TRABAJO DE INVESTIGACION:

SOBRE EL SUPUESTO DE LA
HOMOCEDASTICIDAD
 UNIVERSIDAD NACIONAL DE TUMBES

FACULTAD DE CIENCIAS ECONÓMICAS

ESCUELA DE ECONOMÍA

TRABAJO DE INVESTIGACIÒN

“Supuesto del Homocedasticidad en el modelo de la Inversión Privada

Bruta Fija en la Tasa Desempleo del Perú en el periodo 2000 Al 2017”

DOCENTE

Eco. Segundo T. Agurto Moran

CURSO

Econometría I

INTEGRANTES

TUMBES

2018

1
 CONTENIDO
INTRODUCCION ............................................................................................... 3

OBJETIVOS ....................................................................................................... 4

1. Supuesto de la Regresión Lineal Múltiple - HOMOCEDASTICIDAD ...... 5

2. Datos para la detección de este supuesto de HOMOCEDASTICIDAD .. 8

3. Métodos para detectar la homocedasticidad ........................................ 14

3.1. Método gráfico de dispersión los residuos (et). ............................. 14

3.2. Métodos formales para la detección de homocedasticidad ......... 16

3.2.1. Prueba de Park............................................................................ 16

CONCLUSIONES ............................................................................................ 23

BIBLIOGRAFIA ............................................................................................... 25

2
 INTRODUCCION

En el presente trabajo de investigación Titulado “Supuesto del

Homocedasticidad en el modelo de la Inversión Privada Bruta
Fija en la Tasa Desempleo del Perú en el periodo 2000 Al
2017”, se busca aplicar los conocimientos aprendidos en la
asignatura de Econometría I, asimismo las investigaciones del
grupo de trabajo encargado de realizar este trabajo de
investigación, asimismo se busca incrementar los conocimientos
acerca de los supuestos de regresión lineal múltiple y también
mejorar la utilización de los programas estadísticos que nos facilitan
realizar los calculo y las gráficas para este estudio

3
 OBJETIVOS

Objetivo General

 Dar estudio al Supuesto del Homocedasticidad en el modelo

de la Inversión Privada Bruta Fija en la Tasa Desempleo del
Perú en el periodo 2000 Al 2017.

Objetivo específicos

 Dar estudio teórico al supuesto de homoscedasticidad para

luego aplicarlo al modelo de estudio planteado en la
investigación.

 Obtener los Datos para la realización de las pruebas de

detección de homocedasticidad.

 Aplicar los métodos de detección de homocedasticiad en el

modelo de Estudios.

4
1. Supuesto de la Regresión Lineal Múltiple -
HOMOCEDASTICIDAD

La homocedasticidad obedece a un supuesto importante del modelo

clásico de regresión lineal múltiple y tiene que ver con que la
varianza de cada término de perturbación ui, condicional a los
valores seleccionados de las variables explicativas, es algún número
constante igual a σ2. Éste es el supuesto de homoscedasticidad,
o igual (homo) dispersión (cedasticidad), es decir, igual varianza.
Simbólicamente,

Es decir esto indica que los errores o residuos están dispersos

de manera constante o sea están situados en una misma
varianza a lo largo del tiempo o sea es la misma . Hay que
tener en cuenta que lo contrario a la homocedasticidad es la
heterocedasticidad lo que indica que el error no tiene una media
igual a cero y no están dispersa de manera constante

Razones por la cuales las varianzas de los residuos pueden

ser variables (heteroscedasticidad), algunas de las cuales son
las siguientes.

a) Causas relacionadas con la incorrecta especificación: .

