Está en la página 1de 137

ECONOMETRIA I 61016- 4. MSc.

GUERLY LOPEZ PALACIO


Unidad 1. INTRODUCCION A LA ECONOMETRIA.
Qu es la econometra. las variables, Las ecuaciones, La informacin: Tipos de datos. Los
modelos. El papel de los modelos economtricos en la investigacin econmica aplicada. Los
coeficientes. Fases en la realizacin de un trabajo economtrico. La evaluacin de los resultados.
Unidad 2. MODELO DE REGRESION LINEAL SIMPLE.
Qu es un anlisis de regresin. Fuentes del trmino de error. Estimacin algebraica de los
parmetros Mnimos Cuadrados Ordinarios (MCO). Estimacin algebraica de los parmetros
Mxima Verosimilitud (MV). nterpretacin de los estimadores en los modelos de regresin.
Supuestos del modelo clsico de regresin lineal. Coeficiente de determinacin o medida de
bondad de ajuste. Coeficiente de correlacin simple muestral. Pronstico, estimacin puntual y por
intervalos. Aplicaciones del modelo lineal en dos variables:
Modelo Lineal polinomio (cuadrtica, hiperblica) - Reciproco - Logartmico Log - Lin y Lin
Log. exponencial - Cobb-Douglas.
Unidad . MODELO DE REGRESION LINEAL MULTIPLE.
Especificacin y estimacin matricial de los parmetros del modelo. Propiedades de los
estimadores de los parmetros. Valor esperado y propiedades matemticas del valor esperado. La
varianza y propiedades de la varianza. Matriz de varianzas y covarianzas de

. Propiedades de
los estimadores

de MCO bajo el supuesto de normalidad. Anlisis ANOVA. Varianza del error.


Error cuadrtico medio. Teorema de Gauss_Markov (Teorema Central del Lmite). Coeficiente de
determinacin ajustado o corregido. Coeficiente de correlacin parcial.
Prueba de Hiptesis sobre los parmetros del modelo. Pronstico, estimacin por intervalos.
Variables dicotmicas. Supuesto de Normalidad. Estadstico Jarque Bera, Prueba de Shapiro &
Wilk. Mtodo de mxima verosimilitud (MV). Propiedades de los estimadores de MV. Teorema
Cramer-Rao. Errores de especificacin.
Ejercicios de aplicacin utilizando un paquete economtrico (SPSS EVEWS).
Unidad 4. INCUMPLIMIENTO DE LOS SUPUESTOS EN EL MODELO DE REGRESION LINEAL.
Multicolinealidad. Origen, consecuencias, como detectarla y como corregirla. Multicolinealidad
Exacta. Medicin de multicolinealidad por el Test de Theil.
Heterocedasticidad. Origen, consecuencias, como detectarla y como corregirla. Prueba de
Goldfeld-Quandt. Prueba de Breusch-Pagan. Prueba de Park, Prueba de Glejser, Prueba de
Harvey, Prueba de Godfrey. Prueba de Barlett. Prueba general de White. Prueba de Spearman.
Contraste de picos (peak-test). Transformacin de Box y Cox
Autocorrelacin Serial en los residuos. Origen, consecuencias, como detectarla y como corregirla.
Estadstico de Durbin & Watson. Correlograma
ASPECTOS !UNDAMENTALES DE LOS MODELOS ECONOMETRICOS LINEALES
GENERALES UNIECUACIONALES.
1
Dia"#a$a G%&'a% C&n()#*cci+n d,% $&d,%& ,c&n+$ic&
!&#$*%aci+n d, M&d,%&( Ec&n&$-)#ic&(.
2
Formulacin del postulado que describe el fenmeno econmico observado.
Definicin y relacin de variables econmicas de anlisis (endgena y exgenas)

