ( ') 2 donde I n .
4.2.1 Por qu se presenta la heteroscedasticidad?
Relacin entre las variables explicativas y la varianza del error.

Datos agregados
Errores de especificacin
4.2.2 DETECCION Y CORRECCION - APLICACIONES
Ejercicio. Supongamos que a un alumno de la Agraria se le pide estimar la relacin

existente entre el empleo y el PIB en algunos de departamentos del Per. Para ello se
utilizan los datos agregados del Producto Bruto Interno en millones de soles y el nmero
de ocupados (medias anuales en miles de personas) para el ao 2008, que aparecen en la
siguiente tabla.
65
Curso: Econometra I
Jos Luis Nolazco

Observaciones
PIB
Arequipa
Piura
Chiclayo
Trujillo
Iquitos
Huancavelica
Hunuco
La Libertad
Lima
Ayacucho
Junn
Lambayeque
Cusco
Ica
Amazonas
Cajamarca
Puno
Ancash
6895665
1747221
1338540
1150586
1830265
660038
2980371
1846983
9511088
4949357
963305
2752518
7935591
1240645
840372
3251025
384298
135876
EMPLEO
1834.1
412.3
351.2
252.9
446.4
162.3
841.6
528.3
2222.9
1276.7
302.6
1012.8
1636
317
183.9
708.5
90.3
29.7
Existe la posibilidad de que haya heteroscedasticidad en la varianza de los errores

dependiendo directamente de la variable empleo o alguna transformacin de ella. Se pide
verificar la existencia de heteroscedasticidad utilizando los siguientes mtodos:
a)
b)
c)
d)
Mtodo grafico
Test de Golfeld-Quandt
Test de Breusch-Pagan
Test de White
Encontrar la forma de la heteroscedasticidad, si es que existe, y en caso afirmativo

corregirla:
e) Utilizando la estimacin por mnimo cuadrados generalizados
Solucin
Primero abrimos el workfile llamado ht1.wf1, ahora para el anlisis de la
heteroscedasticidad es necesario estimar el modelo por MCO y obtener una serie de
residuos mnimo cuadrticos que se utilizaran para la realizacin de algunos test de
heteroscedasticidad.
Instrucciones: Quick/Estimate equation/ pib c empleo
Dependent Variable: PIB
Date: 08/29/10 Time: 15:27
66
Curso: Econometra I
Jos Luis Nolazco
Sample: 1 18
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
EMPLEO
-118413.4
4167.111
187797.8
199.5353
-0.630536
20.88407
0.5372
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.964613
0.962401
532101.5
4.53E+12
-261.8035
436.1445
0.000000
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
2800764.
2744155.
29.31150
29.41043
29.32514
2.513420
Anlisis de la heteroscedasticidad: El anlisis puede llevarse a cabo por distintos

mtodos que se presentan a continuacin.
a) Mtodos grficos: De la regresin original se ha obtenido la serie de residuos que es
necesarios renombrar. Se utiliza adems de esta, la variable empleo, as como distintas
variantes de ambas: sus cuadrados y el valor absoluto de los residuos.
Instrucciones: Genr
empleo2=empleo^2
r=resid;
Genr
r2=r^2;
Genr
absr=abs(r);
Genr
En primer lugar, se realiza la representacin grafica del producto interno bruto frente a la
variable empleo. Esta representacin permite observar que a niveles bajos de PIB existe
pequea variabilidad en la ocupacin y, sin embargo, la dispersin aumenta a medida que lo
hace el PIB.
Instrucciones: Quick/graph/ empleo pib /scatter
10,000,000
8,000,000
PIB
6,000,000
4,000,000
2,000,000
0
0
400
800
1,200
1,600
2,000
2,400
EMPLEO
67
Curso: Econometra I
Jos Luis Nolazco
En segundo lugar, se puede analizar tambin de forma grafica la relacin existente entre los
residuos y la variable explicativa: a valores elevados de la variable empleo le corresponden
valores tambin elevados de los residuos.
Instrucciones: Quick/graph/ empleo r /scatter
1,500,000
1,000,000
500,000
-500,000
-1,000,000
-1,500,000
0
400
800
1,200
1,600
2,000
2,400
EMPLEO
Instrucciones: Quick/graph/ empleo r2 /scatter

2.0E+12
1.6E+12
R2
1.2E+12
8.0E+11
4.0E+11
0.0E+00
0
400
800
1,200
1,600
2,000
2,400
EMPLEO
b) Test de Goldfeld-Quandt
Ho: Homocedasticidad. La varianza es constante en toda la muestra.

Ha: Heterocedasticidad. La varianza no es constante en toda la muestra.
68
Curso: Econometra I
Fexp
Jos Luis Nolazco
SCR2
)/2 k
F((nncc)/2
k
SCR1
Este test requiere ordenar de forma ascendente todas las variables segn el orden
creciente de la variable que se supone causante de la heteroscedasticidad, variable
empleo. Para ello se dispone de un comando que las ordena automticamente, pero
como este es el nico test que lo requiere es necesario generar una serie de tendencia
que permita recolocar las series en su posicin original.
Instrucciones: Genr/ t=@trend(1)
La nueva serie toma valores correlativos empezando por el cero. Servir para reordenar
todas las variables una vez realizado el contraste. A continuacin, se procede a la
recolocacin de todas las variables segn el orden creciente de la variable que se supone
causa la heteroscedasticidad.
Instrucciones: Procs/Sort current page /empleo/ascending o sort empleo
Se obtienen dos submuestras con las primeras (n-c)/2 observaciones y las (n-c)/2
ltimas observaciones (normalmente c=n/3) y se ajustan dos regresiones por separado
para cada submuestra.
Instrucciones: Quick/ estimate equation / pib c empleo/ smpl 1 6