Cuando se ha omitido una variable en la especificación,
dicha variable quedará parcialmente recogida en el
comportamiento de las perturbaciones aleatorias, pudiendo
“contagiar” a éstas su propia variación, no necesariamente
homocedástica. Recuérdese que la hipótesis de
homocedasticidad hace referencia a la varianza constante de
las perturbaciones aleatorias, pero no obliga a que las

5
 variables explicativas tengan también varianza constante. Así
pues, y en términos generales, la utilización de variables
exógenas de naturaleza
b) Otras fuentes de heteroscedasticidad: como señala David
Hendry, la heteroscedasticidad también surge debido la
incorrecta transformación de los datos (por ejemplo, las
transformaciones de razón o de primeras diferencias) y una
forma funcional incorrecta (por ejemplo, modelos lineales
frente a modelos log-lineales)
c) Cambio de estructura
La presencia de algunos valores atípicos en la muestra de
datos implicará necesariamente un desajuste en la varianza
de la perturbación (en cierto modo, un punto atípico puede
considerarse un elemento muestral perteneciente a otra
distribución de forma funcional incorrecta y, por tanto,
potencialmente con varianza distinta).

d) La utilización de una forma funcional incorrecta, por

ejemplo, la utilización de una función lineal en lugar de una
logarítmica potencial, puede provocar que la calidad del
ajuste de la regresión varíe según los valores de las
exógenas, por ejemplo, ajustando bien para los valores
pequeños y mal para los grandes; en ese caso, es posible
que en las zonas de peor ajuste existan, no sólo errores
mayores, sino también errores más dispersos.

6
e) Otras causas

 Variables explicativas con distribución asimétrica o amplio

recorrido Si una variable explicativa presenta una distribución
asimétrica (por ejemplo, la renta) resultará inevitable que, por
ejemplo, para el caso de asimetría a derechas, los valores
mayores del regresor estén asociados a una mayor
dispersión en el término de error de la regresión.
Presencia de puntos atípicos.

 La presencia de algunos valores atípicos en la muestra de

datos implicará necesariamente un desajuste en la varianza
de la perturbación (en cierto modo, un punto atípico puede
considerarse un elemento muestral perteneciente a otra
distribución y, por tanto, potencialmente con varianza
distinta).

7
 2. Datos para la detección de este supuesto de
HOMOCEDASTICIDAD
TABLA: 01
Datos históricos de la tasa desempleo, Inversión Bruta del Sector
Privado y el PBI Percapita de los años 2000 AL 2017.

Tasa de Inversion PBI

Año
desempleo privada (IBKFP) Percapita
t y x1 x2
2000 8.5 29461 8552
2001 9.3 28089 8480
2002 9.4 28145 8817
2003 9.4 29915 9061
2004 9.4 32335 9387
2005 9.6 36217 9851
2006 8.5 43482 10465
2007 8.4 53626 11224
2008 8.4 66440 12112
2009 8.4 60566 12103
2010 8.0 76167 12979
2011 5.1 84518 13661
2012 4.7 97722 14311
2013 4.8 104660 14978
2014 4.5 102337 15169
2015 4.4 98062 15501
2016 5.2 92762 15954
2017 6.9 92960 16174
Fuente: BCRP/INEI
Especificación del modelo

Modelo multivariado

𝑌𝑡 = 𝐵̂0 + 𝐵̂1 (𝑋1) + 𝐵̂2 (𝑋2) + 𝒖𝒕 ……………Modelo multivariado.

8
Donde

 𝑌𝑡 = Es la tasa de desempleo.
 𝛽0 = es el parámetro que indica la tasa de desempleo autónoma la cual
no depende de la inversión privada (intercepto) ni del PBI per cápita.
 𝑋𝑡 = Es la Inversión Privada que está en relación inversa con la
inversión (variable Independiente).
 𝛽1 = Es también conocido como la pendiente del modelo es el
inversión Privada
coeficiente que mide la relación de la (parámetro
Tasa desempleo

comportamental de X1 en Y)
 𝛽2 = es el coeficiente que mide la relación de la
PBI PERCAPITA
(parámetro comportamental de X2 en Y)
Tasa desempleo

 X2= Variable independiente que indica el PBI per cápita.

