Introducción

El presente trabajo de econometría tiene como objetivo aplicar todos los conocimientos
adquiridos a lo largo del curso, para ello en nuestro equipo nos interesamos en el tema
macroeconómico. Una de nuestras interrogantes fue: ¿cómo algunos factores afectan o no al
ingreso per cápita? Para entender ello el ingreso per cápita es un cálculo que se realiza para
determinar el ingreso que recibe, en promedio, cada uno de los habitantes de un país; es decir,
en promedio, cuánto es el ingreso que recibe una persona para subsistir. Este cálculo se
obtiene dividiendo el ingreso nacional entre la población total de un país.

Entonces nuestro reto fue primero encontrar la data necesaria y las variables independientes
que pudieran afectar al ingreso per cápita que reciben las personas. Para ello escogimos IPC
que es el índice precio consumidor y la inflación, dos factores que presumimos afectan y son
fundamentales en la variación del ingreso per cápita. Para todo ello se ha realizado un proceso
que sigue los pasos de la econometría, ello está desarrollado a lo largo del presente
documento.

El alumno.
1) Análisis de Datos:

2) Análisis de Datos:

En el presente trabajo pretendemos entender como el Ingreso Per Cápita en el Perú se ha visto
afectado por variables como el Índice de Precios del Consumidor en el Perú y la Tasa de
inflación. Se ha tomado los datos desde el año 1995 hasta el
2015, ya que en este intervalo de tiempo el contexto económico y la situación del

país en general no nos muestran tanta distorsión en los datos (como en el primer gobierno de
Alan García). Asimismo, hay distintas variables que afectan al Ingreso Per Cápita, pero en
este informe solo nos enfocaremos en el IPC E Inflación.
3) Especificación el modelo

MODELO MATEMATICO

Y = B0 + B1X1 + B2X2

MODELO ECONOMETRICO

Y = B0 + B1X1 + B2X2 + u

3) Determinar relación de causalidad

Por razonamiento podremos observar que la variable ingreso per cápita tiene una relación de
causalidad con las variables IPC e inflación; pero luego de estimar el modelo
determinaremos si esta relación es certera o no.

5) Estimación del modelo

6) Análisis de los resultados

R2: Las variaciones de la variable Y son explicadas en un 90.5951% por las variaciones de las
variable X. Tenemos un R2 bueno, ya que está cercano a 1.

t-Statistic: Si el valor de t-statistic es mayor a 2 en valor absoluto significa que las variables
son significativas para el modelo. Pero en este caso se puede ver que no todas las variables
sobrepasa el valor de 2

F-statistic: El valor de f-statistic (86.69436) es mayor a 10 o 15, lo cual nos hace presumir
que el modelo es significativo globalmente.

Durbin-Watson: El durbin Watson es de 0.558520, lo cual significa que sospechamos que hay
autocorrelación positiva.

IPC: Esta variable va a determinar en cuanto varía el Ingreso per cápita, si la variable IPC

aumenta en 73.24335.

Inflación: En este caso, se va a determinar en cuanto variaría el CONSUMO cuando la

variable Inflación varía en 8945.997.

7) Prueba de Hipótesis

Prueba T
H0: b0=b1=b2=0

H1: b0≠0, b1≠0, b2≠0

Tgl= (21-3)=18

TablaT= 2.101

Rechazo H0, por lo tanto con una significancia del 5% se puede afirmar de manera individual
que cada los parámetros B1 y B2 es diferente de 0, en consecuencia las variables exógenas
son significativas. Sin embargo, en la constante (B0) se acepta H0 pero esto es indiferente, ya
que no interviene en el modelo.

Prueba F (Global)
H0: Todos los parámetros son igual a 0

H1: Todos los parámetros son diferentes de 0

Fcalc(2,18) 3.55
F 86.69436
Con una significancia del 5% se puede afirmar que de manera conjunta los parámetros
son diferentes de 0, es decir que variables exógenas son significativas.
 Prueba Farrar y
Glauber

Lo que queremos saber saber es si existe multicolinealidad, para ello se hará la prueba de Farrar y
Glauber, por lo que se necesita saber los grados de libertad, con el chi cuadrado y el calculado, a
continuación se presentan los cálculos respectivos:

Imagen: Hallamos la matriz con EViews para calcular el determinante.

 Prueba Farrar y
GlLas
H0: auvariables
ber exógenas son ortogonales. H1: Las variables exógenas no son ortogonales.
 1 -0.59602283
-0.59602283 1

DET 0.64475679

LOG -0.43888211

Xc 8.11931902

Gl 1

Xcalc 3.84146

Entonces rechazo H0.