Date: 08/29/10 Time: 17:57
Sample: 1 6
Variable
C
EMPLEO
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
Coefficient
Std. Error
t-Statistic
Prob.
88887.67
3524.664
121839.2
629.5643
0.729549
5.598576
0.5061
0.0050
0.886827
0.858533
141817.5
8.04E+10
-78.47101
31.34406
0.004997
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
689079.2
377053.5
26.82367
26.75426
26.54580
1.844886
Instrucciones: Quick/ estimate equation / pib c empleo/ smpl 13 18

69
Curso: Econometra I
Jos Luis Nolazco
Date: 08/29/10 Time: 18:01

Sample: 13 18
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
EMPLEO
-1554291.
5026.047
1129850.
730.6937
-1.375661
6.878459
0.2409
0.0023
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.922047
0.902559
854712.9
2.92E+12
-89.24836
47.31320
0.002341
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
5837432.
2738103.
30.41612
30.34671
30.13825
2.709093
Finalmente, para obtener el estadstico de prueba del test de Goldfeld-Quandt es

necesario dividir los valores de las sumas de cuadrados de residuos de las dos
regresiones anteriores. Se puede efectuar esta operacin en la lnea de comandos.
=2.92E+12/8.04E+10= 36.3184079602
A continuacin se calcula la probabilidad a la derecha de este punto bajo la hiptesis
nula. En la lnea de comandos se ejecuta:
=@fdist(36.3184079602,4,4)= 0.00211566325386
Es decir, puesto que la probabilidad a la derecha es menor que un nivel de significacin
de 0.05, se rechaza la hiptesis de varianza constante para toda la muestra. Antes de
continuar con el resto del ejercicio, es necesario volver a colocar las series en su
posicin original.
Instrucciones: Procs/Sort current page /t/ascending o sort t
c) Test de Breusch-Pagan
Ho: Homocedasticidad. La varianza es constante en toda la muestra.

Ha: Heterocedasticidad. La varianza no es constante en toda la muestra.
2
X exp
SCE / 2 X p21
Donde SCE es la suma de cuadrados explicados de una regresin auxiliar en la que la

variable dependiente (G) es el cociente entre el cuadrado de los residuos de la estimacin
del modelo original (R2) y la estimacin maximoversimil de la varianza de las
perturbaciones, esto es:
70
Curso: Econometra I
Jos Luis Nolazco

2
2
G j e i2 / MV
y MV
e i2 / n
Para calcular el estimador maximoverosimil se efecta la siguiente operacin en la lnea de

comandos.
=4.53E+12/18 =251666666667
A continuacin se procede a calcular la variable G y seguidamente, se estima la regresin
auxiliar.
GENR/G= R2/251666666667
QUICK/ESTIMATE EQUATION/ G C EMPLEO
Dependent Variable: G
Date: 08/29/10 Time: 18:39
Sample: 1 18
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
EMPLEO
-0.023796
0.001461
0.683299
0.000726
-0.034825
2.013069
0.9727
0.0612
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.202092
0.152223
1.936041
59.97209
-36.37246
4.052445
0.061249
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
1.000025
2.102683
4.263607
4.362537
4.277248
1.119032
De esta regresin se necesita el valor de la suma de cuadrados explicados. Para obtenerla se

utiliza la suma de cuadrados residuales y el coeficiente de determinacin:
SCT SCR / 1 R 2
SCE SCT SCR
Efectuando estas operaciones en la lnea de comandos, se obtiene los siguientes resultados:

SCT=59.97209/1-0.202092=75.1616602415
SCE=75.1616602415-59.97209=15.1895702415
El estadstico experimental obtenido es el siguiente:
X2(CHISQ)= SCE/2=7.59478512075
71
Curso: Econometra I
Jos Luis Nolazco
Y la probabilidad a la derecha de este punto bajo hiptesis nula es:

= @CHISQ(7.59478512075,1)= 0.00585373719225
Como conclusin se puede decir que a un nivel de confianza del 95% se rechaza la
hiptesis nula de varianza constante para toda la muestra.
d) Test de White
H0 =Homoscedasticidad. La varianza es constante en toda la muestra.

H1 =Heteroscedasticidad. La varianza no es constante en toda la muestra.
2
X exp
n.R 2 X p21
Donde el coeficiente de determinacin se obtiene a partir de una regresin auxiliar de

los residuos al cuadrado sobre las variables explicativas, sus cuadrados y sus productos
cruzados. Este procedimiento esta automatizado en el paquete E-views, por lo que no
ser necesario estimar esta regresin auxiliar. El procedimiento a seguir una vez
recuperadas la regresin inicial (eq1) es el siguiente:
VIEWS/RESIDUAL DIAGNOSTICS/ HETEROSKEDASTICITY TEST
El resultado obtenido es el siguiente:
Heteroskedasticity Test: White
F-statistic
Obs*R-squared
Scaled explained SS
3.698591
5.944912
9.806474
Prob. F(2,15)
Prob. Chi-Square(2)
Prob. Chi-Square(2)
0.0495
0.0512
0.0074
Test Equation:
Dependent Variable: RESID^2
Date: 08/29/10 Time: 18:59
Sample: 1 18
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
EMPLEO
EMPLEO^2
-3.03E+11
1.44E+09
-512657.3
2.39E+11
6.56E+08
302565.4
-1.266662
2.195207
-1.694368
0.2246
0.0443
0.1109
R-squared
Adjusted R-squared
0.330273
0.240976
Mean dependent var

S.D. dependent var
2.52E+11
5.29E+11
72
Curso: Econometra I
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
Jos Luis Nolazco

