1. Para determinar cul de las variables exgenas es ms influyente para la endgena debemos de utilizar la elasticidad media. ER2=B1(X1/y).

Son las medias de X e Y Ex1y=B2(X1/Y)=2,5(3/4)=1,875 Ex2y=B3(X2/Y)= (-1,5)(5/4)=-1,875 Al realizar la elasticidad media ya sabemos cual variable exgena es ms influyente para la endgena, en este caso la variable ms influyente es la B2 ya que tiene un nivel de elasticidad ms alto. 2. Al variar un 1% la variable endgena, la variable exgena X1, aumenta en un 2,5%. Al variar un 1% la variable endgena, la variable exgena X2, disminuye en un 1,5%. 3. Para saber la significacin individual de cada variable nos fijamos en la probabilidad de la Tstudents, en el eviws es la t-stadistic. Debemos formular una hiptesis por cada variable exgena. H0: B2=0. La hiptesis nula afirma que B2 no es significativa para el modelo. Aceptamos la hiptesis nula porque la probabilidad de la T-students es superior al 0,05%; por lo tanto podemos afirmar que la variable exgena B2 no es significativa para el modelo. H0=B3=0. La hiptesis nula afirma que B2 no es significativa para el modelo. Aceptamos la hiptesis nula porque la probabilidad de la T-students es superior al 0,05%; por lo tanto podemos afirmar que la variable exgena B2 no es significativa para el modelo. En definitiva rechazamos la validez de todas las variables especificadas para definir la evolucin de la endgena. 4. Podemos afirmar a partir del resultado del R2 que el 95% de los cambios que se producen en la variable endgena estn explicados por las variables exgenas. Utilizamos el F para verificar si todas las variables explicativas incluidas en el modelo, consideradas globalmente son significativas en dicho modelo. Esto se conoce como la significatividad conjunta de los parmetros. Formulamos la hiptesis nula que afirma que las variables exgenas conjuntamente no son significativas para el modelo. H0=B1=B2=B3=0 Aceptamos la hiptesis nula porque la probabilidad del F es superior al 0,05%, aunque no es un resultado muy fiable puesto que la probabilidad es de 0,0537571. Por lo tanto afirmamos que las variables explicativas conjuntamente no son significativas para el modelo. 5. Para valorar la normalidad de una serie tenemos: La simetra de la serie (Skewness): nos indica en este caso, al tener un valor negativo, existe asimetra a la izquierda respecto a una distribucin normal.

La curtosis: En este caso es de 2,5, al tener un valor menor de 3 nos indica que tiene un apuntamiento menor que el de una distribucin normal.

A partir de ambas medidas nos fijamos en el contraste de Jarque Bera. El valor de la probabilidad en Eviws es de 0,69; por lo tanto podemos afirmar que existe normalidad en la distribucin de los valores de la variable analizada. Se rechaza la hiptesis nula que afirma que no existe normalidad en las perturbaciones. H0= No existe normalidad en las perturbaciones. Prueba de normalidad: Evaluamos la normalidad de la seria a travs de un grfico. Al observar el grfico podemos afirmar que existe normalidad, puesto que los puntos estn distribuidos a lo largo de una recta, y no se encuentran muy dispares.

6. Para averiguar si existe cambio estructural o no, podemos utilizar el test de chow ,en este caso no lo he podido utilizar porque me daba error, as que me he fijado en el grfico de los residuos. Definimos la hiptesis nula: H0= No existe cambio estructural. H1= Existe cambio estructural. A raz de observar el grfico, he observado que existe un cambio estructural en 1993; por lo tanto rechazamos la hiptesis nula y afirmamos que existe un cambio estructural en 1993 que altera la ecuacin poblacional de la que procede la muestra. 7. Nuestro modelo: Y1=B1+B2X1t+B3x2t+ut Restriccin: B2+B3=1 El procedimiento a seguir sin utilizar Eviews: 1. Definimos la hiptesis nula y la alternativa: H0:B2+B3=0 H1:B2+B30 Y1= B1+B2X1t+B3x2t+ut Y1= B1+B2X1t+(1-B2)x2t Y1- x2t =B1+B2(X1t-X2t) Modelo Restringido. 2.Estimamos los valores de los parmetros utilizando los MCO. 1. Definimos las nuevas series: Y1- x2t =B1+B2(X1t-X2t) F0=[(SCR-SCR)/q]/[SNR/(n-k-1)] 2. Verificamos:

S F0>Fq;n-k. Se Rechaza la hiptesis nula S F0<Fq;n-k. Se Acepta la hiptesis nula.

La herramienta del programa que me ha ayuda a llegar a la solucin es el Test de Wald. Con la ayuda del porgrama he rechazado la hiptesis nula, puesto que la probabilidad del Chi-square es 0 e inferior al 0,05; por lo tanto podemos afirmar que B2+B30. 8. Intervalos de Confianza para B2: P[B-(tn-k)(SB); B+(tn-k)(SB)] =0,05 /2=0,025 Grados de libertad: n-k;5-3=2 tn-k=t20,025=4,303 P[(2,5)-(4,303)(0,866025);(2,5)+( 4,303)(0,866025)] IC=(-1,23;6,23) El IC significa con un 95% de fiabilidad este intervalo contiene el verdadero parmetro poblacional. Intervalos de Confianza para B3: P[(-1,5)-(4,303)(1,369306);(-1,5)+(4,303)(1,369306)] IC=(-7,39;4,39) El IC significa con un 95% de fiabilidad este intervalo contiene el verdadero parmetro poblacional. El IC de B3 est ms ajustado B2.Cuanto menor sea el intervalo ms ajustadamente podr definir el efecto que el cambio de una variable produce sobre la endgena, 9. Definimos la hiptesis nula y alternativa: H0: X3 no es significativa para el modelo. H1: X3 es significativa para el modelo. Al fijarnos en la probabilidad observamos que son superiores al 0,05%. Si nos fijamos en log likelihood rate tiene un 0,24%, entonces diramos que X3 no es significativa para el modelo. Por lo tanto aceptamos la hiptesis nula y afirmamos que al introducir esa variable el modelo no mejora. 10. Definimos la hiptesis nula y alternativa: H0: X1 no es redundante para el modelo. H1: X1 es redundante para el modelo. En este caso la probabilidad es superior al 0,05%; por lo tanto aceptamos la hiptesis nula. Podemos afirmar que la variable X1 es redundante para el modelo.