Produccion de Cafe Econometria

Producción de café
PRESENTADO POR:
PRESENTADO A: Alberto Andy Barreto
FUNDACIÓN UNIVERSIDAD AUTÓNOMA DE COLOMBIA
FACULTAD DE CIENCIAS ECONÓMICAS ADMINISTRATIVAS Y

CONTABLES (FACEAC)
Bogotá julio 12 de 2018

Contenido
INTRODUCCIÓN .............................................................................................................................. 4
MARCO TEORICO ............................................................................................................................ 4
DESARROLLO DEL MODELO........................................................................................................ 5
PLANTEAMIENTO DE LA TEORÍA O HIPOTISIS ................................................................... 6
ESPECIFICACIÓN DEL MODELO MÁTEMATICO. ................................................................. 6
ESPECIFICACIÓN DEL MODELO ECONOMETRICO. ............................................................ 6
OBTENCIÓN DE DATOS. ............................................................................................................ 7
ESTIMACIÓN DEL MODELO ECONOMÉTRICO. .................................................................. 11
ESTIMACIÓN DEL MODELO POR MINÍMOS CUADRADOS ORDINARIOS..................... 14
PRUEBA DE NORMALIDAD. ................................................................................................... 19
PRUEBA DE MULTICOLINEALIDAD. .................................................................................... 22
PRUEBA DE HETEROCESADSTICIDAD. ............................................................................... 29
Test Breusch-Pagan-Godfrey .................................................................................................... 31
Test de White. ........................................................................................................................... 34
PRUEBA DE AUTOCORRELACIÓN. ....................................................................................... 36
Prueba Durbin-Watson. ............................................................................................................. 38
Prueba de Breusch-Godfrey ...................................................................................................... 40
CORRECIÓN DEL MODELO. .................................................................................................... 42
PRUEBA DE NORMALIDAD CON LA CORRECCIÓN. ......................................................... 49
PRUEBA DE HETEROCEDASTICIDAD CON LA CORRECCIÓN. ....................................... 53
Test de Breusch-Pagan-Godfrey ............................................................................................... 54
Test de White ............................................................................................................................ 55
PRUEBA DE AUTOCORRELACIÓN CON LA CORRECCIÓN. ............................................. 57
Prueba Durbin-Watson. ............................................................................................................. 57
Prueba de Breusch-Godfrey ...................................................................................................... 58
ESTIMACIÓN DE LOS PARÁMETROS.................................................................................... 60
INTERPRETACIÓN DE LOS PARÁMETROS. ..................................................................... 64
PENDIENTES................................................................................ Error! Bookmark not defined.
Interpretación de las pendientes ................................................. Error! Bookmark not defined.
ELASTICIDADES ......................................................................... Error! Bookmark not defined.
Interpretación de elasticidades ................................................... Error! Bookmark not defined.
INFERENCIA ESTADÍSTICA. ................................................................................................... 67
PRUEBAS DE HIPOTES DE SIGNIFICANCIA .................................................................... 69
PRUEBAS DE HIPOTESIS INDIVIDUALES ........................................................................ 73
PRUEBAS DE HIPOTESIS SIMULTANEANAS ................................................................... 79
PRUEBA F. ................................................................................ Error! Bookmark not defined.
INTERVALOS DE CONFIANZA ............................................ Error! Bookmark not defined.
Interpretaciones de los intervalos ............................................... Error! Bookmark not defined.
PRONOSTICOS ............................................................................ Error! Bookmark not defined.
PRONOSTICOS DE MEDIA E INDIVIDUALES ....................... Error! Bookmark not defined.
POLITICAS DE CONTROL ......................................................... Error! Bookmark not defined.
CONCLUSIONES ............................................................................................................................ 80
Bibliografía ....................................................................................................................................... 80
Índice de referencias
Ilustración 1 Gráfico realizado en Eviews, elaboración propia. ___________________________________ 8
Ilustración 2Gráfico realizado en Eviews, elaboración propia. ____________________________________ 9
Ilustración 3Gráfico realizado en Eviews, elaboración propia. ___________________________________ 10
Ilustración 6Gráfico realizado en Eviews, elaboración propia. ____________ Error! Bookmark not defined.
Ilustración 7 realizada en Eviews, elaboración propia. __________________ Error! Bookmark not defined.
Ilustración 8 realizada en Eviews, elaboración propia. _________________________________________ 19
Ilustración 9 Grafico creado en Minitab Elaboración propia ____________________________________ 21
Ilustración 10 Gráfico realizado en Eviews, elaboración propia. _________________________________ 22
Ilustración 11realizada en Eviews, elaboración propia. _________________________________________ 31
Ilustración 12 realizada en Eviews, elaboración propia. ________________________________________ 33
Ilustración 18 realizada en Eviews, elaboración propia. _________________ Error! Bookmark not defined.
Ilustración 30 Grafico realizada en Excel, elaboración propia. ____________ Error! Bookmark not defined.
Ilustración 31 Grafico realizado en Excel, elaboración propia. ____________ Error! Bookmark not defined.
Ilustración 32 Grafico realizada en Excel, elaboración propia. ___________ Error! Bookmark not defined.
INTRODUCCIÓN
A través de los años Colombia se ha caracterizado por ser un país poseedor de grandes
recursos naturales, por lo tanto, su economía se basa en la extracción de los recursos para
ser transformados Y exportados; a pesar de tener los recursos su producción no es elevada y
las técnicas de extracción y producción no cuentan con tecnología para hacerlas eficientes,
ni se cuenta con la innovación para transformar los productos originados, es por ello que las
exportaciones son solo de materia prima. Esto a llevando a que el país sea mono exportador
en ciertos periodos. Uno de esos productos que más ha impulsado a la industria nacional es
el café. Este ha sido uno de los pocos productos que se tiene registro de exportación antes
de la guerra de los mil días, y ha tendió bastante relevancia en la económica nacional desde
las la época colonial. Por lo tanto un análisis cuantitativo es necesario para este producto, es
ineludible determinar cómo es su comportamiento en cuanto a la produccion y cuáles
pueden ser esos aspectos que las pueden afectar. Esta necesidad ha resultado en este
documento donde se intentara crear un modelo econométrico con datos desde la última
crisis cafetera vivida por el país para saber desde la teoría microeconómica como se
encuentra 10 años después de esa crisis el sector que en momentos históricos del país ha
dejado grandes ganancias en el territorio nacional.
MARCO TEORICO
Las exportaciones del café colombiano en los últimos años han disminuido de gran forma
por diferentes tipos de factores, como el precio interno, el precio externo y la producción,
estas disminuciones comenzaron aproximadamente desde la última bonanza cafetera dada
por las heladas de Brasil y por la crisis mundial. Esta última es uno de los factores más
importantes, pues ha llevado al abandono de la actividad por parte de los productores
colombianos.
Antes de la crisis Colombia y Brasil eran considerados como los mayores exportadores de
café suave (arábigos) a nivel mundial seguido por Vietnam con el café robusto. Sin
embargo, con la entrada de la crisis en el año 2000 debido al exceso de oferta de café en el
mercado mundial, disminuyendo los precios internacionales. Por lo tanto Colombia y Brasil
comenzaron a disminuir de manera significativa sus producciones pasando a ser del 10% y
del 35% agilar(2003) afirma que “De todas formas, la participación del robusta no ha
podido pasar del 35% o 40% en la mezcla final del café para el consumidor final”
Respectivamente, además las técnicas de producción en cada países son diferentes, las de
Colombia implican un proceso más largo, por lo cual sus costos aumenten, haciendo que
sean más altos que el precio externo y provocando grandes pérdidas dentro del sector y
llevando a no poder abarcar parte del mercado mundial.
Al inicio del año 2000 la crisis provoco una intervención del gremio colombiano (fondo
nacional de cafeteros) mediante la renovación de cafetales y con subsidios para lograr una
estabilización del precio interno para obtener ganancias con las ventas del café a nivel
internacional.
En este documento se desea explicar cómo las exportaciones y el precio del café y el
precio del te pueden explicar la produccion de café colombiano. Partiendo de la teoría
microeconómica, en un modelo de oferta. Se realizara el estudio con dichas variables,
puesto que la dependencia de las exportaciones con respecto al precio internacional del café
es vital para explicar la oferta del mismo, por otro lado, la producción se vuelve importante
en el análisis, porque si no existe un inventario en stock del bien no se podrá exportar, por
último la tasa representativa del mercado mide la cantidad de pesos colombianos que se
deben dar por un dólar, ya que el precio externo para la venta del café esta dado en dólares
y es un indicador de competencia mediante los precios. Por lo tanto se pretende realizar un
modelo econométrico, en donde se expliquen las variables que afectan las producción
colombianas del café desde el año 2008 hasta el año 2017, y se muestre las variaciones de
las exportaciones, dependiendo de las variables anteriormente mencionadas, se realizara
mediante inferencia estadística, pronósticos y predicciones para captar los aspectos más
relevantes, de la relación de las exportaciones de café con respecto a variables del mercado.
Este modelo se realizara siguiendo cada uno de los supuestos de una regresión de mínimos
cuadrados ordinarios y siguiendo la metodología econométrica tradicional o clásica.
DESARROLLO DEL MODELO

PLANTEAMIENTO DE LA TEORÍA O HIPOTISIS
Las exportaciones de café siempre han tenido un comportamiento desconocido al largo del
tiempo pero en este documento se explorara la hipótesis de que su conducta desde la crisis
del 2008 hasta el año 2017 ha sido una forma funcional planteada por los autores
ESPECIFICACIÓN DEL MODELO MÁTEMATICO.