4.61E+11
3.19E+24
-507.3210
3.698591
0.049458

Schwarz criterion
Durbin-Watson stat
56.70234
56.85073
56.72280
1.230263
Es decir, se obtiene el estadstico experimental que es 5.944912 y la probabilidad que

deja es 0.0512, el cual es menor que 0.05, por lo que se rechaza la hiptesis nula de
varianza constante en toda la muestra (es decir existe heteroscedasticidad).
Correccin de la Heteroscedasticidad
De las regresiones anteriores se tiene aquella que, teniendo el coeficiente de regresin
significativamente distinto de cero, presente un coeficiente de determinacin mayor. Su
correspondiente variable explicativa da una idea de la forma de la Heteroscedasticidad.
Para solucionar el problema de la heteroscedasticidad, vemos que la varianza de la variable aleatoria
es proporcional a la raz cuadrada de la variable empleo, es decir la variable rempleo. De ello se
deduce:
rempleo * I
1 rempleo 1 * I
P ' P 1
P rempleo 1 * I rempleo 1/2 * I
Donde P es la matriz de transformacin, el cual servir para que la varianza sea homoscedastica, e I
es la matriz identidad.
Una vez conocida la matriz de transformacin, se puede premultiplicar el modelo y aplicar MCO al
modelo transformado. La variable aleatoria de perturbacin del modelo transformado, ya cumple
las especificaciones del modelo de regresin lineal clsico, y adems, los estimadores obtenidos son
los estimadores por MCG factibles. Se necesita en primer lugar generar esa matriz de
transformacin:
GENR / Rempleo =SQR (empleo)
GENR /R4empleo =SQR (Rempleo)
GENR/ IR4empleo=1/R4empleo
e) Estimacin por mnimos cuadrados ponderados
73
Curso: Econometra I
Jos Luis Nolazco
Instrucciones: Quick/Estimate equation/ pib c empleo/options / Type: inverse

standar deviation/ weight: ir4empleo
Date: 08/29/10 Time: 19:52
Sample: 1 18
Weighting series: IR4EMPLEO
Weight type: Inverse standard deviation (EViews default scaling)
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
EMPLEO
-36343.78
4070.215
120156.1
184.8007
-0.302471
22.02489
0.7662
0.0000
Weighted Statistics
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.968070
0.966074
403036.6
2.60E+12
-256.8029
485.0958
0.000000
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
Weighted mean dep.
2218625.
1693343.
28.75588
28.85481
28.76952
2.473158
1690105.
Ahora para comprobar si ya no existe heteroscedasticidad, realizamos el test de White,

obteniendo:
Heteroskedasticity Test: White
F-statistic
Obs*R-squared
Scaled explained SS
2.048964
5.491868
8.897817
Prob. F(3,14)
Prob. Chi-Square(3)
Prob. Chi-Square(3)
0.1532
0.1391
0.0307
Test Equation:
Dependent Variable: WGT_RESID^2
Date: 08/29/10 Time: 19:54
Sample: 1 18
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
WGT^2
EMPLEO^2*WGT^2
EMPLEO*WGT^2
-1.24E+12
2.81E+11
-720392.7
3.05E+09
8.15E+11
2.29E+11
501102.1
1.73E+09
-1.519519
1.227975
-1.437616
1.763590
0.1509
0.2397
0.1725
0.0996
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
0.305104
0.156197
2.76E+11
1.07E+24
-497.4903
2.048964
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
1.44E+11
3.01E+11
55.72114
55.91900
55.74843
1.323239
74
Curso: Econometra I
Prob(F-statistic)
Jos Luis Nolazco

0.153247
La probabilidad que deja ala derecha del estadstico indica que no se puede rechazar la
hiptesis nula de varianza constante en toda la muestra, es decir, el modelo transformado
ya es homoscedastico.
4.3 AUTOCORRELACION
La tercera condicin de Gauss-Markov implica que el trmino de error para cada
observacin se determina independientemente de los valores que pueda arrojar en el resto
de observaciones de la muestra. Especficamente, la independencia de las perturbaciones
implica que su covarianza es cero (Cov (uiuj) = 0 para todo i j ). Cuando esta condicin
no se cumple se dice que el error presenta autocorrelacin. Los problemas asociados a la
presencia de autocorrelacin son similares a los que enfrentamos cuando los errores son
heteroscedsticos.
Los estimadores MCO se mantienen insesgados pero dejan de ser eficientes. Esto implica
que la varianza aumenta por lo que la volatilidad de los estimadores aumenta. Sin embargo,
en trminos de la estimacin en la prctica ocurre lo contrario. Dado que los programas
economtricos utilizan el estimador MCO, lo que ocurre es que calculan la varianza
siguiendo la frmula tradicional de MCO la cual nos da desviaciones estndar menores. Por
tanto, stas son usualmente subestimadas lo que conduce a una sobreestimacin de los
estadsticos-t y a problemas de inferencia dado que nuestras conclusiones seran errneas.
Con referencia al problema asociado a la eficiencia de los estimadores MCO, y al igual que
para el caso de heterocedasticidad, basta encontrar otro procedimiento para la estimacin
de los parmetros que arroje estimadores de menor varianza para descartar la eficiencia de
los estimadores MCO. En este sentido, y como alternativa a la estimacin MCO, la
estimacin por mnimos cuadrados generalizados arroja estimadores ms eficientes en el
sentido de presentar una menor varianza.
4.3.1 Por qu se presenta la autocorrelacin?
Presencia de ciclos econmicos