Con una significancia del 5% se puede afirmar que las variables exógenas no son ortogonales,
por lo tanto están correlacionadas y por ello existe multicolinealidad.
 Heterocedasticida
d

Se desea saber si existe heterocedasticidad, para ello se hará la prueba de White, para ello se
necesita conocer F-Statistic, Prob. F(5,15)

Prueba F

H0: No existe heterocedasticidad

 Heterocedasticida
d

H1: Existe heterocedasticidad

F (5,15 ) =2.90
F-Statistic = 0.424326

Entonces No Rechazo H0

Con una significancia del 5% se puede afirmar que no existe heterocedasticidad o que existe
homoscedasticidad.

Autocorrelación
El criterio Durbin Watson nos resulta 0.558520, está muy lejano a 2, entonces presumimos
que existe autocorrelación. Para ello haremos la prueba forecast en Eviews.

Se supone que “ bias proportión” & variance proportión” tienen que tender a cero, y “
covariance proportión” debe tender a uno. Si todo se cumpliera, aparentemente no habría
autocorrelación.
En este correlograma podemos apreciar que las probabilidades son menores a

0.005, esto significa que presumimos autocorrelación entre las variables.

Seguidamente hacemos la prueba de LM, Aquí esta tanto el F-statistic (calculado)

= 17.77y al costado hay “prop. F(1,18)  estos son los grados de libertado, uso la tabla F
cuadrado con 1 nominador, 18 denominador.

Multiplico el número de observaciones por el r2 = al chi cuadrado y correo con 1 grado de

libertad en la tabla chi cuadrado => 21*10.43

Para la prueba de hipótesis se necesita DL y DU

Ho: No existe Significativa Autocorrelación

H1: Existe Significativa Autocorrelación

Haciendo la prueba resulta que se Rechaza Ho. Es decir que existe significativa
autocorrelación.
Se procedió a reducir la autocorrelación con el comando AR(1), y funcionó ya que las bandas
ya no se salen de las bandas.
Normalidad de los residuos

Prueba de Jarque Bera

Para la prueba de Jarque Bera se busca que los residuos tengan una forma mesocurtica,
es decir una asimetría(S) de valor cero o cercano a ese valor y una kurtosis(K) de valor 3 o
también cercano a ese valor. En el cuadro analizamos una S= 0.497323, una K= 2.783442 y
un Jarque bera calculado de 0.906690 para nuestro modelo. Procederemos con la prueba de
hipótesis, en el cual buscamos de preferencia el rechazo en H0.

Ho: No existe normalidad en los residuos

H1: Existe normalidad en los residuos

Con 2 GL hallamos en la tabla chi cuadrado el valor 5.99 procedemos a graficar.
Con una significancia del 5% como resultado el no rechazo, por ello podemos decir que no
existe normalidad en los residuos y por ello no ti enen una forma mesocurtica. Por otro lado,
para poder modificar este resultado lo que se podría hacer es aumentar la muestra u
cambiar la muestra a otro periodo.
Conclusiones

 Nuestro modelo econométrico tiene la siguiente forma:

Y = B0 + B1X1 + B2X2 + u , donde Y es el ingreso per cápita, X1 es el IPC y

X2 es la inflación.

 R2: Las variaciones de la variable Y son explicadas en un 90.5951% por las

variaciones de las variable X. Tenemos un R2 bueno, ya que está cercano a 1.
 t-Statistic: Si el valor de t-statistic es mayor a 2 en valor absoluto significa

que las variables son significativas para el modelo. Pero en este caso se puede ver que no
todas las variables sobrepasa el valor de 2
 F-statistic: El valor de f-statistic (86.69436) es mayor a 10 o 15, lo cual nos

hace presumir que el modelo es significativo globalmente.

 Durbin-Watson: El durbin Watson es de 0.558520, lo cual significa que

sospechamos que hay autocorrelación positiva.
 Con una significancia del 5% se puede afirmar que las variables exógenas no son
ortogonales, por lo tanto están correlacionadas y por ello existe multicolinealidad.
 Con una significancia del 5% se puede afirmar que no existe
heterocedasticidad o que existe homoscedasticidad.
 También hallamos autocorrelación la cual se disminuye considerablemente

mediante Eviews con el comando AR(01).

 Pudimos hallar también que no existe normalidad en los residuos al hacer la prueba
de jarque bera, por ello los residuos no tienen una forma mesocurtica, y dado por el valor tan
cercano de kutosis(K) y asimetría(S), podemos decir que tienen una forma platicurtica.