Como se puede ver en el punto anterior, se especifica que el modelo tenga una forma
funcional Cobb-Douglas:
𝛽 𝛾
𝑌 = 𝐴𝑒 𝛼𝑋1 𝑋2 𝑋3
Donde:
 𝑌 Es la produccion.
 𝑋1 son las exportaciones.
 𝑋2 es el precio representativo del cafe.
 𝑋3 es el precio del te.
 𝛼, 𝛽 y 𝛾 serán los paramentos que explicaran las elasticidades.
ESPECIFICACIÓN DEL MODELO ECONOMETRICO.

Debido a que el análisis econométrico de este modelo se hará con el método de mínimo
cuadrados ordinarios, este exige que los parámetros a estimar (𝛼, 𝛽 y 𝛾) estén expresados de
forma lineal, para esto trasformaremos la ecuación matemática con logaritmos naturales.
De esta forma podemos convertir los parámetros de forma lineal.
𝛽 𝛾
𝐿𝑛(𝑌) = ln(𝐴𝑒𝛼𝑋1 𝑋2 𝑋3 )
Mediante las propiedades de los logaritmos se puede expresar el producto como una
sumatoria
𝛽 𝛾
Ln Y = ln 𝐴 + 𝛼𝑋1 + ln 𝑋2 + ln 𝑋3
Adicionalmente por las mismas propiedades los exponentes de los términos ahora pueden
bajar y multiplicar las variables.
Ln Y = ln 𝐴 + 𝛼𝑋1 + β ln 𝑋2 + γ ln 𝑋3
Ahora haciendo realizando algunas igualdades como:
 ln 𝐴 = 𝛽1
 𝛼 = 𝛽2
 𝛽 = 𝛽3
 𝛾 = 𝛽4
Ya con esta función logarítmica las igualdades se pueden realizar un modelo de regresión
lineal.
Ln 𝑌𝑡 = 𝛽1 + 𝛽2 𝑋𝑡 1 + β3 ln 𝑋𝑡 2 + 𝛽4 ln 𝑋𝑡 3 + 𝑢𝑡
Donde 𝑌𝑡 son las exportaciones mensuales expresadas en millones de dólares, 𝑋𝑡 1 son los
precios internacionales del café mensual medido en centavos de dólar, 𝑋𝑡 2 es la
producción de café mensual indicado en miles de sacos y 𝑋𝑡 3 es la tasa representativa del
mercado mensual medida en pesos colombianos. Además de agregar el termino 𝑢𝑡 para
expresar los errores que tenga el modelo. Es de aclarar que el sub índice t es para expresar
el tiempo donde se encuentra el dato.
Para la regresión se pretenden usar datos mensuales que parten del primer mes del año
2008 hasta agosto de del 2017 lo cual suma un total de 120 datos.
OBTENCIÓN DE DATOS.
La obtención de los datos para este modelo de regresión lineal fue extraída de las
estadísticas históricas del fondo nacional de cafeteros (FNC) para el caso de los datos
relacionados con la producción y la exportación del café y a index mundi para el precio del
té en el mercado. En cuanto al precio del café se usaran los precios indicativos de la
organización internacional del café (OIC) que también está disponible en el histórico de la
FNC. En total se consiguieron 120 datos mensuales que van desde enero del 2008 a
diciembre del 2017.
Los datos muestran el siguiente comportamiento atreves del tiempo

1. Produccion:
Ilustración 1 Gráfico realizado en Eviews, elaboración propia.
2. Exportaciones:
Ilustración 2Gráfico realizado en Eviews, elaboración propia.
En esta serie no se nota sucesos inusuales que puedan afectar la regresión y se

puede aclarar que para ser los precios de un bien regidos por el mercado no presenta
gran volatilidad.
3. Precio:
4. Precio del té:

ESTIMACIÓN DEL MODELO ECONOMÉTRICO.
Como anteriormente se especificó, se usara el método de mínimo cuadrados ordinarios para
estimar el modelo, pero se aclarara que es este modelo y su forma de cálculo es mediante el
álgebra matricial.
El cálculo de los todos los betas (𝛽𝑖 ) se realiza por el criterio matemático de la
minimización de la suma de errores al cuadrado del modelo es así que en las ecuaciones
matriciales se puede mostrar que:
𝑈 = 𝑌 − 𝑌̂ = 𝑌 − 𝑋𝛽̂
Donde U es la matriz de errores, Y es la matriz de datos de la variable dependiente o

regresada (en nuestro caso las exportaciones), X es una matriz compuesta por las variables
regresoras (el precio internacional, producción y TRM) y una columna de 1. Por último, 𝛽̂
es la matriz de betas que deseamos calcular. Para eso se aclaró que lo que se quería
optimizar era la suma de cuadrados, para eso señalaremos que en el álgebra matricial
siempre se cumple una condición y que es la que se ocupa en nuestro estudio la cual es:
𝑛 𝑢1
∑ 𝑢𝑖2 = [𝑢1 𝑢2 𝑢3 … … . 𝑢𝑛 ] ∗ [ ⋮ ]
𝑖=1 𝑢𝑛
Esto quiere decir que la sumatoria de los residuos al cuadrado es igual a la traspuesta de la
matriz de errores por ella misma, con esto se puede formar la ecuación matricial a derivar la
expresión:
𝑈 ′ 𝑈 = (𝑌 − 𝑋𝛽̂ )′(𝑌 − 𝑋𝛽̂ )

𝑈 ′ 𝑈 = 𝑌 ′ 𝑌 − 𝑌 ′ 𝑋𝛽̂ − 𝛽̂ ′ 𝑋 ′ 𝑌 + 𝛽̂ ′ 𝑋 ′ 𝑋𝛽̂
𝑈 ′ 𝑈 = 𝑌 ′ 𝑌 − 2𝛽̂ ′ 𝑋 ′ 𝑌 + 𝛽̂ ′ 𝑋 ′ 𝑋𝛽̂
Ahora se deriva la última ecuación matricial con respecto a la matriz 𝛽̂ :
𝑑𝑈
= −2𝑋 ′ 𝑌 + 2𝑋 ′ 𝑋𝛽̂ = 0
𝑑𝛽̂
Despejando la matriz betas se obtiene:
𝛽̂ = (𝑋 ′ 𝑋)−1 (𝑋 ′ 𝑌)
Con esta última igualdad se podrá estimar los betas que minimicen los errores al cuadrado.
Ahora bien por motivos de practicidad se usura el software eviews para calcular cada
matriz que hace parte de la última igualdad, además de especificar las sentencias usadas
para calcular la misma.
Como se mencionó anteriormente se obtuvieron 120 datos que abarcan un plazo en el lapso
de tiempo desde del año 2008 hasta agosto del 2017 y recordando la especificación del
modelo el cual es:
Ln 𝑌𝑡 = 𝛽1 + 𝛽2 𝑋𝑡 1 + β3 ln 𝑋𝑡 2 + 𝛽4 ln 𝑋𝑡 3 + 𝑢𝑡
Por tanto se deben transformar las series originales a logaritmos naturales para poder
integrarlo en el modelo.
Para especificar todos los cálculos se harán en el software econométrico Eviews 8 donde se
mostrara las sentencias y menús para las pruebas y estaciones.
Ya subida las series en el software se trasforman todas las series a logaritmos, inicialmente
los datos se ven así:
Tabla 1realizada en Eviews, elaboración propia.
En este caso hemos llamado a las series ‘exportaciones’ para las exportaciones, ‘lprecio’
para el precio representativo del café y ‘lte para el precio del cafe. Un análisis grafico se
puede realizar en el software y apreciamos lo siguiente:
ESTIMACIÓN DEL MODELO POR MINÍMOS CUADRADOS ORDINARIOS

Una vez desestacionalizadas las series se puede comenzar con la estimación matricial del
modelo, en donde se estimaran los betas muéstrales, utilizando la formula descrita
anteriormente:
𝛽̂ = (𝑋 ′ 𝑋)−1 (𝑋 ′ 𝑌)
Para comenzar estimar esta ecuación se creó un grupo en el programa eviews con las
variables explicativas, utilizando la siguiente sentencia:
Group g1 1 exportaciones log(precio) log(te)
Además se debe crear la matriz de este grupo y la matriz de la variable dependiente,

mediante los siguientes comandos:
matrix x=g1
matrix y=expor_des
Dejando las matrices de la siguiente forma:
Tabla 2realizada en Eviews, elaboración propia..

Se continua realizando las operaciones indicadas en las ecuaciones matriciales de acuerdo
con la fórmula planteada, primero se realiza la multiplicación de X traspuesta por X (𝑋𝑡𝑋)
continuado con el cálculo de la inversa y en segundo lugar se realiza la multiplicación de X
transpuesta Y. en tercer lugar se realiza la multiplicación de la inversa de X transpuesta X
por X transpuesta Y para la estimación de los betas, mediante las siguientes sentencias en el
programa.
matrix xtx=@transpose(X)*X
Tabla 3 realizada en Eviews, elaboración propia.
matrix inverxtx=@inverse(xtx)
matrix xty=@transpose(x)*y
matrix betas=inverxtx*xty
Tabla 6 realizada en Eviews, elaboración propia..
Siendo los últimos los betas estimados, y se comprueban mediante el ESTIMATE en