Presencia de relaciones no lineales
Mala especificacin
4.3.2 DETECCION Y CORRECCION - APLICACIONES
Ejercicio. Se ha recogido informacin hipottica macroeconmica del Per, el cual se

usan el consumo pblico (cp) y el producto bruto interno a precios de mercado (pibpm),
ambos en millones de soles, con el objetivo de estimar un modelo de regresin lineal y
comprobar la posible presencia de autocorrelacin en las perturbaciones. Las series toman
los siguientes valores:
75
Curso: Econometra I
Jos Luis Nolazco

obs
PIBPM
CP
1985
28200885
4498034
1986
32323992
4740221
1987
36143972
5159905
1988
40158739
5368137
1989
45044128
5813462
1990
50145195
6197776
1991
54927320
6543696
1992
59104986
6808095
1993
60952584
6971511
1994
64811535
6948140
1995
69780058
7074014
1996
73743261
7141101
1997
77896586
7239097
A partir de dicha informacin, contraste el posible incumplimiento de la hiptesis de no

autocorrelacin por medio de:
a)
b)
c)
d)
e)
f)
Analisis graficos
Test de Durbin-Watson
Correlograma
Tets de Breusch-Godfrey
Sobre esta misma informacin, se propone especificar una nueva forma estableciendo una
relacin lineal del consumo pblico a partir del PIBPM y de un retardo del CP como
factores explicativos. Bajo esta formulacin, pruebe la presencia de autocorrelacin en las
perturbaciones.
En caso de detectar problemas de autocorrelacin, obtenga una estimacin MELI para los
parmetros del modelo.
Solucion: Abrimos primero el workfile llamado ac1.wf1 y estimamos el siguiente modelo

por MCO:
CPt 1 2 * PIBPM t ut
Instrucciones: Quick/Estimate equation/ cp c pibpm

Dependent Variable: CP
Date: 08/29/10 Time: 21:07
Sample: 1985 1997
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
PIBPM
3079706.
0.058374
237829.5
0.004282
12.94922
13.63260
0.0000
0.0000
76
Curso: Econometra I
Jos Luis Nolazco
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.944119
0.939039
239828.9
6.33E+11
-178.4002
185.8479
0.000000
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
6192553.
971351.1
27.75388
27.84079
27.73601
0.343122
A partir de esta estimacin, se genera la serie de los residuos minimo cuadrticos

correspondientes a este ejercicio.
Instrucciones: Genr/ e=resid
a) Contrastes graficos:
Instrucciones: Quick/graph/ e e(-1)/ scatter
400,000
300,000
E(-1)
200,000
100,000
0
-100,000
-200,000
-300,000
-400,000
-200,000
0 100,000
300,000
Se puede observar que los puntos se colocan en el diagrama en el primer y tercer

cuadrante, por lo que puede ser indicativo de presencia de autocorrelacin positiva.
Grafico de los residuos en el tiempo:
Instrucciones: Quick/ graph/ e/ line graph
77
Curso: Econometra I
Jos Luis Nolazco
E
400,000
300,000
200,000
100,000
0
-100,000
-200,000
-300,000
-400,000
85
86
87
88
89
90
91
92
93
94
95
96
97
La representacin grafica de los residuos presenta un comportamiento sistematico,

posiblemente cclico que sigue indicando la posible presencia de problemas de
autocorrelacin.
b) Test de Durbin-Watson
En la salida de regresin original que estimo al comienzo se puede encontrar el estadstico

de Durbin- Watson, que ha sido remarcado en negrita en la salida original: d=0.343122. En
las tablas de Savin-White se pueden obtener los lmites inferior y superior, al 95% de
confianza, con un tamao de muestra igual a 13 y con k variables explicativas=1, D L=1.010
y dU=1.340, por tanto, como d<dL, entonces se rechaza la hiptesis nula, es decir existe
autocorrelacin positiva de orden 1, veamos aqu:
Criterio de decisin:
0.343122
c) Correlograma: Al modelo original se utiliza el correlograma Q (Ljung-Box)

Instrucciones: View/ Residual diagnostics/Correlogram Q-statistic/11 lags
78
Curso: Econometra I
Jos Luis Nolazco
El correlograma de estos residuos muestra un decrecimiento, mientras que la PAC se

observa una banda distinta de 0. Este comportamiento se asocia a un proceso
autorregresivo de orden 1, es decir, un AR(1).
d) Test de Breusch-Godfrey
Para este caso se ira seleccionando progresivamente 1,2, rezagos, hasta que el contraste
de significacin individual del ultimo retardo se situe en la regin de no rechazo de la
hiptesis nula.
Instrucciones: View/residual diagnostics/ serial correlation LM test/1 lags
Breusch-Godfrey Serial Correlation LM Test:
F-statistic
Obs*R-squared
18.71771
8.473176
Prob. F(1,10)
Prob. Chi-Square(1)
0.0015
0.0036
Test Equation:
Dependent Variable: RESID
Date: 08/29/10 Time: 21:12
Sample: 1985 1997
Presample missing value lagged residuals set to zero.
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
PIBPM
RESID(-1)
149133.7
-0.003342
0.974886
151175.4
0.002760
0.225334
0.986495
-1.210686
4.326396
0.3472
0.2539
0.0015
79
Curso: Econometra I
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
Jos Luis Nolazco

0.651783
0.582139
148430.4
2.20E+11
-171.5432
9.358853
0.005120
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
1.79E-11
229618.7
26.85279
26.98317
26.82600
1.278439
E-views ofrece tanto una salida del resultado final como la salida al completo de la
regresin auxiliar de los residuos de MCO en funcin de los regresores del modelo y de los
retardos elegidos de los mismos.
En esta primera opcin, se observa que el estadstico experimental para este test es:
n.R2=8.473176, con una probabilidad asociada de 0.0036 <0.05, que hace situarse a dicho
estadstico en regin critica y, por tanto, se rechaza la hiptesis de no autocorrelacin a un
95% de confianza. El test es dado por lo siguiente:
H0: no existe autocorrelacion
H1: existe autocorrelacion de orden p
2
X exp
n.R 2 X p2
Donde p es el nmero de retardos de los residuos que se introducen en la regresin

auxiliar. Por otra parte, la probabilidad asociada al estadstico t en la regresin auxiliar ,
correspondiente al retardo de los residuos es 0.0015 que por ser menor a 0.05, situa al
estadstico en la regin de rechazo de la hiptesis nula. A continuacin se muestra la salida
correspondiente a la introduccin de dos rezagos de los residuos en la regresin auxiliar.