Fuente de datos (serie estadstica temporal)
Formulacin matemtica del modelo economtrico
(ajuste: lineal, cuadrtico, cubico, inverso, logartmico, exponencial, potencia, compuesto, curva
S, logstico, crecimiento, autorregresivo, ARMA, entre otros).
Uso del modelo estadstico de tendencia para estimacin de mortalidad esperada
Estimacin de los residuos = error estimado = Yobservado - Yestimado (a travs del modelo).
= error estimado = Yobservado - Yestimado (a travs del modelo).
.
Pruebas de hiptesis estadstica de la significancia de las estimaciones.
Prueba hiptesis estadstica significancia parmetros estimados puntual y por intervalo (estadstica Z, T)
Prueba de hiptesis estadstica ajuste del modelo estimado (estadstica F-ANOVA)
Prueba de hiptesis estadstica significancia coeficiente de correlacin y determinacin
Prueba hiptesis estadstica Multicolinealidad, Heterocedasticidad, Autocorrelacin (estadstica Durbin
Watson).
Estimacin del modelo economtrico formulado (Mnimos Cuadrados Ordinarios-MCO). Uso
de software Statistical Pocket for Social Science-SPSS, Econometrics-Eviews, Stata.
Uso del modelo econmico estimado para pronstico y toma de decisiones.
El siguiente es el algoritmo estadstico para formular matemticamente modelos
economtricos, estimar los parmetros del modelo y su uso para pronstico en el corto y
largo plazo.
i)Enunciar el postulado econmico,
ii)plantear la relacin funcional a partir de la identificacin de variables endgena,
exgenas,
iii) Seleccionar la serie estadstica temporal,
I.) formular matemticamente el modelo economtrico,
/)estimar el modelo economtrico mediante Mnimos Cuadrados Ordinarios (MCO),
algoritmo matricial [Bi] = 01 213
- 1
4
01 2Y3

,
/i)someter el modelo estimado a la validacin respectiva mediante algoritmo de pruebas
de hiptesis de significancia estadstica:
0a) significancia de los parmetros-coeficientes i estimados,
') coeficiente de determinacin R
2
.
c3 tipo de modelo ajustado, a travs del test F (ANOVA), Si el modelo ajustado no cumple
la validez de pruebas de hiptesis estadsticas, o cuando las variables no estn
relacionadas linealmente, se transforman los datos. Cuando la transformacin no resulte
til, podemos necesitar un modelo ms complicado.
Analizamos el diagrama de dispersin de los datos; si el diagrama se parece a una
funcin matemtica reconocible, ajustamos los datos a ese tipo de modelo (Por ejemplo,
si los datos se parecen a una funcin exponencial, utilice un modelo exponencial), de lo
contrario, seleccionamos uno o ms modelos de estimacin curvilnea por regresin
(inverso, logartmico, exponencial, cuadrtico, cubico, potencia, compuesto, S, logstica,
crecimiento), disponibles en la librera del software S.P.S.S., y que se formulan
matemticamente a continuacin,
/ii) usos del modelo para inferir.
t t Y lineal Modelo + t
1 0
: _
, . valores de la serie se modelan como funcin lineal del tiempo.
3
t t t Y Cuadratico Modelo + t t
2
2 1 0
: _
El modelo cuadrtico puede utilizarse para modelar una serie que
"despega" o una serie que se amortigua.
t t t t Y Cubico Modelo + t t t
3
3
2
2 1 0
: _