eviews, el cual se ejecuta con la siguiente sentencia.
ls log(produccion) c exportaciones log(precio) log(te)
Ilustración 6 realizada en Eviews, elaboración propia.
Antes de llegar a las inferencias estadísticas, se debe comprar que el modelo cumpla con los
cuatro principales supuestos para la inferencia de los mínimos cuadrados ordinarios. Es por
ello que se necesita cuatro pruebas, la primera es la prueba de normalidad en donde los
datos deben tener forma normal, la segunda es la prueba de multicolinealidad en donde se
detecta que tan asociadas están las variables explicativas entre ellas, la tercera prueba es la
de heterocedasticidad en ella se busca determinar que la varianza de los errores sea
constante a través del tiempo y por último la cuarta prueba es la de autocorrelación en
donde se determina que los errores no este relacionados entre ellos.
PRUEBA DE NORMALIDAD.
El supuesto de normalidad en los errores es de gran importancia, pues con ello se puede
realizar toda la inferencia estadística, además se suponer que la suma de los errores es igual
a cero y su desviación estándar es uno. Para saber si los datos se encuentran dentro de una
distribución normal con estas características se necesita realizar una prueba de normalidad
llamada Jacques Berra. Que mide la asimetría y la Curtosis, basándose en la siguiente
formula:
∑𝑛𝑖=1 𝑢3
𝑆= 𝑛
𝜎𝑢3
Donde s es la simetría, y representa La sumatoria de los errores al cubo desde uno hasta n
sobre n, todo divido sobre la desviación estándar de los errores elevados al cubo.
∑𝑛𝑖=1 𝑢4
𝐾= 𝑛
𝜎𝑢4
Donde k es la simetría, y representa La sumatoria de los errores con potencia 4 desde uno
hasta n sobre n, todo divido sobre la desviación estándar de los errores elevados a la potencia
4.
Estas dos fórmulas son utilizadas para hallar el estadístico de prueba Jacques Berra, el cual
se estima mediante la siguiente formula.
𝑠 2 (𝑘 − 3)2
𝐽𝐵 = 𝑛 [ + ]
6 24
Una vez se haya obtenido el valor del jacques Berra x2 (chi-cuadrado) en donde se utilizaran
2 grados de libertad.
Si el Jacques Berra es: 𝐽𝐵 < 𝑋 2 𝑐𝑟𝑖𝑡𝑖𝑐𝑜 se acepta la hipótesis nula de que los errores del
modelo se encuentran con una distribución normal.
Realizando esta prueba de normalidad en el programa eviews con 120 muestras: Se puede
observar en el histograma de frecuencia que los datos no siguen una distribución normal
porque sus barras están muy dispersas, y se evidencia que hay barras muy altas, dejándonos
saber que la Curtosis es elevada, además la simetría es negativa.
Y por el método de Jacques Berra se puede demostrar que no existe normalidad dentro del
modelo con 120 datos, porque el estadístico de prueba es igual a 33.51 y el valor crítico de
la distribución es de 5.991 por lo tanto se rechaza la hipótesis nula de que los errores del
modelo tengan una distribución normal. También en este test se evidencia que la media se
acerca a cero pero la desviación estándar está lejana de 1. Además de tener una Curtosis
Leptócurtica en donde la Curtosis es mayor a 3 indicando que la mayoría de los datos se
encuentran ubicados en la media, dejando claro que la altura de la distribución es muy alta.
Gráfica de distribución
Chi-cuadrada; df=2
0,5
0,4
Densidad
0,3
0,2
0,1
0,05
0,0
0 5,991
X
Ilustración 7 Grafico creado en Minitab Elaboración propia

Ilustración 8 Gráfico realizado en Eviews, elaboración propia.
PRUEBA DE MULTICOLINEALIDAD.
Anteriormente se había mencionado la existencia de un problema que dificulta la
inferencia de los parámetros del modelo, este se le conoce como multicolinealidad. El
problema refiere a una conexión o relación entre las variables regresoras. Por lo tanto si
existe multicolinealidad perfecta los parámetros no podrán ser estimados de forma
matricial, pero existen varias formas de multicolinealidad entre las cuales se encuentran
baja, moderada, alta y muy alta.
Sin embargo ¿cómo afecta la multicolinealidad a la inferencia del modelo? La respuesta es

extensa pero se puede resumir en el hecho de que la multicolinealidad afecta a las varianzas
de los parámetros 𝛽̂ haciendo que estas sean mucho mayor a lo que deberían ser, lo anterior
llevara a afectar la estadística aplicada a los coeficientes y por ende se cometerá errores de
tipo II1
Un síntoma claro de la existencia de multicolinealidad se da al observar que el coeficiente

de relación lineal sea alto (R2) y que las variables no sean significativas (que no puedan
explicar el modelo) por lo tanto sería ilógico que al verse una relación alta y que las
variables probablemente no pertenezcan a la explicación que se quiere dar no existiera
algún problema. En nuestro caso pudimos observar este síntoma no está presente debido a
que el R2 es alto pero las variables son significativas (vea la tabla estimación).
Estadísticamente, el problema se ve relacionado de la siguiente forma:
(𝑐𝑜𝑣 𝑋𝑖 |𝑋𝑗 ) = 0
Que la correlación entre las variables sea 0.
Para detectar este problema existen muchos métodos, pero en este documentos aplicaremos
dos, primero, el método de matriz de correlación y segundo, el método de valores propios
que se estudian en la algebra matricial.
1
El error tipo II refiere a aceptar o rechazar (en términos estadísticos) una afirmación que puede ser o no
verdadera.
La matriz de correlación es un conjunto de R organizados de forma sistemática donde se
muestran las relaciones entre variables sacadas de regresiones auxiliares entre las variables
explicativas quedando de esta forma:
1 𝑟12 𝑟13
𝑅 = [𝑟21 1 𝑟23 ]
𝑟31 𝑟32 1
Por ejemplo el número que se encuentra en el elemento 1,2 es coeficiente de determinación

lineal encontrada en una regresión auxiliar donde la variable dependiente es X1 e
independiente será X2.
No realizaremos cada regresión auxiliar en el modelo ya que eviews 8 nos permite observar
esta matriz a partir de un menú integrado en el software, para acceder a ese menú se elabora
un grupo con las variables regresoras y se entra al menú view y después a covariance
analysis hay aparecerá otro cuadro y sencillamente le damos ok. Hay parecerá la matriz de
relaciones.
Como se puede observar la relación entre una y otra variables se encuentra entre moderada
y baja, sin embargo esta prueba no es del todo confiable ya que solo analiza parejas de
variables y no todas las variables además de que puede mostrar una tendencia más que una
relación.
La segunda prueba es más verídica pero más ardua de elaborar se trata de encontrar los
valores propios de la matriz X. para hallar el número de condición (K) y el índice de
condición (IP):
𝑉𝑎𝑙𝑜𝑟 𝑝𝑟𝑜𝑝𝑖𝑜 𝑚𝑎𝑥𝑖𝑚𝑜
𝐾= , 𝐼𝑃 = √𝐾
𝑉𝑎𝑙𝑜𝑟 𝑝𝑟𝑜𝑝𝑖𝑜 𝑚𝑖𝑛𝑖𝑚𝑜
Donde K debe estar en 100 y 1000 para determinar multicolinealidad entre moderada y alta,
por otro lado IP debe estar entre 10 y 30 para cumplir los mismos requisitos anteriores.
Para encontrar estos valores de debe armar un grupo con las variables en la serie de 1 (las
series que incluiremos acá son las sin logaritmos ya que queremos saber si la correlación está
en la serie original no en sus logaritmos) y ejecutamos la siguiente sentencia:
Sym XTX=@inner(g1)
Como se puede apreciar esta matriz simétrica es idéntica a la matriz X traspuesta X (solo
que pare eviews esta matriz si es simétrica)
Seguido se obtiene un vector con los valores propios de esta matriz con la siguiente
sentencia:
Vector VP=@eigenvalues(XTX)
Según esto existiría un multicolinealidad más que alta (casi perfecta), no obstante pareciera
negar la afirmación de la matriz de correlaciones, ¿entonces hay algo mal? Efectivamente la
prueba está incompleta porque falta la normalización de la matriz. Esto se hace dividiendo
la matriz simétrica XTX por la raíz de la matriz diagonal de ella misma
En eviews se realiza de la siguiente forma, con las siguientes sentencias:
Vector diag=@getmaindiagonal(XTX)
Le pedimos a eviews 8 que extraiga la diagonal de la matriz XTX, después hallamos la raíz
de esa diagonal:
Vector rdiag=sqr(diag)
Después se arma una matriz diagonal con este vector que acabamos de encontrar con la
siguiente sentencia.
Matrix AS=@makediagonal(rdiag)
Realizado esto se encuentra la inversa de este matiz, para acabar de normalizar.
Matrix S=@inverse(As)
En este punto volvemos a calcular la matriz simétrica y sus valores propios
SYM XTXN=S*XTX*S
Vector Vp1=@Eigenvalues(Xtxn)
Como se puede apreciar en este caso vemos valores más lógicos y si se realiza la división
se obtiene que K= 85.83 y la raíz es de IC= 9.26 lo que nos indica que no hay
multicolinealidad baja en las series originales (sin logaritmos). En este caso se concluirá
que hay existencia este problema, pero se pobra seguir trabajando, debido a que no es una
multicolinealidad muy alta.
PRUEBA DE HETEROCESADSTICIDAD.
En los supuestos de mínimos cuadrados ordinarios, los errores del modelo son
homocedásticos a través del tiempo, es decir que las varianzas de las perturbaciones son
iguales para todas las variables en el tiempo.
𝐸(𝑢𝑖2 ) = 𝜎𝑖2 2
Para determinar si el en el modelo las varianzas de las perturbaciones son las mismas se
realizaran dos pruebas, entre estas se encuentran los test de Breusch-Pagan-Godfrey y el test
de White.
Antes de comenzar a realizar los test, se necesita evaluar gráficamente si el modelo de las
exportaciones de café tiene sus varianzas iguales con 212 datos. Para ello en el programa de
eviews se necesita crear los residuos de la regresión, mediante el ESTIMATE, pero estos
deben ser elevados al cuadrado para eliminar los valores negativos que puedan afectar el
análisis. Para ello se usa la siguiente sentencia:
series u2=residuos_u*residuos_u
2
(Danomar n, 2010) Página 365 ecuación (11.1.2)
Una vez creadas, se procede a realizar un grupo en donde la variable regresada son los
residuos al cuadrado y las regresaras son todas las variables incluido las exportaciones. Para
poder hacerlas graficadas, Y así averiguar si existe un patrón que está relacionado
directamente con el residuo al cuadrado. En este caso los residuos estimados con respecto a
cada una de las variables, se puede observar que no tienen un patrón sistemático
relacionado entre ellas, además dentro de cada grafica se encuentra dos puntos atípicos que
pueden ser los generadores de heterocedasticidad, aunque la gráfica sugiere que el modelo
puede ser homocedásticos.
Ilustración 9realizada en Eviews, elaboración propia.
Test Breusch-Pagan-Godfrey
Esta prueba ayuda a determinar si en el modelo de regresión lineal de las exportaciones de
café, la varianza estimada de los residuos depende de las variables independientes.
Para estimar esta prueba se necesita la identificación del modelo con 3 variables.
𝑌𝑖 = 𝛽1 + 𝛽2 𝑋2𝑖 + 𝛽3 𝑋3𝑖 + 𝛽4 𝑋4𝑖 3
Suponiendo que la varianza del error es de la siguiente forma:
𝜎 2 = 𝑓(𝛼1 + 𝛼2 𝑍2𝑖 + 𝛼3 𝑍3𝑖 + 𝛼4 𝑍4𝑖 )4
Siendo las variables z no estocásticas. Y la 𝜎 2 Es una función lineal de las variables z si:
𝛼1 = 𝛼2 = 𝛼3 = 𝛼4 = 0
Para realizar esta prueba es necesario hallar los residuos y sacar la suma de los residuos al
cuadrado dividido sobre n, siendo un indicador de máxima verosimilitud, además para
correr la regresión es necesario construir una variable p, que son los residuos al cuadrado
divido por las varianzas; una vez realizado este paso se procede a realizar la estimación
con la variable p de la siguiente forma:
𝑝 = 𝑓(𝛼1 + 𝛼2 𝑍2𝑖 + 𝛼3 𝑍3𝑖 + 𝛼4 𝑍4𝑖 + 𝑣𝑖 )
Si los residuos se encuentran normalmente distribuidos se demuestra que hay

