Está en la página 1de 11

INGRESO PROMEDIO Y SUS VARIABLES EN EL PER DEL

2004-2012
1.- MODELO DE REGRESIN:
INGRESO ESCOLARIDAD GENERO REGION RESIDENCIA
1 929.3 3 0 5 8
2 920.3 3 1 5 8
3 988.6 3 0 5 8
4 1 078.0 4 1 7 8
5 1 232.8 4 1 7 8
6 1 295.3 4 0 7 8
7 1 316.6 4 1 7 8
8 1 407.6 4 1 7 8
9 1 508.6 4 1 7 8
10 589.0 2 1 6 9
11 620.0 2 0 6 9
12 651.6 2 0 6 9
13 716.9 2 1 6 9
14 735.6 3 1 6 8
15 827.0 3 0 6 8
16 821.0 3 1 6 8
17 901.2 3 1 5 8
18 993.1 3 1 5 8
19 506.8 2 0 6 9
20 515.0 2 0 6 9
21 537.6 2 0 6 9
22 616.9 2 1 6 9
23 747.6 3 0 5 8
24 834.3 3 1 5 8
25 868.5 3 1 5 8
26 948.7 3 0 5 8
27 1 002.2 4 1 7 8
28 478.9 2 1 6 9
29 503.5 2 0 6 9
30 571.9 2 1 6 9
31 691.5 2 0 6 9
32 797.8 3 1 6 8
33 837.7 3 1 6 8
34 943.8 3 1 5 8
35 1 051.7 4 1 7 8
36 1 083.0 4 0 7 8
37 969.4 4 0 7 8
38 955.5 3 0 7 8
39 1 030.5 4 1 7 8
40 1 098.7 4 1 7 8
41 1 253.3 4 1 7 8
42 1 315.1 4 1 7 8
43 1 321.8 4 0 7 8
44 1 414.5 4 1 7 8
45 1 530.3 4 0 7 8
46 340.5 2 1 6 9
47 343.8 2 1 6 9
48 367.0 2 0 6 9
49 411.9 2 0 6 9
50 493.4 2 0 6 9
51 555.6 2 1 6 9
52 597.1 2 1 6 9
53 659.6 2 1 6 9
54 694.2 2 1 6 9
55 929.3 3 1 5 8
56 920.3 3 1 5 8
57 988.6 3 1 5 8
58 1 078.0 4 0 7 8
59 1 232.8 4 0 7 8
60 1 295.3 4 0 7 8
61 1 316.6 4 1 7 8
62 1 407.6 4 0 7 8
63 1 508.6 4 0 7 8
64 489.7 2 1 6 9
65 487.7 2 0 6 9
66 523.2 2 1 6 9
67 526.8 2 0 6 9
68 587.8 2 1 6 9
69 615.1 2 0 6 9
70 653.8 2 1 6 9
71 710.8 2 1 6 9
72 679.1 2 0 6 9
73 652.4 2 1 6 9
74 698.6 2 0 6 9
75 697.1 2 1 6 9
76 720.6 2 1 6 8
77 815.9 3 1 5 8
78 873.8 3 0 5 8
79 924.8 3 1 5 8
80 983.0 3 1 5 8
81 938.2 3 0 5 8
82 1 361.4 4 1 5 8
83 1 327.7 4 0 5 8
84 1 446.5 4 1 7 8
85 1 507.3 4 0 7 8
86 1 615.3 4 1 7 8
87 1 689.8 4 1 7 8
88 1 625.2 4 1 7 8
89 1 728.9 4 1 7 8
90 1 499.3 4 1 7 8

Donde:
0: femenino
1: masculino
2: primaria
3: secundaria
4: superior
5: sierra
6: selva
7: costa
8: urbano
9: rural

1.1 INGRESANDO LOS DATOS EN EVIEWS













1.2 PRIMERA REGRESIN TOMANDO LAS VARIABLES
INDEPENDIENTES GENERO Y ESCOLARIDAD









La variables gnero y escolaridad son significativas ya que explican al
ingreso en un 83%.
Estas dos variables pueden ser suficientes para explicar el ingreso

1.3 SEGUNDA REGRESIN TOMANDO LAS VARIABLES
INDEPENDIENTES GENERO Y REGIN









La variable gnero y regin de alguna manera no son tan significativas
ya que, estos dos variables explican al nivel de ingresos en un 24%, y la
probabilidad de que ocurra la variable gnero es 0.2 esto implica que se
rechaza la hiptesis nula, lo cual se concluye que esta variable es al
menos significativo.