F-statistic
Obs*R-squared
10.11549
8.997396
Prob. F(2,9)
Prob. Chi-Square(2)
0.0050
0.0111
Test Equation:
Date: 08/29/10 Time: 21:14
Sample: 1985 1997
Variable
Coefficient
Std. Error
t-Statistic
Prob.
80
Curso: Econometra I
C
PIBPM
RESID(-1)
RESID(-2)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
Jos Luis Nolazco

68270.62
-0.001571
1.216267
-0.428241
0.692107
0.589477
147121.5
1.95E+11
-170.7432
6.743657
0.011152
167332.3
0.003186
0.315142
0.394440
0.407994
-0.493088
3.859431
-1.085692
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
0.6928
0.6338
0.0039
0.3058
1.79E-11
229618.7
26.88357
27.05740
26.84784
1.956964
Al igual que ocurria en el caso anterior, el estadsticos del test de Breusch-Godfrey tiene
una probabilidad asociada de 0.0111<0.05, por tanto se rechaza la hiptesis nula, es decir
existe autocorrelacin. Por otro lado la probabilidad asociada al t experimental es de 0.3058
> 0.05, nose puede rechazar la hiptesis nula, por tanto este segundo rezago ya no es
significativo en el comportamiento de los residuos minimo cuadrticos. La conclusin de
este test es que existe autocorrelacin en las perturbaciones y que es de orden 1.
e) La especificacin alternativa propuesta en este apartado se formaliza mediante la siguiente
ecuacin:
CPt 1 2 * PIBPM t 3 * CPt 1 ut
Al presentar este modelo una especificacin dinmica con la matriz de regresores

estocstica, el contraste de Durbin Watson no se puede utilizar, por lo que se debe recurrir
al contraste h-durbin y al contraste de Breusch-Godfrey. El primero paso para la
realizacin del contraste es la obtencin de la regresin por MCO del modelo especificado:
Instrucciones: Quick/estimate equation/ cp c pibpm cp(-1)
Date: 08/29/10 Time: 21:15
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
PIBPM
CP(-1)
780684.3
-0.002714
0.934178
466190.2
0.010880
0.169258
1.674605
-0.249441
5.519250
0.1283
0.8086
0.0004
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.984426
0.980965
119205.9
1.28E+11
-155.5645
284.4366
0.000000
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
6333763.
864007.5
26.42741
26.54864
26.38253
1.618970
81
Curso: Econometra I
Jos Luis Nolazco
Test de h de Durbin
H0 : 0
No existe autocorrelacion
H1 : 0 1
Existe atucorrelacion: AR (1)
Bajo la hiptesis nula, el estadstico:

h r*
n
AN (0,1)
1 n * var(b1)
La obtencin de los valores necesarios para construir el estadstico se realiza desde la salida de
regresin del modelo estimador por MCO:
r= 1-d/2 =1-1.618970/2=0.190515
var(b3)=(0.169258)2=0.028648271
h 0.190515*
12
0.808436
1 12*0.028648271
El estadstico teorico sigue una distribucin asinttica normal (0,1) que al 95% de confianza, en
contrastes de una sola cola es: ht=1,645, por tanto no se rechaza la hipotests nula.
Analisis con el test de Breusch-Godfrey

F-statistic
Obs*R-squared
0.107581
0.159231
Prob. F(1,8)
Prob. Chi-Square(1)
0.7513
0.6899
Test Equation:
Date: 08/29/10 Time: 21:15
Sample: 1986 1997
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
PIBPM
CP(-1)
RESID(-1)
98455.69
0.002360
-0.037549
0.136888
575638.5
0.013534
0.211913
0.417347
0.171037
0.174365
-0.177189
0.327996
0.8684
0.8659
0.8638
0.7513
82
Curso: Econometra I
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
Jos Luis Nolazco

0.013269
-0.356755
125595.2
1.26E+11
-155.4843
0.035860
0.990206
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
6.98E-10
107825.8
26.58072
26.74235
26.52087
1.891146
Como se puede observar, tanto el estadstico nR2 como el t experimental tienen

probabilidades asociadas mayores a 0.05 por lo que se situan en regin de aceptacin, no
pudiendo rechazar la hiptesis nula. Es decir ambos test (h durbin y Breusch-Godfrey)
confirman la ausencia de autocorrelacin en las perturbaciones en esta formulacin del
modelo original.
f)
Obtencion de estimadores MELI: Metodo de Cochrane Orcutt
Se debe recordar que el modelo que presentaba problemas de autocorrelacin respondia a la

formulacin inicial del consumo publico en fncion del producto bruto interno a precios de
mercado. Sobre ese modelo ser sobre el que se trate de obtener los estimadores de forma eficiente.
Como ya se ha explicado, en la parte teorica , este test es un criterio de estimacin iterativa para
obtener los mejores estimadores lineales, insesgados y optimos, bajo la especificacin del modelo de
MCG.
Instrucciones: Quick/ Estimate equation/ cp c pibpm ar(1)
Date: 08/29/10 Time: 23:42
Convergence achieved after 12 iterations
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
PIBPM
AR(1)
5643278.
0.024402
0.839764
2788228.
0.029292
0.118191
2.023966
0.833054
7.105174
0.0736
0.4264
0.0001
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.984800
0.981422
117764.8
1.25E+11
-155.4185
291.5510
0.000000
Inverted AR Roots
.84
Mean dependent var