 𝑢𝑡= Representa la variable estocástica o el error del modelo de estudio

9
Calculo de los parámetros

Método matricial

PASO 01 Especificacion de las Matrices "X" e "Y"

1 29461 8552 8.5

1 28089 8480 9.3
1 28145 8817 9.4
1 29915 9061 9.4
1 32335 9387 9.4
1 36217 9851 9.6
1 43482 10465 8.5
1 53626 11224 8.4
X= 1 66440 12112 Y= 8.4
1 60566 12103 8.4
1 76167 12979 8.0
1 84518 13661 5.1
1 97722 14311 4.7
1 104660 14978 4.8
1 102337 15169 4.5
1 98062 15501 4.4
1 92762 15954 5.2
1 92960 16174 6.9

PASO 02 Transpuesta de matrices "XT" e "YT"

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
XT = 29461 28089 28145 29915 32335 36217 43482 53626 66440 60566 76167 84518 97722 104660 102337 98062 92762 92960
8552 8480 8817 9061 9387 9851 10465 11224 12112 12103 12979 13661 14311 14978 15169 15501 15954 16174

YT = 8.5 9.3 9.4 9.4 9.4 9.6 8.5 8.4 8.4 8.4 8.0 5.1 4.7 4.8 4.5 4.4 5.2 6.9

10
 PASO 03 multiplicacion de matrices "XTX" e "YTY"

18 1157464 218779
T
X X= 1157464 89333536916 15429488632
218779 15429488632 2789454359

132.900
T
X Y= 7613763.1
1532742.2

YTY= 1049.3100

PASO 04 Matriz inversa "(XTX)-1"

6.89892834502 0.00009114983 -0.00104527107

t -1
(X X) = 0.00009114983 0.00000000146 -0.00000001520
-0.00104527107 -0.00000001520 0.00000016640

PASO 05 calculo de la Matriz de los estimados B =(XTX)-1 *(XTY)

8.72972507
B= -0.00010144
0.00042591

11
Haciendo uso del programa se ha calculamos los parámetros del Modelo
Econométrico

Coeficientes valores
B0 8.729725073
B1 -0.000101442
B2 0.00042591

Ecuación del modelo de regresión

𝒀𝒕 = 𝟖. 𝟕𝟐𝟗𝟕𝟐𝟓𝟎𝟕𝟑 − 𝟎. 𝟎𝟎𝟎𝟏𝟎𝟏𝟒𝟒𝟐𝑿𝟏𝒕 + 𝟎. 𝟎𝟎𝟎𝟒𝟐𝟓𝟗𝟏𝑿𝟐𝒕 + 𝒖𝒕

El objetivo principal es establecer si las dos variables independientes tienen

efecto o no sobre la tasa de desempleo.

Para este caso del supuesto de homocedasticidad se tendrá en cuenta que

se trabajar en base a los residuos del modelo que eran calculados en base a a
siguiente formula

Calculo de los errores del modelo

̂
𝒆𝒕 = 𝒀 − 𝒀

Donde

et =error o residuo

Y = Valor observado de la Tasa Desempleo

̂ = Tasa Desemplo pronosticada con la funcion del modelo

Y

12
 Tabla 02
De los residuos (et) del modelo

Tasa de Inversion privada

Año PBI Percapita PRONOSTICO Residuos
desempleo (IBKFP)

t y x1 x2 𝑌̂𝑡 u
2000 8.5 29461 8552 9.39 -0.89
2001 9.3 28089 8480 9.50 -0.20
2002 9.4 28145 8817 9.63 -0.23
2003 9.4 29915 9061 9.55 -0.15
2004 9.4 32335 9387 9.45 -0.05
2005 9.6 36217 9851 9.25 0.35
2006 8.5 43482 10465 8.77 -0.27
2007 8.4 53626 11224 8.07 0.33
2008 8.4 66440 12112 7.15 1.25
2009 8.4 60566 12103 7.73 0.67
2010 8.0 76167 12979 6.53 1.47
2011 5.1 84518 13661 5.97 -0.87
2012 4.7 97722 14311 4.91 -0.23
2013 4.8 104660 14978 4.49 0.30
2014 4.5 102337 15169 4.80 -0.27
2015 4.4 98062 15501 5.37 -1.01
2016 5.2 92762 15954 6.09 -0.92
2017 6.9 92960 16174 6.17 0.71