1.4 TERCERA REGRESIN TOMANDO LAS VARIABLES
INDEPENDIENTES GENERO Y RESIDENCIA









La variable gnero y residencia son significativas para explicar al nivel
de ingresos, ya que estas variables explican en un 59%.


1.5 CUARTA REGRESIN TOMANDO TODAS LAS VARIABLES
INDEPENDIENTES









Las variables gnero, escolaridad, regin y residencia son muy
significativas ya que en su conjunto pueden explicar el nivel de ingresos
en un 84%.



2.- DIAGNOSTICO DEL MODELO CORTE TRANSVERSAL

En muestras de seccin cruzada o de corte transversal, hay a veces razones
para pensar que los coeficientes del modelo sean distintos entre dos o ms
submuestras. Es decir, hay heterogeneidad paramtrica entre submuestras.
Podramos estar analizando la rentabilidad de los activos de las empresas
industriales en funcin de su tamao, la composicin de los mismos, su modo
de financiacin, etc, pero quiz el modo en que estas variables afectan a la
rentabilidad no es el mismo para empresas exportadoras que para empresas
no exportadoras, por ellos se usan las siguientes metodologas para corregir
estos errores.

TEST DE ESTABILIDAD ESTRUCTURAL DE CHOW:

Consiste en comprar si las ltimas observaciones mustrales disponibles
presente cambio respecto a las anteriores.
H
0:
Existe estabilidad estructural en el modelo.
H
1:
Existe un comportamiento distinto en cada grupo.

La hiptesis nula (estabilidad estructura) y alternativa (cambio estructural) se
expresan en trminos de parmetros:






Para verificar que solo hay un cambio estructural se usa F, y para varios se usa
el estadstico Chow , que proviene del estadstico de razn de verosimilitud; el
cual se distribuye asintticamente como una X2 con grados de libertad igual al
producto del nmero de cambios estructurales por el nmero de parmetros a
estimar en el modelo restringido.
El test de Chow no busca cambios estructurales en la muestra, sino que
confirma o desmiente una sospecha previa de cambio estructural por parte del
modelizador. As pues, debe conocerse el punto o los puntos de cambio de
estructura; en la prctica sospechamos, por tanto, y a priori, de la aparicin de
|
|
|
|
|
.
|

\
|
=
|
|
|
|
|
.
|

\
|
2
2
1
2
0
1
1
1
1
0
0
:
k k
H
|
|
|
|
|
|

|
|
|
|
|
.
|

\
|
=
|
|
|
|
|
.
|

\
|
2
2
1
2
0
1
1
1
1
0
1
:
k k
H
|
|
|
|
|
|

un punto de ruptura, bien por la existencia de razones tericas que avalen
conceptualmente ese cambio4, bien por observar, en los resultados obtenidos,
alguno de los sntomas habituales en presencia de un cambio estructural.
Para el caso de un nico punto de cambio estructural:
1. Se divide la muestra total de tamao n en las dos submuestras que
determina el punto de corte de tamaos n1 y n2 respectivamente.
2. Adems del modelo inicialmente estimado (el originalmente estimado
para el total de la muestra) se estiman ahora dos modelos ms, uno en
cada una de las dos submuestras identificadas. De cada una de estas
dos nuevas estimaciones parciales se obtendr, evidentemente, un
conjunto de parmetros diferentes as como unos errores de estimacin
diferentes.
3. Utilizando los errores de la estimacin original y de las dos estimaciones
parciales se elabora el siguiente contraste, cuya hiptesis nula ser que
los dos conjuntos de parmetros (los derivados de los submodelos de
las distintas sub-muestras) son iguales:






donde (ee) es la suma cuadrtica residual para el modelo global estimado con
n datos, (e1e1) es la suma cuadrtica residual para el modelo estimado en la
primera submuestra de tamao n1 y (e2e2) es la suma cuadrtica residual
para el modelo estimado en la segunda submuestra de tamao n2.