homocedásticidad.
A continuación se presenta el test de Breusch-Pagan-Godfrey en el programa eviews.
3
(Danomar n, 2010) Página 358 ecuación(11.5.12)
4
(Danomar n, 2010) Página 385 Ecuación(11.5.13)
En donde se puede observar que no hay presencia de heterocedasticidad, porque la

regresión ejecutada con la variable dependiente p que son los residuos elevados al cuadrado
divido la varianza en cada uno, demostrando que las variables independientes no son
significativas dentro del modelo, lo que permite detectar que estas variables no son las
causantes del problema, además se realiza una prueba de hipótesis con el estadístico F en
donde se plantea como hipótesis nula que todas las variables z son iguales a 0 y una
hipótesis alternativa en donde las variables son diferentes de 0. Por lo tanto si se acepta la
hipótesis nula no se tendría presencia de heterocedasticidad.
𝐻0 : 𝑍 = 𝑂
𝐻𝐴 : 𝑍 ≠ 𝑂
Esta prueba se realiza con un nivel de significancia del 5% y con grados de libertad v1=3 y
v2=120 en donde el f calculado es igual a 2.72 y la probalidad de la distribución F es de
0.04 es menor a 0.05 por lo tanto se puede rechazar la hipótesis nula de que las variables Z
sean iguales a 0. Determinando que en el modelo de la produccion de café cuenta con el
problema de heterocedasticidad.
Test de White.
Estas es otra prueba para determinar si el modelo de regresión lineal de las exportaciones de
café tiene heterocedasticidad, y consiste en efectuar la estimación del modelo con la variable
dependiente de los residuos elevados al cuadrado, en vez de las exportaciones; considerando
el modelo de regresión con cuatro variables:
𝑌𝑖 = 𝛽1 + 𝛽2 𝑋2𝑖 + 𝛽3 𝑋3𝑖 + 𝛽4 𝑋4𝑖 5
Para la estimación de esta prueba se halla los residuos elevados al cuadrado para correr la
estimación con los residuos como variable dependiente y como variables regresadas se
utilizan las variables originales X sobre su valores al cuadrado y sobre el producto de todos
los valores cruzados de la siguiente forma:
𝑢̂𝑖2 = 𝛼1 + 𝛼2 𝑋2𝑖 + 𝛼3 𝑋3𝑖 + 𝛼4 𝑋4𝑖 + 𝛼5 𝑋2𝑖

2 2
+ 𝛼6 𝑋3𝑖 2
+ 𝛼7 𝑋4𝑖 + 𝛼8 𝑋2𝑖 𝑋3𝑖 + 𝛼9 𝑋2𝑖 𝑋4𝑖
+ 𝛼10 𝑋3𝑖 𝑋4𝑖 + 𝑉1
Esta distribución es utilizada con una prueba chi-cuadrada, obteniéndose el valor calculado
del producto del número de observaciones multiplicado por el R-cuadrado:
𝑛 ∗ 𝑅 2 ~𝑋 2 𝑔𝑙
En donde si el valor calculado excede el valor obtenido en la tabla con los correspondientes
grados de libertad se rechaza la hipótesis nula de que el modelo sea homocedástico.
A continuación se realiza en el modelo de las exportaciones de café colombiano el test de

White para detectar si se tiene heterocedasticidad. Esta prueba se realiza con las variables
5
(Danomar n, 2010) Página 358 ecuación(11.5.12)
originales, la variable elevada al cuadrado y los términos cruzados dejando como resultado
nueve variables explicativas.
Se puede observar que la regresión se corrió con la variable dependiente de los residuos
elevados al cuadrado y nueve variables explicativas en donde su probabilidad indica que
todas no son significativas dentro del modelo, por lo tanto ninguna de estas es la principal
causante de heterocedasticidad.
Por otra parte se plantean dos pruebas estadísticas con la distribución F y Chi- cuadrado
para determinar si el modelo presenta el problema de heterocedasticidad. Estos estadísticos
nos ayudan a relazar una prueba de hipótesis la cual es:
𝐻0 : 𝛼1 = 𝛼2 = 𝛼3 = ⋯ = 0
𝐻𝐴 : 𝛼1 ≠ 𝛼2 ≠ 𝛼3 ≠ ⋯ ≠ 0
Lo que se puede traducir que si todas las variables son iguales a 0 o si al menos una es la
que genera la heterocedasticidad, como se puede ver que la probabilidad del F-estadístico
es mayor a 0.05 especifica que se rechaza la hipótesis nula, por lo tanto parece haber
heterocedasticidad.
PRUEBA DE AUTOCORRELACIÓN.
La autocorrelación es uno de los problemas más serios que puede tener los errores debido a
que directamente afecta la varianza de los coeficientes estimados. Por lo tanto, interfiere
con la inferencia de modo directo. El problema de autocorrelación se puede presentar por
varias causas, una de ellas es la especificación del modelo, pero como se vio en el
planteamiento, esto puede ser poco probable pero será demostrado con una prueba
estadística más adelante.
Este problema consiste en que los errores del modelo dependen del error anterior
mostrando una interdependencia entre ellos lo cual hace que las varianzas sean sobre
estimadas y llevando a errores estadísticos de tipo II. En términos matemáticos se puede
expresar que:
(𝑐𝑜𝑣 𝑢𝑖 |𝑢𝑗 ) = 0 𝑖 ≠ 𝑗 6
Una forma de detectar si existe autocorrelación en los residuos del modelo es graficar los
errores contra los errores rezagados a la n, si se ve algún tipo de patrón es por
6
(Danomar n, 2010) Página 66, Ecuación (3.2.5)
efectivamente existe autocorrelación entre leve y alta, de lo contrario, puede que no exista
autocorrelación y solo sea ruido blanco7. En nuestro caso podemos ver lo siguiente:
En la gráfica se puede evaluar que no existen rastros de un una tendencia y lo único que se
puede ver es ruido blanco, sin embargo la gráfica es una prueba muy subjetiva de la
existencia de autocorrelación.
Para observar con más seriedad si existe autocorrelación, se deben realizar dos pruebas, la
primera será obtener el estadístico Durbin-Watson que mostrara la existencia de correlación
7
Con ruido blanco se quiere hacer referencia a que los errores están empleados de forma estocástica y lo
único que se apreciara en las gráficas será una nube de puntos
serial de grado 1, la segunda prueba es la de Breusch-Godfrey que puede mostrar auto
correlaciones de grado n.
Prueba Durbin-Watson.
Para empezar es necesario como se calcula el estadístico Durbin-watson, este valor se
calcula a partir de la siguiente formula:
∑𝑛𝑡=2(𝑢̂𝑡 − 𝑢̂𝑡−1 )2
𝑑= 8
∑𝑛𝑡=1 𝑢𝑡2
El estadístico funciona por intervalos, donde ciertos límites están dados por tablas como si
fuera una distribución estadística, los limites darán el criterio para rechazar o no la
siguiente hipótesis.
𝐻0 : 𝑁𝑜 ℎ𝑎𝑦 𝑎𝑢𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖𝑜𝑛
𝐻𝑎 : 𝐻𝑎𝑦 𝑎𝑢𝑡𝑜𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖𝑜𝑛
Los límites se distribuyen de la siguiente forma:
Ilustración 13 Limites del estadístico Durbin-Watson: tomado de Econometría Daemon Gujarati Figura 12.10 Pagina 435
8
(Danomar n, 2010) Página 434 Ecuación (12.6.5)
Donde dU y dL son los limites inferior y superior los limites tienen como criterios en el
número de observaciones y K*=(K-1) estos valores están pre establecidos en la tabla d.
Con esto claro podemos entrar a realizar el cálculo del estadístico d y observar si hay o no
correlación serial de orden 1. Eviews calcula automáticamente este estadística y lo muestra
directamente en la salida de la estimación
Como se puede ver el Durbin-Watson es de 1.64, ahora analizando los límites de la gráfica
con un aproximados de 100 datos y K* =3 obtenemos que dU es de 1.648 y dL es de 1.736 lo
cual muestra que el modelo presente autocorrelación de grado 1 en los errores.
Prueba de Breusch-Godfrey
La prueba de Breusch-Godfrey se basa en realizar una regresión lineal a los residuos como
la variable regresada y las variables explicativas con los residuos rezagados a la n periodos
como las variables regresaras especificándose de la siguiente forma:
𝑢̂𝑖 = 𝛼1 + 𝛼2 𝑋𝑡1 + 𝛼3 𝑋𝑡2 + 𝛼4 𝑋𝑡3 + 𝜌1 𝑢̂𝑡−1 + 𝜌2 𝑢̂𝑡−2 + ⋯ + 𝜌𝑛 𝑢̂𝑡−𝑝 9
Donde p seria el número de rezagos en las series, con esta regresión se desea observar el R2
el cual nos ayuda como criterio en la siguiente prueba de hipótesis:
𝐻0 : 𝜌1 = 𝜌2 = 𝜌3 = ⋯ = 𝜌𝑝 = 0
𝐻0 : 𝜌1 ≠ 𝜌2 ≠ 𝜌3 ≠ ⋯ ≠ 𝜌𝑝 ≠ 0 10
Donde R2(n − p)~X𝑝2 , a continuación se muestra el resultado de la regresión en la