t
t
Y Inverso Modelo + t
1
: _
1 0


t t Ln Y o Logaritmic Modelo + t ) ( : _
1 0


t
T
Y Ln ciproco o Logaritmic Modelo + t
1
* ) ( : Re _ _
1 0

t Y l Exponencia Modelo
T
+
) (
0
1
* : _

, o ,
t t Ln Y Ln + t
1 0
) ( ) (
t t Y Potencia Modelo +
1
* : _
0

, o,
t t Ln Ln Y Ln + t ) ( * ) ( ) (
1 0

t Y Copuesto Modelo
T
+ ) ( * : _
1 0

, o,
t Ln t Ln Y Ln + t ) ( * ) ( ) (
1 0

( )
t Y o Crecimient Modelo
T
+
+ )
1 0
: _

, o,
t t Y Ln + t
1 0
) (
t Y S Curva Modelo
T
+
+ ) (
1
* 1
0
: _ _

, o,
t
t
Y Ln + +
1
* ) (
1 0

[ ]
t
U
Y Logistico Modelo
T
+
+
,
_

) ( * (
1
1
: _
1 0

, o,
t t Ln Ln
U Y
Ln + +
1
]
1

* ) ( ) (
1 1
1 0

,
donde u es el valor del lmite superior. Tras seleccionar Logstico, especifique un
valor para el lmite superior que ser usado en la ecuacin de regresin. El valor
debe ser un nmero positivo mayor que el valor mximo de la variable
dependiente.
ESTIMACION DE LOS PARAMETROS DEL MODELO ECONOMETRICO.
Estime el modelo simple inverso
u
t
e t desempleo lacion + + ) / 1 .( 1 inf
0
y Obtenga
mediante el software SPSS, el Intervalo de confianza al 90%, al 9% ! al 99% "ara los
"ar#metros estimados, en los modelos form$lados e inter"rete los %allazgos&
'
R&*)in, MODELO IN.ERSO5
Transformar / calcular variable / variable de destino (tasadesinversa) = (1 / tasades) / aceptar
GET
FLE='C:\Users\galpalacios\Documents\GUERLY LOPEZ
PALACO\UNSALLE\ECONOMETRAUno\Salarios.sav'.
COMPUTE tasadesinversa=1 / tasades.
EXECUTE.
Periodo ao salario PC Tasa Des var sal tasa desempleo inversa
1 2001 286000 7.65 18.20 9.96 .05
2 2002 309000 6.99 17.60 8.04 .06
3 2003 332000 6.40 16.70 7.44 .06
4 2004 358000 5.50 15.40 7.83 .06
5 2005 381500 4.85 13.90 6.56 .07
6 2006 408000 4.48 13.00 6.95 .08
7 2007 433700 5.69 11.40 6.30 .09
8 2008 461500 7.67 10.60 6.41 .09
9 2009 496900 2.00 11.70 7.67 .09
REGRESSION
/MISSING LISTWISE /STATISTICS COEFF OUTS CI(90) R ANOVA
/CRITERIA!IN(.05) !OUT(.10)
/NOORIGIN /"E!EN"ENT I!C /MET#O"ENTER $%&%'(&)*+(,&%.
R,"#,(i+n
-C.*/0*$.1'(1'%$.&12 C34U&(,&45%67%6%8).&4".809(*$&4GUERL: LO!E;
!ALACIO4UNISALLE4ECONOMETRIAU*.4S%6%,).&.&%+

La curva de Phillips (1958) relaciona la inflacin variable endgena (ndice de precios al


consumidor-PC definida como la variacin porcentual de los precios de los bienes de una
canasta bsica del periodo actual con respecto a un periodo base, o costo de vida) y el
desempleo variable exgena, de manera inversa.
El modelo econmico simple que relaciona la inflacin y el desempleo en el periodo 2001-
2009, se formula como
u
t
e Xt Y + + ) / 1 ( * 1
0
Donde:
t
Y = nflacin (%)
t
X = tasa
desempleo (periodicidad anual: 2001-2009, n=9 aos).
) / 1 ( 076 . 43 . 817 . 8 Xt Y
t

En la medida que el desempleo aumente indefinidamente, la inflacin aumentar mximo
hasta el 8.817% con base en la serie estadstica 2001-2009 y la estimacin por intervalo
al 90%, permite estimar que la inflacin aumentar mximo entre 2.652% y 14.983%,
estadsticamente significativos y confiables, comprobados mediante prueba de hiptesis
de significancia estadstica t-Student, p< 0.05.
(
C&,6ici,n),(
a
Modelo
Coeficientes no estandarizados Coeficientes tipificados
t Sig.
ntervalo de confianza de 90,0% para B
B Error tp. Beta Lmite inferior Lmite superior
1 (Constante) 8.817 3.254 2.709 .030 2.652 14.983
tasadesinversa -43.076 44.087 -.346 -.977 .361 -126.603 40.451
a. Variable dependiente: PC
In),#/a%& d, C&n6ian7a a% 89:
C&,6ici,n),(
a
Modelo
Coeficientes no estandarizados Coeficientes tipificados
t Sig.
ntervalo de confianza de 95,0% para B
B Error tp. Beta Lmite inferior Lmite superior
1 (Constante) 8.817 3.254 2.709 .030 1.122 16.513
Tasadesinversa -43.076 44.087 -.346 -.977 .361 -147.326 61.174
a. Variable dependiente: PC
In),#/a%& d, C&n6ian7a a% 88:
C&,6ici,n),(
a
Modelo
Coeficientes no estandarizados Coeficientes tipificados
t Sig.
ntervalo de confianza de 99,0% para B
B Error tp. Beta Lmite inferior Lmite superior
1 (Constante) 8.817 3.254 2.709 .030 -2.571 20.206
tasadesinversa -43.076 44.087 -.346 -.977 .361 -197.359 111.207
a. Variable dependiente: PC
)
Ta%%,# 1 Ec&n&$,)#;a I. ECR11 "#*<& 20. MSc. GUERLY LOPEZ 0<a#a ,n)#,"a# 6,'#,#& 21=20113
A partir de los datos sobre Consumo semanal (C) e ingresos semanales (Y)
medidos en dlares de sesenta (60) familias,
a)*efina el "ost$lado econ+mico ,$e re"resenta este evento, b) determine el ti"o de
modelo, la variable end+gena ! la variable e-"licativa, c. c$antos "ar#metros se
estimar#n, d. /stime los "ar#metros 0"$nt$al ! "or intervalo. del modelo sim"le lineal
u
t
e t Ingreso Consumo + + . 1
0
, interprete e. inter"rete los res$ltados obtenidos "ara
el coeficiente nat$ral
0