ESTIMACIN RECURSIVA
Cuando los datos son temporales y se desconoce el momento en que se ha
producido el cambio estructural. Se hace la estimacin secuencial del modelo
especificado para distintos tamaos de muestras, si no hay cambio estructural
las estimaciones de los parmetros se mantienen constantes al ir aumentando
la muestra secuencialmente y los residuales no se desviarn ampliamente de
cero.
Si no existe cambio estructural, las sucesivas estimaciones de los parmetros
debieran mantenerse constantes y los residuos no se desviarn mucho de
cero.

RESIDUOS RECURSIVOS:
Estos son los errores de prediccin de un periodo hacia delante calculados en
cada etapa de la estimacin recursiva.

Estadstico CUSUM:

Es otra forma de detectar la estabilidad estructural, y se basa en la
suma acumulada de los residuos recursivos

w
t
W
t
t
=
T =k +2

S

Donde S es el error estndar de la regresin estimada con todas las
observaciones disponibles. Bajo la Ho de estabilidad estructural Wt tiene
u=0 por lo que sumas acumuladas que se alejan de u revelan que hay
inestabilidad.

CUSUMQ:
Es otra manera para detectar el quiebre estructura, su grfico se basa en
la suma acumulada de los cuadrados de los residuos recursivos, se
utiliza para verificar H0: sumas acumuladas de los cuadrados de los
residuos recursivos.



Bajo Ho de estabilidad de los parmetros, St tiene una esperanza
matemtica cuyo valor oscila entre 0 y 1. El contraste se hace
enfrentando los residuos St con t junto con sus bandas de confianza que
se calculan con cierto grado de confianza ( ) y de error () o nivel de
significacin. Si la curva se sale de las bandas, hay ausencia de
estabilidad estructural.
TEST DE CHOW
Este contraste consiste en comprar si las ltimas observaciones mustrales
disponibles presente cambio respecto a las anteriores. En este nuestro caso
vamos a estudia la existencia un quiebre en 1986.
H
0:
Existe estabilidad estructural en el modelo.
H
1:
Existe un comportamiento distinto en cada grupo.

La hiptesis nula (estabilidad estructura) y alternativa (cambio estructural) se
expresan en trminos de parmetros.
View/ Stability Diagnostics/ Chow Breakpoint Test








En el cuadro de dialogo se deben escribir los o fechas en los que ocurre el
cambio estructural
TEST DE RAMSEY:
Para saber si nuestras variables regresoras cumplen bien con explicar el
modelo, le aplicaremos la prueba de Ramsey.
H 0: El modelo est bien especificado.
H 1: El modelo no est bien especificado.
La alternativa para tratar la no linealidad consiste en transformar el modelo, Lo
principal es la forma en la que se encuentra los parmetros en la ecuacin,
pues mediante logaritmos o exponentes se puede convertir en lineales.
La probabilidad asociada al F estadstico del test de Ramsey si es mayor al
cinco por ciento, p>5%, no se rechaza la hiptesis nula.
Lo principal es la forma en la que se encuentra los parmetros en la ecuacin,
pues mediante logaritmos o exponentes se puede convertir en lineales.
Algunas de las formas ms usuales son:
View/ Stability Diagnostics/ Chow Ramsey RESET Test







Notemos que, la probabilidad asociada al
F estadstico del test de Ramsey RESET es
igual a 57.59% (p>5%,por lo no se rechaza
la hiptesis nula). Por lo tanto no se puede
rechazar la hiptesis nula de que el modelo
est bien especificado. Es decir que las variables
regresoras cumplen con el objetivo de explicar
bien el modelo.