Nota:
 Para el cálculo del pronóstico se hizo uso de la ecuación del
modelo en donde se reemplazó los parámetros del modelo y cada
variable correspondiente.
𝒀𝒕 = 𝟖. 𝟕𝟐𝟗𝟕𝟐𝟓𝟎𝟕𝟑 − 𝟎. 𝟎𝟎𝟎𝟏𝟎𝟏𝟒𝟒𝟐𝑿𝟏𝒕 + 𝟎. 𝟎𝟎𝟎𝟒𝟐𝟓𝟗𝟏𝑿𝟐𝒕 + 𝒖𝒕
 Asimismo los errores o residuos fueron calculados restando cada
valor observado de la tasa desempleo con la tasa desempleo
pronosticado.
̂
𝒆𝒕 = 𝒀 − 𝒀

13
 3. Métodos para detectar la homocedasticidad
3.1. Método gráfico de dispersión los residuos (et).

Este método nos va a permitir detectar la homocedasticidad

de forma visual y de esta manera determinar si existe o no
homocedasticidad en el modelo.

Gráfico 01:
Residuos con la inversión Privada (IBKFP)

Residuos VS IBKFP
2
1.5
1
0.5
Residuos

0
-0.5 0 20000 40000 60000 80000 100000 120000

-1
-1.5
-2
IBKFP

En el grafico presentado mostrado anteriormente se puede comparar la

presencia de homoceasticidad , si observamos detenidamente en el eje de
las ordenadas vemos que esta señalados babo límites o bandas de 2 y -2
esto indica que si los residuos están dentro de estos rangos estaríamos
hablando que los residuos están contantemente distribuidos y como
vemos si se encuentran dentro de estos márgenes así que podemos
determinar que bajo esta comparación de los residuos con la inversión
privada si hay presencia de homocedasticidad.

14
 Gráfico 02:
Residuos con el PBI Percapita

Residuos VS PBI Percapita

2
1.5
1
0.5
Residuos

0
0 2000 4000 6000 8000 10000 12000 14000 16000 18000
-0.5
-1
-1.5
-2
PBI Percapita

Como se puede observar nuevamente al realizar la comparación de los

residuos con el PBI percapita vemos que los residuos están situados
dentro de las bandas 2 y 2 Lo que es un indicador de
HOMOCEDASTICIDAD
Gráfico 03:
Residuos con el Tasa Desempleo

Residuos VS Tasa Desempleo

2.00
1.50
1.00
0.50
Axis Title

0.00
-0.50 0.0 2.0 4.0 6.0 8.0 10.0 12.0

-1.00
-1.50
-2.00
Tasa Desempleo

Del mismo modo comparamos los residuos con la Tasa Desempleo y

como vemos los datos que representan los punto azules de la tasa
desempleo están dentro de las bandas 2 y -2 lo que indica que están
dispersos constantemente lo que indica que existe Homocedasticidad

15
3.2. Métodos formales para la detección de homocedasticidad

3.2.1. Prueba de Park

Park formaliza el método gráfico con la sugerencia de

que la variable explicativa Xi. La forma funcional fue.

Como σ2 por lo general no se conoce, Park sugiere utilizar

𝑢𝑖2 como aproximación y correr la siguiente regresión:

Si β resulta estadísticamente significativo, esto sugerirá que no

existe homocedasticidiad o sea si hay heteroscedasticidad en
los datos. Por otro lado si resulta no significativo, podemos
aceptar el supuesto de homoscedasticidad. La prueba de Park
es, por tanto, un procedimiento de dos etapas. En la primera se
efectúa la regresión MCO ignorando el interrogante de la
heteroscedasticidad. Se obtiene ûi de esta regresión y luego, en
la segunda etapa, se efectúa la regresión.