,! "ara la "ro"ensi+n marginal al cons$mo


1
, f. *esarrolle el
test de %i"+tesis de significancia de los "ar#metros estimados del modelo e inter"rete el
coeficiente nat$ral ! la tasa marginal obtenidos de la relaci+n de las variables observadas
d$rante el "eriodo de an#lisis, g. concl$!a sobre el coeficiente de determinaci+n del
modelo estimado&
ngreso (Y) Consumo ngreso (Y) Consumo ngreso (Y) Consumo
1 80 55 26 160 110 51 240 165
2 80 60 27 160 116 52 240 175
3 80 65 28 160 118 53 240 189
4 80 70 29 160 125 54 260 150
5 80 75 30 180 110 55 260 152
6 100 65 31 180 115 56 260 175
7 100 70 32 180 120 57 260 178
8 100 74 33 180 130 58 260 180
9 100 80 34 180 135 59 260 185
10 100 85 35 180 140 60 260 191
11 100 88 36 200 120
12 120 79 37 200 136
13 120 84 38 200 140
14 120 90 39 200 144
15 120 94 40 200 145
16 120 98 41 220 135
17 140 80 42 220 137
18 140 93 43 220 140
19 140 95 44 220 152
20 140 103 45 220 157
21 140 108 46 220 160
22 140 113 47 220 162
23 140 115 48 240 137
24 160 102 49 240 145
25 160 107 50 240 155
D,(a##&%%& Ta%%,# 1 Ec&n&$,)#;a I. ECR11 "#*<& 20. 6,'#,#& 21=2011
1
A partir de los datos sobre Consumo semanal (C) e ingresos semanales (Y)
medidos en dlares de sesenta (60) familias,
a)Defina el postulado econmico que representa este evento.
John Maynard Keynes (1886 1941) economista ingles comprob que el consumo
se encuentra relacionado directamente proporcional con el ingreso. Cuanto ms
alto es el ingreso de una persona u hogar, mas alto ser su consumo; de esta
manera se establece que las personas u hogar con ingresos ms altos tienden a
consumir ms que las personas u hogar con ingresos ms bajos. El consumo
aumenta cuando se incrementa el ingreso. Se formula una relacin directa entre el
ingreso y el consumo.
b) determine el tipo de modelo, la variable endgena y la variable explicativa,
Modelo simple (dos variables: endgena el consumo y explicativa o exgena el
ingreso)
c. cuantos parmetros se estimarn,
dos parmetros: el consumo autnomo o natural 0
0
) independiente del ingreso
(las personas u hogar tienden a consumir un mnimo para poder subsistir tengan o
no ingresos) y la tasa marginal al consumo o propensin marginal al consumo 0
1
.
d. Estime los parmetros (puntual y por intervalo) del modelo simple lineal
u
t
e t Ingreso Consumo + + . 1
0
,
Estimacin puntual, e intervalo al 95% confianza:
t Ingreso estimado Consumo
t
. 6 , 0 17 +
Coeficientes
a
Modelo
Coeficientes no
estandarizados
Coeficientes
tipificados
t Sig.
ntervalo de confianza de
95,0% para B
B Error tp. Beta
Lmite
inferior
Lmite
superior
1 (Constante) 17,000 4,662