S.D. dependent var
Schwarz criterion
Durbin-Watson stat
6333763.
864007.5
26.40308
26.52431
26.35820
1.484904
Esta estimacin muestra los resultados de la repeticin 12 veces del proceso de C-O para
83
Curso: Econometra I
Jos Luis Nolazco
conseguir la convergencia. Cabe destacar que la variable pibpm pasa a ser no significativa,
mientras que el proceso autorregresivo es significativo, con una probabilidad asociada de
0.0001.
El correlograma de los residuos de esta estimacin corrobora el diagnostico de bueno
comportamiento de la perturbacin:
Instrucciones: view/residual diagnostics/correlogram Q-statistic/10 lags
El estadstico Q de Ljung-Box permite verificar la hiptesis nula de:

H o 1 2 .... 0
Cuando se acepta esta hiptesis se esta indicando que los residuos no estn
autocorrelacionados. En el presente acso, dado que la probabilidad es superior a 0.05 nos
indica que se ha corregido la autocorrelacin, ya que los residuos del nuevo modelo no la
presentan.
84
Curso: Econometra I
Jos Luis Nolazco
CAPITULO 5
MULTICOLINEALIDAD
5.1 RESUMEN TEORICO
La colinealidad est referida a la existencia de una sola relacin lineal entre las variables
explicativas y, por lo tanto, la multicolinealidad se refiere a la existencia de ms de una
relacin lineal. Es importante anotar que la multicolinealidad se refiere slo a relaciones
lineales entre las variables independientes y no a cualquier otro tipo de relacin, as pues, si
xi = xj2, entonces no existir multicolinealidad en el modelo. El problema de la
multicolinealidad est definido por el alto grado de intercorrelacin entre variables
explicativas. Dentro de las violaciones de los supuestos del modelo lineal general, la
multicolinealidad es un problema de grado y noterico como la heterocedasticidad o la
autocorrelacin, ms an, los estimadores obtenidos bajo multicolinealidad, conservan las
propiedades que los define como MELI.
Una cuestin importante que debe analizarse al estudiar los resultados de un modelo de
regresin es el grado de relacin lineal existente entre las observaciones de las variables
explicativas. A este respecto, las posibles situaciones son tres:
Multicolinealidad perfecta: se da cuando existe una relacin lineal exacta entre algunos o
todos los regresiores incluidos en el modelo.
Ortogonalidad: Supone la ausencia de relacin lineal entre algunos o todos los regresores
incluidos en el modelo (raramente ocurre esto).
Multicolinealidad imperfecta: consiste en la existencia de una relacin lineal fuerte entre los
regresores del modelo.
Las posibles fuentes de multicolinealidad son cuatro principalmente:
El mtodo de recoleccin de informacin empleado.

Restricciones sobre el modelo o en la poblacin que es objeto de muestreo.
Especificacin del modelo.
Un modelo sobredeterminado (es cuando un modelo tiene mas variables explicativas que
observaciones).
5.2 CONSECUENCIAS
Varianzas y covarianzas grandes.
Intervalos de confianza ms amplios.
Estadsticos t poco significativos y un R2alto.
Sensibilidad de los estimadores y sus errores estndar ante pequeos cambios en la muestra.
85
Curso: Econometra I
Jos Luis Nolazco
5.3 CORRECCION
Suprimir variables
Utilizacion de informacin adicional
Utilizacion de primeras diferencias
Empleo de cocientes o ratios entre las variables
Aumentar el tamao de muestra
No hacer nada
5.4 APLICACIONES
Ejercicio. Se dispone alguna informacin sobre ingresos de exportacin (inex), el
consumo (cons), los gastos de personal (gper) y los gastos de explotacin (gex) relativos al
sector de metalurgia y fabricacin de productos metalicos para algunos departamentos del
Per.
obs
Departamentos
INEX
CONS
GPER
GEX
Arequipa
302565
180236
51189
274346
Piura
107689
51850
27642
100310
Chiclayo
348540
165985
75735
330602
Trujillo
14619
7991
3813
13253
Iquitos
17812
8693
5356
16000
Huancavelica
117007
59046
30838
115951
Huanuco
134899
75042
30844
126969
La Libertad
74856
43100
17484
70744
Lima
761142
389019
193713
708598
10
Ayacucho
241131
118762
60946
225651
11
Junin
14817
7806
4242
13773
12
Lambayeque
186509
92236
43276
176606
13
Cusco
337445
194993
82411
323954
14
Ica
64181
36941
12675
59007
15
Amazonas
170364
102965
38456
168279
16
Cajamarca
1051196
568539
254043
1037175
17
Puno
50517
28624
10255
46462
El objetivo de este ejercicio es el anlisis de la presencia de colinealidad en un modelo

economtrico cuya especificacin es la siguiente:
inexi 1 2consi 3 gperi 4 gexi ui
La utilizacin de estos regresores puede indicar, a priori, la presencia de colinealidad en el
modelo. Este problema se detectara por distintas vas alternativas y finalmente se
propondr una solucin para su correccin.
Solucion. Primero abrimos el workfile llamado mc1.wf1 , ahora procedemos a estimar el

modelo especificado anteriormente:
Instrucciones: Quick/ estimate equation/ inex c cons gper gex
86
Curso: Econometra I
Jos Luis Nolazco
Dependent Variable: INEX