16
 Ahora efectuamos la trasformación de la especificación del
modelo según PARK
𝑢𝑖2 = 𝜎𝑖2 𝐼𝐵𝐾𝐹𝑃𝐵1 𝑃𝐵𝐼𝑝𝑒𝑟 𝐵2 𝑒 𝑣𝑖
Linealizacion (aplicación de logaritmo natural en ambos lados de
la ecuación)
Asimismo ∝ = Ln (𝜎𝑖2 )
𝐿𝑛(𝑢𝑖2 ) =∝ +𝐵1 ln(𝐼𝐵𝐾𝐹𝑃) + 𝐵2 ln(𝑃𝐵𝐼𝑝𝑒𝑟) + 𝑣𝑖
Que equivalentemente seria:
𝐿𝑛(𝑢𝑖2 ) =∝ +𝐵1 ln(𝑋1) + 𝐵2 ln(𝑋2) + 𝑣𝑖
Hay que tener en cuenta que vi es la variable estocástica del
modelo. Ahora si efectuamos las trasformaciones de los
logaritmos naturales de los errores al cuadrado y de las variables
independientes del modelo en la siguiente tabla:
TABLA 03
EL PROCESO DE TRANFORMACION LOGARITMICA

Tasa de Inversion privada errores al Ln(Residuos al LN(PBI

Año PBI Percapita PRONOSTICO Residuos LN(IBKFP)
desempleo (IBKFP) cuadrado cuadrado) PERCAPITA)

t y x1 x2 𝑌̂𝑡 u u^2 Ln(𝑢2) LN(x1) LN(x2)

2000 8.5 29461 8552 9.39 -0.89 0.79 -0.24 10.29 9.05
2001 9.3 28089 8480 9.50 -0.20 0.04 -3.25 10.24 9.05
2002 9.4 28145 8817 9.63 -0.23 0.05 -2.93 10.25 9.08
2003 9.4 29915 9061 9.55 -0.15 0.02 -3.73 10.31 9.11
2004 9.4 32335 9387 9.45 -0.05 0.00 -6.13 10.38 9.15
2005 9.6 36217 9851 9.25 0.35 0.12 -2.09 10.50 9.20
2006 8.5 43482 10465 8.77 -0.27 0.07 -2.60 10.68 9.26
2007 8.4 53626 11224 8.07 0.33 0.11 -2.20 10.89 9.33
2008 8.4 66440 12112 7.15 1.25 1.57 0.45 11.10 9.40
2009 8.4 60566 12103 7.73 0.67 0.44 -0.81 11.01 9.40
2010 8.0 76167 12979 6.53 1.47 2.17 0.77 11.24 9.47
2011 5.1 84518 13661 5.97 -0.87 0.76 -0.27 11.34 9.52
2012 4.7 97722 14311 4.91 -0.23 0.05 -2.92 11.49 9.57
2013 4.8 104660 14978 4.49 0.30 0.09 -2.39 11.56 9.61
2014 4.5 102337 15169 4.80 -0.27 0.07 -2.63 11.54 9.63
2015 4.4 98062 15501 5.37 -1.01 1.02 0.02 11.49 9.65
2016 5.2 92762 15954 6.09 -0.92 0.84 -0.18 11.44 9.68
2017 6.9 92960 16174 6.17 17 0.71 0.50 -0.68 11.44 9.69
 TABLA 04
DATOS PARA EL MODELO PARK DE DETECCION DE LA
HOMOCEDASTICIDAD

Y X1 X2
Ln(Residuos al LN(PBI
Año LN(IBKFP)
cuadrado) PERCAPITA)
t Ln(u^2) LN(X1) LN(X2)
2000 -0.24 10.29 9.05
2001 -3.25 10.24 9.05
2002 -2.93 10.25 9.08
2003 -3.73 10.31 9.11
2004 -6.13 10.38 9.15
2005 -2.09 10.50 9.20
2006 -2.60 10.68 9.26
2007 -2.20 10.89 9.33
2008 0.45 11.10 9.40
2009 -0.81 11.01 9.40
2010 0.77 11.24 9.47
2011 -0.27 11.34 9.52
2012 -2.92 11.49 9.57
2013 -2.39 11.56 9.61
2014 -2.63 11.54 9.63
2015 0.02 11.49 9.65
2016 -0.18 11.44 9.68
2017 -0.68 11.44 9.69

Esta tabla indica que el método PARK plantea una nueva

regresión donde:
 Y (Variable Dependiente) = Logaritmo natural de los errores
al cuadrado.
 X1(Variable Explicativa 1) = Logaritmo natural de la IBKFP.
 X2(Variable Explicativa 2) = Logaritmo natural del PBI
Percapita.