estimación de ewiews:
9
(Danomar n, 2010) Página 439, Ecuación(12.6.18)
10
(Danomar n, 2010) Página 439 Ecuacion(12.6.16)
En este caso se puede observar que R2 (3.70) es igual 3.66 con un valor critico de 3.8415, es
obvio que el estadístico cae en la zona de rechazo, también se puede analizar por la
probabilidad del estadístico Chi-cuadrado el cual es 0.0543 que es mayor a 𝛼 = 0.05 el
cual también dictamina que no se rechaza la hipótesis nula la cual decía que no existía
alguna relación entre el error del tiempo t con un error en el tiempo t-1, es decir no existe
autocorrelación de grado 1.
Con esta última prueba se puede concluir con seguridad de que existe autocorrección,
descubierto en el siguiente se ocupara en la reparación de la autocorrelación con el método
de mínimos cuadrados generalizados.
El modelo en cuestión presenta dos errores para la inferencia de los parámetros, los errores
parece no seguir una distribución normal además de tener autocorrección, estos se tendrá
que corregir para estimar nuevos parámetros y nuevas varianzas para realizar por fin la
inferencia necesaria en el modelo.
CORRECIÓN DEL MODELO.

Anteriormente se había demostrado por dos métodos la existencia de autocorrelación de
primer orden y no existía normalidad en los errores, primero se corregirá la correlación
serial y por último la normalidad, para esto debemos analizar el problema, este es un
problema donde los errores depende del dato anterior a él generando un sesgo en la
medición del modelo, por lo tanto uno de los métodos de resolver esto es una regresión en
diferencia ponderadas (RDP) este consiste en hallar el sesgo del error mediante tres formas,
una es hacer una regresión del error 𝑢̂𝑡 contra los errores rezagadas en un periodo de tal
forma que:
𝑢̂𝑡 = 𝜌𝑢̂𝑡−1 + 𝑣𝑡 11
Así se puede obtener rho (𝜌) y ese será el sesgo con el cual se va trabajar la (RDP), en este
caso obtenemos el siguiente resultado de la regresión lineal.
11
Como se puede ver rho es igual a 0.16 Se debe aclarar que los tres métodos para calcular
rho por lo general dan valores muy similares entre ellos pero cada uno dará resultados
diferentes en RDP.
El último método es calcular rho a partir del estadístico Durbin-Watson con la siguiente
formula:
𝑑
𝜌 ≈ 1− 12
2
Para obtener este resultado en eviews ejecutamos una sencilla sentencia la cual es:
Scalar rho=1-(@dw/2)
12
Nuevamente se puede observar que esta rho es aproximadamente 0.17. Ya hemos calculado
varias veces el sesgo que tiene los errores entre ellos, sin embargo este no es la verdadera
rho que resolverá los problemas de autocorrelación si no una rho estimada (𝜌̂) aun así nos
será para la corrección del modelo.
Observando el proceso para realizar la RDP o mínimos cuadrados generalizados (MCG),

ya estimado rho se vuelve sencillo corregir el error, pues este depende de un periodo atrás,
por lo tanto es lógico pensar en rezagar Y un periodo lo cual genera un rezago de los
errores:
Ln 𝑌𝑡−1 = 𝛽1 + 𝛽2 𝑋𝑡 1 + β3 ln 𝑋𝑡 2 + 𝛽4 ln 𝑋𝑡 3 + 𝑢𝑡−1
Se multiplica rho (𝜌̂) a todos los miembros de la ecuación para dar un resultado:
𝜌̂Ln 𝑌𝑡−1 = 𝜌̂𝛽1 + 𝜌̂𝛽2 𝑋𝑡 1 + 𝜌̂β3 ln 𝑋𝑡 2 + 𝜌̂ 𝛽4 ln 𝑋𝑡 3 + 𝜌̂𝑢𝑡−1
Se restan las últimas dos ecuaciones y factorizamos los betas y resulta de la siguiente
forma:
(Ln 𝑌𝑡 − 𝜌̂Ln 𝑌𝑡−1 ) = 𝛽1 (1 − 𝜌̂) + 𝛽2 (𝑋1 𝑡 − 𝜌̂𝑋1 𝑡−1 ) + 𝛽3 (𝑙𝑛𝑋2 𝑡 − 𝜌̂𝑙𝑛𝑋2 𝑡−1 ) + 𝛽4 (𝑙𝑛𝑋4 𝑡 − 𝜌̂𝑙𝑛𝑋4 𝑡−1 ) + 𝑣𝑡
Realizando unas cuantas igualdades a la ecuación anterior podemos obtener que:
1. Y*=(Ln 𝑌𝑡 − 𝜌̂Ln 𝑌𝑡−1 )

2. 𝛽1∗ = 𝛽1 (1 − 𝜌̂)
3. 𝑋1∗ 𝑡 = (𝑋1 𝑡 − 𝜌̂𝑋1 𝑡−1 )
4. 𝑋2∗ 𝑡 = (𝑙𝑛𝑋2 𝑡 − 𝜌̂𝑙𝑛𝑋2 𝑡−1 )
5. 𝑋3∗ 𝑡 = (𝑙𝑛𝑋3 𝑡 − 𝜌̂𝑙𝑛𝑋3 𝑡−1 )
6. 𝛽𝑖∗ = 𝛽𝑖 𝑖>1
Ya especificado las variables se establece la función econométrica
𝑌𝑡∗ = 𝛽1∗ + 𝛽2∗ 𝑋1∗ 𝑡 𝛽3∗ 𝑋2∗ 𝑡 + 𝛽4∗ 𝑋4∗ 𝑡 + 𝑣𝑡
Esto quiere decir que debemos trasformar las variables primero siguiendo la diferencia
especificada para los Y* y X*, esto se hará de forma automática en eviews dictando las
siguientes sentencias:
series produast=lprodu-rho*lprodu(-1)

Como se puede ver al realizar este proceso hace que perdamos un dato dentro de la serie
pero se podrá recuperar por medio de la trasformación de París-Winston,sin embargo no lo
recuperaremos.
series exporast=exportaciones-rho*exportaciones(-1)
series precioast=lprecio-rho*lprecio(-1)
Tabla 20 realizada en Eviews, elaboración propia..
series rteast=lte-rho*lte(-1)
Después hecho esto se realiza la regresión de forma habitual:

Al parecer el problema de auto correlación sigue dejo de estar presente en la regresión, sin
embargo hay cosas que se deben hacer antes de la interpretación. Además después de
realizar la corrección se tiene que sacar la Variable te debido a que se esperaba que en el
trascurso de la corrección esta fuera significativa
PRUEBA DE NORMALIDAD CON LA CORRECCIÓN.

Como se explicó anteriormente la prueba de normalidad en los errores es de gran
importancia para realizar la estimación estadística dentro del modelo; En las pruebas
anteriores se detectaron dos problemas grandes, el de normalidad y el de autocorrelación,
por lo tanto durante la corrección del modelo se realizó primero la corrección de la
autocorrelación por medio de los mínimos cuadrados generalizados para la transformación
de las variables, que permiten obtener los verdaderos valores de las varianzas y covarianzas
para hacer las inferencias.
Para realizar las correcciones del modelo es importante comenzar con subsanar el problema
de autocrrelacion, como se hizo anteriormente. Sin embargo es necesario realizar
nuevamente las pruebas, debido que estas transformaciones pueden arreglar o dañar otras
pruebas, por ello se esperó para realizar la prueba de normalidad.
Subsanar el problema de normalidad
Para poder subsanar el problema de normalidad en el modelo de las exportaciones de café