Date: 08/30/10 Time: 01:11
Sample: 1 17
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
CONS
GPER
GEX
3729.609
0.392848
0.663397
0.648393
3240.869
0.276641
0.415687
0.218018
1.150805
1.420067
1.595907
2.974033
0.2705
0.1791
0.1345
0.0108
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.998971
0.998734
9949.564
1.29E+09
-178.3315
1.589402
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
235017.0
279592.1
21.45077
21.64682
4207.203
0.000000
Deteccion de la colinealidad
a) Significacion global y significacin individual de los regresores
En primer lugar, puede observarse que se trata de un modelo globalmente bien estimado.
El estadstico F nos indica que las variables conjuntamente son significativas. Por otra
parte, el valor del coeficiente de determinacin R2 es elevado (0.998971) y al analizar la
significacin individual de las variables explicativas se puede comprobar que las variables
cons y gper no son significativas en la explicacin de los ingresos de explotacin. Cuando
estas dos caractersticas se presentan de forma simultanea (R2 y variables no significativas
individualmente), como ocurre en este caso, puede sospecharse acerca de la presencia de
colinealidad en el modelo.
b) Analisis de la matriz de correlaciones de los regresores
A partir de la matriz de corrrelaciones de los regresores (Rxx) puede profundizarse en el

proceso de deteccin de multicolinealidad en el modelo. Si los regresores fueran
ortogonales, esto es, en ausencia de colinealidad, el determinante de esta matriz tomaria el
valor de 1. A continuacin se realizar la matriz de correlaciones entre las variables
explicativas que se han usado en la estimacin:
Instrucciones: En la lnea de comandos escribir - cor cons gper gex
CONS
GPER
GEX
CONS
GPER
GEX
1.000000
0.990380
0.997769
0.990380
1.000000
0.995341
0.997769
0.995341
1.000000
De la matriz anterior se puede calcular su determinate: Rxx 0.000033924 . El valor que
87
Curso: Econometra I
Jos Luis Nolazco
toma el determinante es muy prximo a cero, lo que tambin es indicativo de la posible

existencia de colinealidad en el modelo. Ademas, en la matriz de correlaciones se refleja una
fuera correlacion entre las variables que han considerado en el modelo.
c) Factor de inflacin de la varianza
Para desarrollar esta metodologa se requiere, previamente, realizar ciertas regresiones

auxiliares, en concreto, se considera cada uno de los regresores como funcin de los dems.
De cada una de estas regresiones se necesita el valor de R2 y, a partir de ellos, pueden
calcularse los aumentos de las varianzas causadas por la multicolinealidad midiendo el
factor de inflacin de la varianza, segn la siguiente expresin:
2
bi2 / bORT
1/ 1 R 2j
Estimacion de la primera regresin auxiliar:

Instrucciones: Quick/estimate equation/ cons c gper gpex
Dependent Variable: CONS
Date: 08/30/10 Time: 03:00
Sample: 1 17
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
GPER
GEX
2079.209
-0.639877
0.709049
3081.281
0.363360
0.091938
0.674787
-1.760998
7.712272
0.5108
0.1001
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.996352
0.995831
9612.225
1.29E+09
-178.3751
1.937222
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
125401.6
148861.9
21.33824
21.48528
1911.709
0.000000
Puede calcular el factor de inflacin de la varianza (FIV) ejecutando en la lnea de

comandos la siguiente operacin:
=1/(1-0.996352)= 274.122807018
Estimacion de la segunda regresin auxiliar:
Instrucciones: Quick/estimate equation/ gper c cons gex
Dependent Variable: GPER
88
Curso: Econometra I
Jos Luis Nolazco

Date: 08/30/10 Time: 03:02
Sample: 1 17
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
CONS
GEX
-182.0407
-0.283398
0.407116
2083.114
0.160930
0.088371
-0.087389
-1.760998
4.606894
0.9316
0.1001
0.0004
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.992389
0.991302
6396.967
5.73E+08
-171.4525
1.812016
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
55465.76
68591.10
20.52382
20.67086
912.7659
0.000000
Calculo del factor de inflacin:

=1/(1-0.992389)=131.388779398
Estimacion de la tercera regresin auxiliar:
Instrucciones: Quick/estimate equation/ gex c cons gper
Dependent Variable: GEX

Date: 08/30/10 Time: 03:06
Sample: 1 17
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
CONS
GPER
-1270.813
1.141627
1.480014
3958.333
0.148027
0.321261
-0.321048
7.712272
4.606894
0.7529
0.0000
0.0004
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.998229
0.997976
12196.85
2.08E+09
-182.4235
2.131833
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
223981.2
271088.6
21.81453
21.96157
3945.000
0.000000
Calculo del factor de inflacin:

=1/(1-0.998229)=564.652738566
Los factores multiplicativos alcanzan valores elevados en los tres casos, por lo que puede
considerarse que la varianza de los coeficientes del modelo original se encuentra muy inflada, por
lo que se toman como no significativos regresores que si podran serlo. Como los valores que
89
Curso: Econometra I
Jos Luis Nolazco
toman estos coeficientes de determinacin son inferiores, pero muy prximos al de la regresin
inicial (0.998971), puede considerarse que, aunque no a un nivel preocupante, si existe colinealidad
entre los regresores del modelo.
d) Correccion de la colinealidad
Aceptada la presencia de colinealidad en el modelo se plantea ahora su correccin. Para ello