18
 Estimación Puntual de los parámetros de la regresión

Método matricial

PASO 01 Especificacion de las Matrices "X" e "Y"

1 10.29 9.05 -0.2

1 10.24 9.05 -3.3
1 10.25 9.08 -2.9
1 10.31 9.11 -3.7
1 10.38 9.15 -6.1
1 10.50 9.20 -2.1
1 10.68 9.26 -2.6
1 10.89 9.33 -2.2
X= 1 11.10 9.40 Y= 0.5
1 11.01 9.40 -0.8
1 11.24 9.47 0.8
1 11.34 9.52 -0.3
1 11.49 9.57 -2.9
1 11.56 9.61 -2.4
1 11.54 9.63 -2.6
1 11.49 9.65 0.0
PASO 02 Transpuesta de matrices "XT" e "YT" 1 11.44 9.68 -0.2
1 11.44 9.69 -0.7
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

XT = 10.29 10.24 10.25 10.31 10.38 10.50 10.68 10.89 11.10 11.01 11.24 11.34 11.49 11.56 11.54 11.49 11.44 11.44
9.05 9.05 9.08 9.11 9.15 9.20 9.26 9.33 9.40 9.40 9.47 9.52 9.57 9.61 9.63 9.65 9.68 9.69

YT = -0.2 -3.3 -2.9 -3.7 -6.1 -2.1 -2.6 -2.2 0.5 -0.8 0.8 -0.3 -2.9 -2.4 -2.6 0.0 -0.2 -0.7

PASO 03 multiplicacion de matrices "XTX" e "YTY" PASO 04 Matriz inversa "(XTX)-1"

740.27146343442 68.43181930563 -158.83417743871

(XtX)-1= 68.43181930562 7.26182986149 -15.77644549358

-158.83417743870 -15.77644549359 35.35824544383

PASO 05 calculo de la Matriz de los estimados B =(XTX)-1 *(XTY)

18 197 169
XTX = 197 2165 1852
169 1852 1585

-12.8800959
-31.813
T B= 2.37591831
X Y= -341.02387
-295.112415 -1.59013704

19
 Ahora el paso siguiente es probar la significancia de cada Ahora
a través de la herramienta del programa Excel calculamos los

Coeficientes valores Error típico Estadístico t Probabilidad

B0 -12.88009589 45.05646851 -0.285865633 0.778891003
B1 2.375918308 4.462566282 0.53241076 0.602239681
B2 -1.590137039 9.847069384 -0.161483278 0.87386775
parámetros y sus errores típicos y sus probabilidades.

Como el mismo método exige es necesario saber la significancia

y como se puede dar cuenta tanto el parámetro B1 y B2 NO son
significativos según su PROBABILIDAD ya que es mayor al 0.05
de significancia planteada para el modelo en sí.

Probabilidad 0.60223981 > 0.05= por lo tanto no

0.778891003 es significativo

0.602239681 0.87386775 > 0.05= por lo tanto no

es significativo
0.87386775

ESTO INDICA QUE EXISTE PRESENCIA DE

HOMOCEDASTICIDAD

Pero para tener una mayor certeza se procederá a REALIZAR

LAS PRUEBAS DE SIGNIFICANCIA INDIVIDUAL para los
parámetros B1 y B2 para ello realizaremos las pruebas de
hipótesis individual y compararemos para saber si son
significativos o no.

20
 Prueba de Hipótesis por Parámetros

A través de este análisis se busca conocer que si los parámetros

son significativos llegaríamos a la conclusión que no hay
homocedasticidad, caso contrario si se cumple este supuesto

Prueba de significancia del parámetro 𝑩𝟏 =2.375918308

 Hipótesis a probar
𝑯𝟎 : 𝑩𝟏 = 𝟎
𝑯𝟏 : 𝑩𝟏 ≠ 𝟎
 Significancia ∝ = 𝟎.05
 Valor crítico de la tabla T-Students
𝑇𝑇𝑎𝑏𝑙𝑎(∝
⁄2;𝑛−𝑘)=2.13