3,647 ,001 7,668 26,332
ngresoY ,600 ,025 ,951 23,537 ,000 ,549 ,651
2ariable de"endiente3 4ons$mo 4&
SUMMARY OUTPUT
Regression Statistics
Multiple R 0,794843
R Square 0,631775
Adjusted R 0,611318
9
Square
Standard Error 8,320912
Observations 20
ANOVA
df SS MS F
Significance
F
Regression 1 2138,274 2138,274 30,88314 2,83E-05
Residual 18 1246,276 69,23757
Total 19 3384,55

Coefficient
s
Standard
Error t Stat P-value Loer !"#
$pper
!"#
Loer
!"%&#
$pper
!"%&#
ntercept 27,85526 9,592345 2,903905 0,009465 7,702493 48,00803 7,702493 48,00803
X Variable 1 0,484211 0,087131 5,55726 2,83E-05 0,301155 0,667266 0,301155 0,667266

NGRESO CONSUMO
80 55
80 60
80 65
80 70
80 75
100 65
100 70
100 74
100 80
100 85
100 88
120 79
120 84
120 90
120 94
120 98
140 80
140 93
140 95
140 103
e. interprete los resultados obtenidos para el coeficiente natural 0

,y para la
propensin marginal al consumo
1
,
10

0
=17 dlares semanal, determina que el consumo autnomo o natural de las
familias es 17 dlares semanales (sin considerar el ingreso).

1
= 0.6 dlares semanales (pendiente positiva) propensin marginal al consumo,
explica una relacin indirecta entre el consumo C y el ingreso (Y), por cada dlar de
ingreso semanal, de los hogares, se destinan 60 centavos semanales al consumo,
(existiendo una relacin de 1 : 0.6).
Intervalo de confianza (I.C.) al 95 '
Se estima el .C. al 95% para cada uno de los parmetros estimados 0 !
1
(estimaci)n de intervalo*'
I.C. al 95"#(bi $ (z %& ' ee b i)(= i (= bi ) (z %& 'ee bi) = *.95
Con =0.05, /2=0.025, Z /2= 1.96 (constante de confiabilidad de la distribucin
normal estndar al 95% confianza).
+'C' al !"# para
*
= ,-. / (-'!0 1 2'003* 4 5=
*
5= ,-. 6 (-'!0 1 2'003* 4
+'C' al !"# para
*
7 , .'008 5=
*
5= 30'993 4 7 , .'008 : 30'993 4'
El consumo autnomo o natural de las familias se estima entre 7.668 y 26.332
dlares semanales, estimado mediante la distribucin normal estndar (Z) al 95%
de confianza, (sin considerar el ingreso).
+'C' al !"# para
1
= ,&'0 / (-'!0 1 &'&3"* 4 5=
1
5= ,&'0 6 (-'!0 1 &'&3"* 4
+'C' al !"# para
1
7 , &'"2! 5=
1
5= &'0"- 4 7 , &'"2! : &'0"- 4'
La propensin marginal al consumo de las familias se estima entre 55 y 65
centavos semanales, estimado mediante la distribucin normal estndar (Z) al
95% de confianza.
f. Desarrolle el test de hiptesis de significancia de los parmetros estimados del
modelo e interprete el coeficiente natural y la tasa marginal obtenidos de la
relacin de las variables observadas durante el periodo de anlisis,
test de hiptesis de significancia estadstica para el parmetro estimado (consumo
autnomo o natural)
*
i.Se plantea la >i<+),(i( n*%a ?&:
*
= * Y la hiptesis alterna, H
1
:
*
*
ii.Se escoge un ni/,% d, (i"ni6icancia estadstico ( 05 . 0 ),
iii.Se selecciona la ,()ad;()ica d, <#*,'a
i
i i
eeb
b
T