se debe utilizar una variable dicotómica, porque en estos modelos no necesariamente toda
la naturaleza de las variables puede ser de escala o de razón, es por ello que se utilizan
variables ficticias que sean de orden nominal y permitan cuantificarlas mediante atributos
es decir que estén dividas entre categorías entre 0 y 1 en donde 0 significa que no hay
presencia del atributo y uno es que si la hay, en el caso del modelo es necesario crear una
serie de variables dicotómicas en donde se puedan categorizar las fechas atípicas que se
encuentren dentro de los residuos, para ello es necesario ir al ESTIMATE y en la opción de
resid observar cuales son los puntos atípicos dentro de los residuos.
En este caso se encuentra en la gráfica de los residuos del modelo, que hay tres picos
grandes atípicos que están interfiriendo con la normalidad, para poder recogerlos y hacer la
corrección, en este momento es necesario realizar la series de la variable dicotómica y
poner los años que se están afectado, pero antes de debe saber la naturaleza de que en este
periodo de tiempo los picos son tan elevados.
Para los periodos de mayo y agosto del 2009, debido a la crisis del 2008 muchos
inversionistas buscaban una mejor base de inversión para minimizar los riesgos de perdida
lo que llevo a que le precio del café alcanzaran topes de un dólar con 50 centavos la libra lo
que genera esta desproporción vista en el modelo.13
Para crear la series es necesario ejecutar las siguientes sentencias en el programas eviews.
series d1=0
series d2=0
En donde se puede observar una series en donde se subcategoriza a las variables, en ese
momento se le da edit. Para colocar en el año y mes de la primera variable que cuenta con
datos atípicos; para esa variable se tiene que categorizar para la fecha de agosto del año
2000 es en ese momento donde se coloca el uno para señalar que es la fecha que contiene el
atributo. Sin embargo no se puede crear una sola variable dicotómica en donde se
categoricen todos los picos están elevados, es por ello que se crea una variable por cada
pico.
En esta serie también se subcategoriza a las variables, en ese momento se le da edit. Para
colocar en el año y mes de la primera variable que cuenta con datos atípicos; para esa
variable se tiene que categorizar para la fecha de septiembre del año 2016 es en ese
13
Para mayor información lea el siguiente link:
https://www.federaciondecafeteros.org/static/files/Informe%20de%20la%20Industria%202009%20internet.
pdf
momento donde se coloca el uno para señalar que es la fecha que contiene el atributo a ser
suavizado.
Una vez se cree las variables dicotómicas con los residuos que se encontraban con picos
muy altos se procede a estimar el modelo con el uso de esas variables, mediante el
ESTIMATE y se procederá a realizar nuevamente la prueba de Jacques Berra para
normalidad. Que sigue una distribución chi- cuadrado con 2 grados de libertad.

Gráficamente se puede observar en el histograma e frecuencia que sigue una distribución

normal con media cercana a 0 en donde la curva se ha suavizado llevando a equilibrar las
barras, observando que la Curtosis ha disminuido aunque continua siendo leptocurtica
debido a que el estadístico es superior a 3, sin embargo su disminución fue grande,
Por otra parte se puede observar que el estadístico jacques Berra disminuyo a 3.77
encontrándose en el área de aceptación de la distribución chi-cuadrado con dos grados de
libertad, pues se encuentra antes del valor critico que es de 5.991 por lo tanto se puede
aceptar la hipótesis nula de que el modelo de las exportaciones de café cuenta con
normalidad.
PRUEBA DE HETEROCEDASTICIDAD CON LA CORRECCIÓN.

Como se mencionó anteriormente los errores del modelo deben ser homocedásticos, es
decir las varianzas de los errores son iguales para todas las variables en el tiempo.
Esta prueba se vuelve a repetir una vez se realizó la corrección de la autocorrelación del
modelo, pues es importante realizarla debido a que con las transformaciones de las
variables mediante el método de mínimos cuadrados generalizados, se puede dañar la
homocedásticidad del modelo, para ello nuevamente se realizaran dos pruebas, el test de
Breusch-Pagan-Godfrey y el test de White.
Test de Breusch-Pagan-Godfrey
En este test como se explicó anteriormente se busca determinar si el modelo de regresión
lineal de las exportaciones de café, varianza estimada de los residuos depende de las
variables dependientes, por lo tanto si se demuestra que los residuos están distribuidos
normalmente son homocedásticos.
A continuación se presenta el test de Breusch-Pagan-Godfrey creado en el programa de

eviews:
Se puede observar que la regresión ejecutada se da como variable dependiente a los

restudios elevado, pero como se describe en la formula están divididos entre la varianza de
cada uno de los residuos, en esta regresión se muestra que todas las variables son no
significativas dentro del modelo, indicando que no son causantes de heterocedasticidad. Por
otro lado se realiza una prueba de hipótesis con el estadístico F en donde se plantea la
hipótesis nula de que todas las variables z son iguales a 0 y una hipótesis alternativa en
donde las variables son diferentes de 0. Por lo tanto si se acepta la hipótesis nula no se
tendría presencia de heterocedasticidad.
𝐻0 : 𝑍 = 𝑂
𝐻𝐴 : 𝑍 ≠ 𝑂
Esta prueba se realiza con un nivel de significancia del 5% y con grados de libertad v1=6 y
v2=205 en donde el F calculado es igual a 0.264691 y una probabilidad de 0. 9528 en donde
es mayor a 0.05 y se puede rechazar la hipótesis alternativa de que los Z son diferentes de
cero, por lo tanto el modelo no presenta heterocedasticidad.
Además se plantea otra prueba de hipótesis, utilizando la distribución chi-cuadrado con un

nivel de significancia del 5% en donde el chi-cuadrado calculado se da de multiplicar el
número total de observaciones por el valor del R cuadrado (𝑅 2 ) con tres grados de libertad;
si el valor calculado es más alto que el valor crítico de la tabla chi-cuadrado se rechaza la
hipótesis nula de que el modelo es homocedástico.
En este caso no se puede rechazar la hipótesis nula de que el modelo sea homocedástico,
porque la probabilidad de la distribución chi-cuadrado es de 0.43 y es mayor a 0.05 y el
valor calculado es de 1.9629 por lo tanto se puede determinar que el modelo de la
producción de café no tiene problemas de heterocedasticidad, una vez se han transformado
sus variables.
Test de White
Como se mencionó anteriormente esta prueba consiste en efectuar la regresión lineal con la
variable dependiente de los residuos al cuadrado y con las variables explicativas de forma
original, elevadas al cuadrado y con el producto de los valores cruzados, se realizara una
vez corregido el problema de autocorrelación.
Se puede observar que la regresión se corrió con la variable dependiente de los residuos
elevados al cuadrado y nueve variables explicativas en donde su probabilidad indica que
todas no son significativas dentro del modelo, por lo tanto ninguna de estas es la principal
causante de heterocedasticidad.
Por otra parte se plantean dos pruebas estadísticas con la distribución F y Chi- cuadrado
para determinar si el modelo presenta el problema de heterocedasticidad. Estos estadísticos
nos ayudan a relazar una prueba de hipótesis la cual es:
𝐻0 : 𝛼1 = 𝛼2 = 𝛼3 = ⋯ = 0
𝐻𝐴 : 𝛼1 ≠ 𝛼2 ≠ 𝛼3 ≠ ⋯ ≠ 0
En donde se dice que si todas las variables son iguales a 0 o si al menos una es diferente de
0 es la que genera la heterocedasticidad, como se puede ver que la probabilidad del F-
estadístico es mayor a 0.05 con un 0.71 y para el estadístico Chi-cuadrado es de 0.71
especificando que no se rechaza la hipótesis nula de que el modelo sea homocedástico, por
lo tanto parece haber homocedásticidad.
PRUEBA DE AUTOCORRELACIÓN CON LA CORRECCIÓN.

En la prueba pasada se determinó que el modelo presenta autocorrelación es por ello que se
buscó la forma de ser subsanado, por lo tanto se debe repetir esta prueba para verificar que
se halla corregido. En la autocorrelación los errores del modelo dependen del error anterior
mostrando una interdependencia entre ellos lo cual hace que las varianzas sean sobre
estimadas y llevando a errores estadísticos de tipo II.
Es por ello que una vez subsanado el problema es necesario repetir las pruebas para
demostrar que realmente se corrigió, para ello se realizara la prueba Durbin-Watson y la
prueba de máxima verosimilitud Breusch-Godfrey
Prueba Durbin-Watson.
Para esta prueba como se mencionó anteriormente se tendrán que hallar los limites
superiores e inferiores que permitan saber desde que punto se encuentran dividas las zonas
de rechazo, indecisión y de aceptación, dependiendo de los grados de libertad.
Realizando el cálculo del estadístico d y observar si hay o no correlación serial de orden 1.

Eviews calcula automáticamente este estadística y lo muestra directamente en la salida de
la estimación
Como se puede observar el Durbin-Watson es de 1,798 ahora analizando los límites de la

gráfica con un aproximados de 100 datos y K* =3 obtenemos que dU es de 1.648 y dL es de
1.774 lo cual muestra que el modelo ya no presenta autocorrelación de grado 1 en los
errores.
Prueba de Breusch-Godfrey
La prueba de Breusch-Godfrey se basa en realizar una regresión lineal a los residuos como
la variable regresada y las variables explicativas con los residuos rezagados a la n periodos.
En este caso se puede observar que R2 (212-1) es igual 0.289937 con una probabilidad de
0.5908, esta es mayor a 𝛼 = 0.05 por lo tanto se puede concluir que no se puede rechazar
la hipótesis nula de que el modelo no presenta autocorrelación, también se puede analizar
por la probabilidad del estadístico Chi-cuadrado el cual es de 0.5833 que es mayor a 𝛼 =
0.05 el cual también dictamina que no se rechaza la hipótesis nula de que el modelo de las
exportaciones de café presente autocorrelación.
Con esta última prueba se puede concluir con seguridad de que no existe autocorrección,
llevando a concluir que con la trasformación de las variables por mínimos cuadrados
generalizados corrigió el problema de autocorrelación
ESTIMACIÓN DE LOS PARÁMETROS.
Ya realizadas las últimas pruebas y dictaminado que el modelo no presenta ninguna tipo de
problema que pueda entorpecer la estimación de los parámetros y la significancia de los
mismos, se puede usar nuevamente el álgebra matricial. Para ello es necesario recordar la
ecuación matricial con la que se va estimar los betas:
𝛽̂ = (𝑋 ′ 𝑋)−1 (𝑋 ′ 𝑌)
Comenzando a estimar los betas, partiendo con esta ecuación, adicionalmente se usaran las
mismas sentencias que se utilizaron en el modelo sin corregir. Antes de hacer esto debemos
recordar que en las variables X se deben agregar las tres variables dicotómicas que se
usaron para corregir la normalidad y las series convertidas para la corrección de la
autocorrelación además de que ya se llevara una serie de 1 si no 1 − 𝜌̂(el cual se uso para
corregir la correlación serial).
Nuevamente se arma un grupo que se trasformara en la matriz X, y el matiz Y no tendrá

cambio más allá se la trasformación de la serie ejecutamos las sentencias:
group G1 C1group G1 1-rho exporast precioast d1 d2
matrix X1=G1
matrix y=produast
Ya obtenidas las matrices se puede obtener la matriz betas estimados, se ejecutan las
siguientes sentencias que se usaron anteriormente:
matrix xtx=@transpose(X)*x
Después se encuentra la inversa de la matriz:
matrix inverXTX=@inverse(xtx)
Seguido calculamos la matriz X’Y:
matrix XTy=@transpose(x)*y
Seguido se realiza el producto indicado en la ecuación:
matrix betas=inverxtx*xty
Así se obtiene nuevamente los parámetros betas para la estimación del modelo sin embargo
acá tenemos un problema que se analizará en la interpretación de los mismos, pero se puede
contrastar que la matriz betas este bien calculado con el menú ESTIMATE:
Adicionalmente como se puede observar se intuye que el modelo no tiene ninguna variable
que no sea significativa cuestión que se definirá en la inferencia.
INTERPRETACIÓN DE LOS PARÁMETROS.