se procede a estimar nuevamente el modelo especificado inicialmente corrigiendo el
problema que se ha detectado mediante la divisin de todas las variables entre la variable
peroc. Esta variable, que se encuentra en el workfile de datos, incluye informacin relativa
de las personas ocupadas en el sector de actividad econmica considerado para los 17
departamentos mostrados. Se ha elegido esta variable por que constituye un factor de escala
de todas las incluidas en el modelo y su divisin por dicho factro de escala puede
representar la solucin de multicolinealidad que presenta el modelo.
Para obtener las variables corregidas basta dividirla entre peroc utilizando la sentencia
correspondiente a la generacin de variables. En este caso estas variables transformadas se
nombraran aadiendo una c a su nombre original. Instrucciones:
Genr/ inexc=inex/peroc
Genr/ consc=cons/peroc
Genr/gperc=gper/peroc
Genr/gexc=gex/peroc
El modelo transformado puede ser estimador siguiendo las siguientes instrucciones:
Instrucciones: Quick/estimate equation/ inex c consc gperc gexc
Dependent Variable: INEXC
Date: 08/30/10 Time: 03:31
Sample: 1 17
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
CONSC
GPERC
GEXC
1.466301
-0.257027
-1.220936
1.379961
0.280286
0.142161
0.321050
0.132546
5.231453
-1.808005
-3.802943
10.41122
0.0002
0.0938
0.0022
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.997072
0.996397
0.241909
0.760758
2.284594
2.149958
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
12.37447
4.029936
0.201812
0.397863
1475.769
0.000000
90
Curso: Econometra I
Jos Luis Nolazco
La estimacion obtenida muestra un modelo globalmente significativo, con un coeficiente de

determinacion elevado, pero el regresor consc no resulta ser significativo individualmente.
Por ello es aconsejable suprimir esta variable del modelo y realizar una nueva estimacin:
Instrucciones: Quick/estimate equation/ inex c gperc gexc
Dependent Variable: INEXC
Date: 08/30/10 Time: 03:32
Sample: 1 17
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
GPERC
GEXC
1.154356
-0.795770
1.155360
0.238115
0.235620
0.049824
4.847894
-3.377348
23.18861
0.0003
0.0045
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.996336
0.995813
0.260775
0.952053
0.378003
1.713325
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
12.37447
4.029936
0.308470
0.455508
1903.527
0.000000
En esta estimacin puede apreciarse que el coeficiente R2 sigue alcanzando un nivel

elevado, prcticamente el mismo que en el modelo inicial, los regresores son
conjuntamente significativos e individualmente tambin. Puede considerarse entonces que
este modelo transformado es adecuado para explicar los ingresos de explotacin, que en
este caso se realiza corrigiendo por las personas ocupadas.
91

Guia Basico Eviews7

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Guia Basico Eviews7

Enviado por

Direitos autorais:

Formatos disponíveis

ANALISIS ECONOMETRICO CON

JOS LUIS NOLAZCO1

Bachiller en Economa de la UNALM, cualquier consulta: jlnc09@gmail.com.

Jos Luis Nolazco

1.2 Inicio y Creacin de un Espacio de Trabajo

Jos Luis Nolazco

Parte 1. Men bsico de herramientas generales

Jos Luis Nolazco

Jos Luis Nolazco

Jos Luis Nolazco

Calcula estadsticos para un grupo de variables previamente creado.

Parte 2. Zona de recepcin o lnea de comandos

Parte 3. Zona de presentacin de contenidos y resultados.

En esta zona, que ocupara habitualmente la mayor parte de la pantalla, es donde se

Parte 4. Barra de presentacin del estado de la aplicacin

Jos Luis Nolazco

Jos Luis Nolazco

Jos Luis Nolazco

(Daily custom week)

Jos Luis Nolazco

Jos Luis Nolazco

1.3 Creacin de una base de datos en el archivo de trabajo (Workfile)

Jos Luis Nolazco

Alternativamente, se puede crear una nueva serie eligiendo la opcin en el men de

1.4 Importacin de datos desde un archivo de texto o Excel

En este lugar se digita los

Jos Luis Nolazco

Significa que el E-views

En este lugar se digita el

Jos Luis Nolazco

procedemos a guardar dicho archivo

Escribir show PBIREAL CONSUMO INVERSION en la lnea de comandos o

Jos Luis Nolazco

1.5 Creacin de series

Jos Luis Nolazco

En este caso se cre: lgconsumo=log(consumo)

1.6 Estadsticos para la interpretacin y tabulacin de datos de una

Jos Luis Nolazco

Luego de un primer acercamiento visual a las caractersticas de una serie de datos, el

Jos Luis Nolazco

La primera pantalla de resultados se denomina Histogram and Stats. Seguidamente se

Otras opciones para aplicar en la lnea de comandos para la serie CONSUMO, se

Quantil-Quantil para la serie

Jos Luis Nolazco

Show consumo.teststat, aqu se muestra las pruebas de hiptesis simples de la serie

Desviacin estndar (Std.Dev.)

Donde N representa el nmero total de observaciones en la muestra, mientras que yi

Jos Luis Nolazco

respectivamente. Si dicho estadstico arrojara un valor muy cercano a la unidad, se

Coeficiente de asimetra (skewness)

Coeficiente de curtosis (kurtosis)

Jos Luis Nolazco

(centro ms delgado) y colas ms anchas; mientras que lo contrario ocurre en

La prueba de normalidad de Jarque-Bera se basa en el estadstico JB bajo la distribucin

Jos Luis Nolazco

Si la probabilidad asociada al estadstico JB es mayor a 0.05, no se puede rechazar la

Jos Luis Nolazco

2.1 RESUMEN TEORICO

Con los modelos de regresin lineal perseguimos explicar el comportamiento de una

yi 0 1 x1n 2 x2i ....... k xki i

Buenos estimadores de los coeficientes.

Ahora si utilizamos la notacin matricial, el modelo se escribe como Y X , donde:

Jos Luis Nolazco

Como se ha mostrado anteriormente en la ecuacin del modelo, esta cumple la