= (17 0) / 4.662 = 3.647


iv.Decisin: rechazar la hiptesis nula a un nivel de confianza del 95% si"
Zcalculado = 3.647 > Z tabulado distribucin normal ( 025 . 0 2 / , Z=1.96),
11
Por tanto, se rechaza la hiptesis nula (que
0
= 0) y se concluye que el parmetro

0=
17 dlares semanal es estadsticamente significativo: p<0.005 (p=0.001)
test de hiptesis de significancia estadstica del parmetro estimado (propensin
marginal al consumo)
1
i.Se plantea la >i<+),(i( n*%a ?&:
1
= * Y la hiptesis alterna, H1:
1
*
ii.Se escoge un ni/,% d, (i"ni6icancia estadstico ( 05 . 0 ),
iii.Se selecciona la ,()ad;()ica d, <#*,'a
i
i i
eeb
b
T

= (0.6 0) / 0.025 = 23.537


iv.Decisin: rechazar la hiptesis nula a un nivel de confianza del 95% si"
Zcalculado = 23.537 > Z tabulado distribucin normal ( 025 . 0 2 / , Z=1.96),
Por tanto, se rechaza la hiptesis nula (que
1
= 0) y se concluye que el parmetro

1
=
0.6 dlares semanal es estadsticamente significativo: p<0.005 (p=0.0001)
") Desarrolle el test estadstico de validacin del tipo de ajuste del modelo estimado y
concluya,
i.Se plantea la >i<+),(i( n*%a ?&: el modelo simple formulado no se a;usta
lineal'vs' >i<+),(i( a%),#na ?1: el modelo simple formulado se a;usta lineal'
ii.Se escoge un ni/,% d, (i"ni6icancia estadstico ( 05 . 0 ),
iii.Se selecciona la ,()ad;()ica d, <#*,'a (distribucin F anlisis of varianza
(ANOVA)