 Estadístico de prueba
̂ 𝟏 − 𝑩𝟏 2.375918308 − 0
𝑩
𝒕𝒄𝒂𝒍 = = = 0.53241076
𝒆𝒆(𝑩𝟏 ) 4.462566282

 Decisión:

𝒕𝒄𝒂𝒍 < 𝑇𝑇𝑎𝑏𝑙𝑎(∝⁄ ………………se acepta la 𝐻0 y se

2;𝑛−1)

rechaza 𝐻1 a un nivel de significancia de 0.05

 INTERPRETACIÒN: por lo tanto se concluye que el

parámetro B1 no es significativo y bajo esta prueba existe
HOMOCEDASTICIDAD

21
Prueba de significancia del parámetro 𝑩𝟐 = -1.590137039

 Hipótesis a probar
𝑯𝟎 : 𝑩𝟐 = 𝟎
𝑯𝟏 : 𝑩𝟐 ≠ 𝟎
 Significancia ∝ = 𝟎.05
 Valor crítico de la tabla T-Students
𝐓𝐓𝐚𝐛𝐥𝐚(∝⁄
𝟐;𝐧−𝐤)=𝟐.𝟏𝟑

 Estadístico de prueba
̂ 𝟐 − 𝑩𝟐
𝑩 −1.590137039 − 0
𝒕𝒄𝒂𝒍 = = = −0.161483278
𝒆𝒆(𝑩𝟐 ) 9.847069384

 Decisión:

𝒕𝒄𝒂𝒍 < 𝑇𝑇𝑎𝑏𝑙𝑎(∝⁄ ………………se acepta la 𝐻0 y se rechaza

2;𝑛−1)

𝐻1 a un nivel de significancia de 0.05

 INTERPRETACIÒN: por lo tanto se concluye que el parámetro

B2 no es significativo y bajo esta prueba existe
HOMOCEDASTICIDAD

22
 CONCLUSIONES

 En base al estudio teórico al supuesto de

homoscedasticidad se ha podido determinar cuál es el
criterio de VARIANZA CONSTANTE para determinar si hay
HOMOCEDASTICIDAD en un modelo de regresión múltiple.

 Se ha tomado en cuenta el trabajo de investigación del

modelo de la Tasa de Desempleo, inversión bruta de capital
fijo del sector Privado y el PBI Percapita del Perú de los años
2000 al 2017 para poder detectar el supuesto de
homodasticidad y así saber si estamos frente a un modelo
homocedastico o sea de varianza en los residuos constante.

 Al tener un modelo homocedastico esto va a permitir obtener

estimaciones o proyecciones en la Tasa desempleo más
confiables es decir se obtendrán resultados más precisos
esto aportaría en tomar mejores decisiones de las políticas
económicas del Perú.

 Se ha tomado en cuenta una especificación lineal lo cual

favorece al modelo ya que al estimarlo nos permite mejores
resultados en los residuos ya que según los métodos gráfico
y la prueba de PARK nos resulta que tenemos un modelo
homocedastico lo cual es beneficioso para este estudio
donde se trata de explicar la relación de Tasa de desempleo
on la IBKFP Y el PBI PERCAPITA.

 La homocedasticidad es importante para este modelo que

explica la relación del PBI Percapita y la Inversión privada
con la Tasa desempleo, ya que si tenemos los datos
correctos estos permitirán tener resultados confiables, lo cual
ayudaría a tener errores dispersos de manera constante y
las estimaciones serán más precisas para determinar una

23
 tasa desempleo más confiables lo cual ayudaría a tomar
mejores decisiones en la economía.

 Por medio de los métodos de detección de homocedasticidad

informales (método gráfico de dispersión y formales (método
de PARK) se ha logrado QUE EXISTE homocedasticidad en
el modelo de Estudio.

24
 BIBLIOGRAFIA

Guajarati & Damodar (2010); Econometría visitado el 20/11/2018;

Disponible en:
www.Ecomometriaa/econometria_-_damodar_n-_gujarati.pdf

BCRP (2000); Glosario de Términos; Web visitado el 20/11/2018;

Disponible en:
http://www.bcrp.gob.pe/publicaciones/glosario.html

25