Ya se ha calculado los betas óptimos para el modelo pero sin una adecuada interpretación
estos cálculos solo quedaran como matemática instrumentaría, por eso nos daremos a la
interpretación necesaria a los primeros 4 betas estimados (𝛽̂ ) los demás no se interpretaran
por ser provenientes de variables ficticias.
Anteriormente se había dicho que existía un problema en la interpretación y este está en el

parámetro 𝛽̂1 ya que este tiene una trasformación de 𝛽̂1(1 − 𝜌̂) pero no podemos interpretar
ese beta por lo tanto se debe dividir en 1 − 𝜌̂ para poder ser interpretado, sin embargo esta
operación no es tan sencilla ya que al cambiar este parámetro de valor los residuos cambian
de valor también, por lo tanto cambian las varianzas de los parámetros cosa que podría
entorpecer la significancia y la estadística del modelo. Para resolver este problema debemos
volver a calcular la matriz betas con el cambio de que la serie de 1 será ahora de (1 − 𝜌) 2
esto provoca el cambio en la matriz betas ya mostrando el verdadero parámetro 𝛽̂1 que
deseamos interpretar y adicionalmente realizando este cambio encontramos la nueva matriz
de varianza y covarianzas que se usara para la inferencia.
Este cambio nos muestra una nueva matriz de betas estimados el cual es:
Como se puede ver el único parámetro modificado es 𝛽̂1 los demás no han sido modificados
o alterados.
Ya al haber obtenido la matriz betas que se debe interpretar se puede comenzar a leer los
resultados de forma económica. Se debe recordar que todos los datos están de forma
logarítmica por lo cual se hará una interpretación porcentual excepto en la en 𝛽̂1donde se
leerá de forma unitaria.
̂𝟏
Interpretación de 𝜷
Recuerde que el modelo está en función logarítmica por lo tanto si las demás variables del
modelo son 1 el resultado será un modelo de esta forma:
Ln 𝑌𝑡 = 𝛽1
Como se necesita estimar es Y y no su logaritmo natural, solamente se despeja Y con eso

tenemos que:
̂
𝑌𝑡 = 𝑒 𝛽1
Con esto en mente se puede interpretar de forma económica.
Se estima que si las exportaciones del café son 0 sacos , el precio representativo del
café sea de un centavo de dólar la producción de café será serán de 5.166 sacos de
60 Kg mensuales.
De esta forma se interpreta β1
̂𝟐
La interpretación de β̂2 se debe hacer en forma constante, es decir que las demás variables
no cambien, además de ser de forma porcentual por ser un modelo logarítmico:
Se estima que ante el aumento de mil bolsas en las exportaciones de café la

producción mensuales de café aumentaran en 0.0599% .manteniendo todo lo demás
constante.
̂𝟑
La interpretación de β̂3 se usan los mismos criterios de β̂2 .
Se estima que ante el aumento de 1% en el precio representativo del café la

producción de café disminuirá en 0.00% .manteniendo todo lo demás constante.
INFERENCIA ESTADÍSTICA.
Para realizar la inferencia estadística es importante evaluar primeros la varianzas, para poder
estimar todas las pruebas de significancia, individuales y simultaneas.
Para comenzar en el programa eviews se crean las sentencias, la primera de ellas consiste en
crear la matriz u que es y-x multiplicado por los betas
matrix U=Y-x*betas
Se continúa creando la matriz u transpuesta u:
matrix UTU=@transpose(U)*U
Se crea el scalar varu, que es el resultado de la matriz u transpuesta u en la posición (1,1)

divido sobre los grados de libertad.
scalar varu=utu(1,1)/104
Y por último se crea la matriz varcov, que es el scalar varu multiplicado por la matriz
inversa de xtx calculada anteriormente.
matrix varcov=varu*inverxtx
PRUEBAS DE HIPOTES DE SIGNIFICANCIA
Prueba de significancia para 𝜷𝟏 :
Para el cálculo de 𝛽1 es necesario hallar el valor crítico de la tabla de la distribución T-

Student con un 5% mediante la siguiente sentencia en eviews:
scalar t_tabla=@qtdist(0.975,114)
Para hallar la prueba de significancia se plantea la prueba de hipótesis nula de que ¿el 𝛽1 es
igual 0, por lo tanto el modelo no debería tener término constante? Y la hipótesis alternativa
en donde el 𝛽1 es diferente de 0 y el modelo debe presentar termino constante.
𝐻1 : 𝛽1 = 0
𝐻𝐴 : 𝛽1 ≠ 0
Una vez planteada la hipótesis nula se procede a realizar la prueba de significancia

mediante la siguiente formula y en eviews con la siguiente sentencia:
(𝛽̂1 − 𝛽1 )
𝑒. 𝑒(𝛽1 )
scalar t_calculado_B1=(betas(1,1)-0)/sqr(varcov(1,1))
Con una probabilidad del 5% se puede rechazar la hipótesis nula de que el modelo no debe
tener término constante.
Prueba de significancia para 𝜷𝟐 :
Para el cálculo de 𝛽2 (Precio Externo) es necesario hallar el valor crítico de la tabla de la

distribución T-Student con un 5% mediante la siguiente sentencia en eviews:
Para hallar la prueba de significancia se plantea la prueba de hipótesis nula de que ¿el 𝛽2
(precio externo) es igual 0 por lo tanto no puede explicar el modelo a través de esta
variable?. Y la hipótesis alternativa en donde el 𝛽2 es diferente de 0 llevando a dar
explicación al modelo
𝐻1 : 𝛽2 = 0
𝐻𝐴 : 𝛽2 ≠ 0

(𝛽̂2 − 𝛽2 )
𝑒. 𝑒(𝛽2 )
Con una probabilidad del 5% se puede rechazar la hipótesis nula de que 𝛽2 (precio externo)
no explica el modelo.
Prueba de significancia para 𝜷𝟑 :
Para el cálculo de 𝛽3 (Producción) es necesario hallar el valor crítico de la tabla de la

distribución T-Student con un 5% mediante la siguiente sentencia en eviews:
Para hallar la prueba de significancia se plantea la prueba de hipótesis nula de que ¿el 𝛽3
(Producción) es igual 0 por lo tanto no se puede explicar el modelo a través de esta
variable?. Y la hipótesis alternativa en donde el 𝛽3 es diferente de 0 llevando a que se
pueda explicar el modelo.
𝐻1 : 𝛽3 = 0
𝐻𝐴 : 𝛽3 ≠ 0
(𝛽̂3 − 𝛽3 )
𝑒. 𝑒(𝛽3 )
Con una probabilidad del 5% se puede rechazar la hipótesis nula de que 𝛽3 no explica el
modelo.
PRUEBAS DE HIPOTESIS INDIVIDUALES

Pruebas individuales para 𝜷𝟏 : primera prueba.
Para el cálculo de 𝛽1 es necesario hallar el valor crítico de la tabla de la distribución T-

Student con un 5% el cual es de 1.98 para continuar es necesario plantear la hipótesis nula
y la hipótesis alternativa:
𝐻1 : 𝛽1 = 10
𝐻𝐴 : 𝛽1 ≠ 10
¿Es posible que cuando las exportaciones de café son 0 y el precio del café sea de un
centavo la libra la producción de café serán 22.026 bolsas de 60 Kg?.
Una vez planteada la hipótesis nula se procede a realizar la prueba individual en el

programa eviews:
scalar t_calB1_h10=(betas(1,1)+10)/sqr(varcov(1,1))
Se rechaza la hipótesis nula de que cuando las exportaciones de café son 0 y el precio del
café sea de un centavo la libra la producción de café serán 22.026 bolsas de 60 Kg.
Pruebas individuales para 𝜷𝟏 : segunda prueba.
Para realizar la prueba es necesario plantear la hipótesis nula y la hipótesis alternativa:
𝐻1 : 𝛽1 = 12
𝐻𝐴 : 𝛽1 ≠ 12
¿ es posible que cuando las exportaciones de café son 0 y el precio del café sea de un
centavo la libra la producción de café serán 2.980 bolsas de 60 Kg?.

programa eviews:
scalar t_calB1_h8=(betas(1,1)-8)/sqr(varcov(1,1))
No se puede rechazar la hipótesis que cuando las exportaciones de café son 0 y el precio
del café sea de un centavo la libra la producción de café serán 2.980 bolsas de 60 Kg.
Pruebas individuales para 𝜷𝟐 : Primera prueba.
Para realizar esto es necesario plantear la hipótesis nula y la hipótesis alternativa:
𝐻1 : 𝛽2 = 0.01
𝐻𝐴 : 𝛽2 ≠ 0.01
¿Es posible que un aumento de mil bolsas de café exportadas provoque un aumento del 1%
en producción del café, manteniendo todo lo demás constante?.

programa eviews:
scalar t_calB1_h12=(betas(1,1)+12)/sqr(varcov(1,1))
Se rechaza la hipótesis nula de que es posible que un aumento de mil bolsas de café
exportadas provoque un aumento del 0.01% en producción del café, manteniendo todo lo
demás constante
Pruebas individuales para 𝜷𝟐 : Segunda prueba.
Para continuar es necesario plantear la hipótesis nula y la hipótesis alternativa:
𝐻1 : 𝛽2 = 0.90
𝐻𝐴 : 𝛽2 ≠ 0.90
¿ Es posible que un aumento de mil bolsas de café exportadas provoque un aumento del
1% en producción del café, manteniendo todo lo demás constante?.

programa eviews:
scalar t_calb2_ho90=(betas(2,1)-0.009)/sqr(varcov(2,2))
no se rechaza la hipótesis de que sea posible que un aumento de mil bolsas de café
exportadas provoque un aumento del 0.90% en producción del café, manteniendo todo lo
demás constante
Pruebas individuales para 𝜷𝟑 : Primera prueba.
𝐻1 : 𝛽3 = −0.25
𝐻𝐴 : 𝛽3 ≠ −0.25
¿Es posible que un aumento de un 1% en la exportación de sacos, provoque un aumento

del 0.25% en las produccion del café, manteniendo todo lo demás constante?.

programa eviews:
scalar T_calb3_h020=(betas(3,1)+0.25)/sqr(varcov(3,3)
No se rechaza la hipótesis nula de que un aumento del 1% en la exportacion de sacos de

café, provoque un aumento del 0.20% en las producción de café, manteniendo todo lo
demás constante.
Pruebas individuales para 𝜷𝟑 : Segunda prueba.
𝐻1 : 𝛽3 = 0.36
𝐻𝐴 : 𝛽3 ≠ 0.36
¿ Es posible que un aumento de un 1% en la exportación de sacos, provoque un aumento

del 0.36% en las produccion del café, manteniendo todo lo demás constante?.
programa eviews:
scalar T_calb3_h0.35=(betas(3,1)+0.36)/sqr(varcov(3,3))
Se rechazar la hipótesis nula de que un aumento del 1% en la producción de sacos de café,

provoque un aumento del 0.36% en las exportaciones del café, manteniendo todo lo demás
constante.
PRUEBAS DE HIPOTESIS SIMULTANEANAS

Pruebas simultaneas para 𝜷𝟐 y 𝜷𝟑
𝐻1 : 𝛽2 + 𝛽3 = 0.21
𝐻1 : 𝛽2 + 𝛽3 ≠ 0.21
¿Es posible que un aumento de mil sacos exportados y simultáneamente un aumento del
1% en el precio del cafe, provoque un aumento del 0.21% en las exportaciones del café,
manteniendo todo lo demás constante?

programa eviews:
scalar t_calb2_b3_ho1=(betas(2,1)+betas(3,1)-
1)/sqr(varcov(2,2)+varcov(3,3)+(varcov(2,3)))
Se rechaza la hipótesis nula deque un aumento de mil sacos exportados y simultáneamente

un aumento del 1% en el precio del cafe, provoque un aumento del 0.21% en las
exportaciones del café, manteniendo todo lo demás constante
CONCLUSIONES
Bibliografía
Danomar n, G. (2010). Econometria.
H., G. W. (1998). Analisís Econometrico. Mexico D.F: PRENTICE-HAL.
Leonardo, V. G. (s.f.). POLÍTICA CAMBIARIA.
M., W. J. (2009). Introducción a la econometría, Un enfoque moderno. Mexico D.F.: Cengage

learning.
Pulido, S. R. (2001). Modelos Econometricos. Guia de elaboracion de modelos Econometricos con

Eviews. Mexico DF: PIRAMIDE.
Zambrano, L. I. (2003). CRISIS DEL CAFÉ Y EL DESARROLLO REGIONAL. Cuadernos DE economía.

Produccion de Cafe Econometria

Enviado por

Dados do documento

Descrição original:

Título original

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

Produccion de Cafe Econometria

Enviado por

Direitos autorais:

Formatos disponíveis

Producción de café

PRESENTADO A: Alberto Andy Barreto

FUNDACIÓN UNIVERSIDAD AUTÓNOMA DE COLOMBIA

FACULTAD DE CIENCIAS ECONÓMICAS ADMINISTRATIVAS Y

Bogotá julio 12 de 2018

DESARROLLO DEL MODELO

ESPECIFICACIÓN DEL MODELO MÁTEMATICO.

ESPECIFICACIÓN DEL MODELO ECONOMETRICO.

Ahora haciendo realizando algunas igualdades como:

Los datos muestran el siguiente comportamiento atreves del tiempo

Ilustración 1 Gráfico realizado en Eviews, elaboración propia.

En esta serie no se nota sucesos inusuales que puedan afectar la regresión y se

4. Precio del té:

Ilustración 4Gráfico realizado en Eviews, elaboración propia.

Donde U es la matriz de errores, Y es la matriz de datos de la variable dependiente o

𝑈 ′ 𝑈 = (𝑌 − 𝑋𝛽̂ )′(𝑌 − 𝑋𝛽̂ )

Ahora se deriva la última ecuación matricial con respecto a la matriz 𝛽̂ :

Despejando la matriz betas se obtiene:

ESTIMACIÓN DEL MODELO POR MINÍMOS CUADRADOS ORDINARIOS

Group g1 1 exportaciones log(precio) log(te)

Además se debe crear la matriz de este grupo y la matriz de la variable dependiente,

Dejando las matrices de la siguiente forma:

Tabla 2realizada en Eviews, elaboración propia..

Tabla 3 realizada en Eviews, elaboración propia.

Tabla 5 realizada en Eviews, elaboración propia.

Siendo los últimos los betas estimados, y se comprueban mediante el ESTIMATE en

Ilustración 7 Grafico creado en Minitab Elaboración propia

Sin embargo ¿cómo afecta la multicolinealidad a la inferencia del modelo? La respuesta es

Un síntoma claro de la existencia de multicolinealidad se da al observar que el coeficiente

Estadísticamente, el problema se ve relacionado de la siguiente forma:

Que la correlación entre las variables sea 0.

Por ejemplo el número que se encuentra en el elemento 1,2 es coeficiente de determinación

Tabla 7 realizada en Eviews, elaboración propia.

Tabla 8 realizada en Eviews, elaboración propia.

Tabla 9 realizada en Eviews, elaboración propia.

En eviews se realiza de la siguiente forma, con las siguientes sentencias:

Tabla 12 realizada en Eviews, elaboración propia.

Realizado esto se encuentra la inversa de este matiz, para acabar de normalizar.

Tabla 13 realizada en Eviews, elaboración propia.

En este punto volvemos a calcular la matriz simétrica y sus valores propios

Tabla 15 realizada en Eviews, elaboración propia.

𝑌𝑖 = 𝛽1 + 𝛽2 𝑋2𝑖 + 𝛽3 𝑋3𝑖 + 𝛽4 𝑋4𝑖 3

Suponiendo que la varianza del error es de la siguiente forma:

𝜎 2 = 𝑓(𝛼1 + 𝛼2 𝑍2𝑖 + 𝛼3 𝑍3𝑖 + 𝛼4 𝑍4𝑖 )4

𝑝 = 𝑓(𝛼1 + 𝛼2 𝑍2𝑖 + 𝛼3 𝑍3𝑖 + 𝛼4 𝑍4𝑖 + 𝑣𝑖 )

Si los residuos se encuentran normalmente distribuidos se demuestra que hay

A continuación se presenta el test de Breusch-Pagan-Godfrey en el programa eviews.

En donde se puede observar que no hay presencia de heterocedasticidad, porque la

𝑌𝑖 = 𝛽1 + 𝛽2 𝑋2𝑖 + 𝛽3 𝑋3𝑖 + 𝛽4 𝑋4𝑖 5

𝑢̂𝑖2 = 𝛼1 + 𝛼2 𝑋2𝑖 + 𝛼3 𝑋3𝑖 + 𝛼4 𝑋4𝑖 + 𝛼5 𝑋2𝑖

A continuación se realiza en el modelo de las exportaciones de café colombiano el test de

Ilustración 11 realizada en Eviews, elaboración propia.

Ilustración 12 realizada en Eviews, elaboración propia.

Los límites se distribuyen de la siguiente forma:

Ilustración 14 realizada en Eviews, elaboración propia.

𝑢̂𝑖 = 𝛼1 + 𝛼2 𝑋𝑡1 + 𝛼3 𝑋𝑡2 + 𝛼4 𝑋𝑡3 + 𝜌1 𝑢̂𝑡−1 + 𝜌2 𝑢̂𝑡−2 + ⋯ + 𝜌𝑛 𝑢̂𝑡−𝑝 9

Donde R2(n − p)~X𝑝2 , a continuación se muestra el resultado de la regresión en la

CORRECIÓN DEL MODELO.

Observando el proceso para realizar la RDP o mínimos cuadrados generalizados (MCG),

𝜌̂Ln 𝑌𝑡−1 = 𝜌̂𝛽1 + 𝜌̂𝛽2 𝑋𝑡 1 + 𝜌̂β3 ln 𝑋𝑡 2 + 𝜌̂ 𝛽4 ln 𝑋𝑡 3 + 𝜌̂𝑢𝑡−1

Realizando unas cuantas igualdades a la ecuación anterior podemos obtener que:

1. Y*=(Ln 𝑌𝑡 − 𝜌̂Ln 𝑌𝑡−1 )