009 , 554
138 , 128
6 , 70989

uos aticaresid mediacuadr
sin aticaregre mediacuadr
duos odelosresi Chicuadrad
oregresin Chicuadrad
calculado
i
iv.Decisin: rechazar la hiptesis nula a un nivel de confianza del 95% si "
Fcalculado = 554,009 > Ftabulado (F(k-1)=1 grados libertad numerador y F(n-
k)=48 grados libertad denominador( 025 . 0 2 / , Ftabulado= ),
Por tanto, se rechaza la hiptesis nula y se concluye que el modelo simple formulado
se ajusta lineal con una confiabilidad del 95%: p<0.05 (p=0.0001).
ANO.A
'
Modelo Suma de cuadrados gl Media cuadrtica F Sig.
1 Regresin 70989.600 (k-1)=(2-1)=1 70989.600 554.009 .000
a
Residual 7432.000 (n-k)=(60-2)=58 128.138
Total 78421.600 ((n-k)+(k-1) = 58+1=59
a. Variables predictoras: (Constante), ngresoY b. Variable dependiente: ConsumoC. Kparametros, n observaciones
12
>. concluya sobre el coeficiente de determinacin del modelo estimado. c&,6ici,n),
d, d,),#$inaci+n (R ) =0.905, permite inferir que el ingreso (Y) explican el consumo en un
90.5%, a travs del ajuste lineal estimado , 0(R estimado > 0.80) m$! b$eno&
R,(*$,n d,% $&d,%&
Modelo R R cuadrado R cuadrado corregida Error tp. de la estimacin
1 .951
a
.905 .904 11.320
a. Variables predictoras: (Constante), ngresoY
E()i$aci+n d, %&( c&n(*$&( d, %a( 6a$i%ia( a )#a/-( d,% $&d,%& ,()i$ad&5
t Ingreso estimado Consumo
t
. * 6 , 0 17 +
R&*)in,5 Transformar / calcular variable / variable de destino (Boestimado)= expresin numrica
17 / aceptar
COM!UTE <.(&$)9%'.17. E=ECUTE.
R&*)in,5 Transformar / calcular variable / variable de destino (B1estimado)= expresin numrica
0.6 / aceptar
COM!UTE <1(&$)9%'.0.6. E=ECUTE.
t io Ingresomed ado medioestim Consumo
t
. * 6 , 0 17 +
anales dolaressem ado medioestim Consumo
t
2 . 12 ) 67 . 176 ( * 6 , 0 17 +
"ESCRI!TIVES VARIA<LESI*5,(&.: C.*&09.C
/STATISTICSMEAN SUM ST""EV MIN MA=.
D,(c#i<)i/&(
E()ad;()ic&( d,(c#i<)i/&(
N Mnimo Mximo Suma Media Desv. tp.
ngresoY 60 80 260 10420 173.67 57.812
ConsumoC 60 55 191 7272 121.20 36.458
N vlido (segn lista) 60
COM!UTE 8.*&09.(&$)9%'.<.(&$)9%'. > (<1(&$)9%'.) ? I*5,(&.:. E=ECUTE.
COM!UTE (,,.,(&$)9%'.C.*&09.C @ 8.*&09.(&$)9%'.. E=ECUTE.
No. Y C Cestimado error estimado Boestimado B1estimado
13
1 80 55 65.00 -10.00 17 0.6
2 80 60 65.00 -5.00 17 0.6
3 80 65 65.00 .00 17 0.6
4 80 70 65.00 5.00 17 0.6
5 80 75 65.00 10.00 17 0.6
6 100 65 77.00 -12.00 17 0.6
7 100 70 77.00 -7.00 17 0.6
8 100 74 77.00 -3.00 17 0.6
9 100 80 77.00 3.00 17 0.6
10 100 85 77.00 8.00 17 0.6
11 100 88 77.00 11.00 17 0.6
12 120 79 89.00 -10.00
13 120 84 89.00 -5.00
14 120 90 89.00 1.00
15 120 94 89.00 5.00
16 120 98 89.00 9.00
17 140 80 101.00 -21.00
18 140 93 101.00 -8.00
19 140 95 101.00 -6.00
20 140 103 101.00 2.00
21 140 108 101.00 7.00
22 140 113 101.00 12.00
23 140 115 101.00 14.00
24 160 102 113.00 -11.00
25 160 107 113.00 -6.00
26 160 110 113.00 -3.00
27 160 116 113.00 3.00
28 160 118 113.00 5.00
29 160 125 113.00 12.00
30 180 110 125.00 -15.00
31 180 115 125.00 -10.00
32 180 120 125.00 -5.00
1'
33 180 130 125.00 5.00
34 180 135 125.00 10.00
35 180 140 125.00 15.00 17 0.6
36 200 120 137.00 -17.00 17 0.6
37 200 136 137.00 -1.00
38 200 140 137.00 3.00
39 200 144 137.00 7.00
40 200 145 137.00 8.00
41 220 135 149.00 -14.00
42 220 137 149.00 -12.00
43 220 140 149.00 -9.00
44 220 152 149.00 3.00
45 220 157 149.00 8.00
46 220 160 149.00 11.00
47 220 162 149.00 13.00
48 240 137 161.00 -24.00
49 240 145 161.00 -16.00
50 240 155 161.00 -6.00
51 240 165 161.00 4.00
52 240 175 161.00 14.00
53 240 189 161.00 28.00
54 260 150 173.00 -23.00
55 260 152 173.00 -21.00
56 260 175 173.00 2.00
57 260 178 173.00 5.00
58 260 180 173.00 7.00 17 0.6
59 260 185 173.00 12.00 17 0.6
60 260 191 173.00 18.00 17 0.6
1
La serie estadstica temporal de datos sobre Consumo (C) y renta (Y) de la economa
norteamericana durante el periodo 1950-1985 (fuente: Economic Report of the President
US Goverment Printing office. Washington DC), se proceso electrnicamente a travs de
software estadstico econmico, obtenindose los siguientes resultados:
R,"#,(i+n
1(
R,(*$,n d,% $&d,%&
Modelo R R cuadrado R cuadrado corregida Error tp. de la estimacin
1 .999
a
.999 .998 17.703
a. Variables predictoras: (Constante), RentaY
ANO.A
'
Modelo Suma de cuadrados gl Media cuadrtica F Sig.
1 Regresin 7159865.967 1 7159865.967 22846.991 .000
a
Residual 10655.033 34 313.383
Total 7170521.000 35
a. Variables predictoras: (Constante), RentaY b. Variable dependiente: ConsumoC
C&,6ici,n),(
a
Modelo
Coeficientes no estandarizados Coeficientes tipificados
t Sig. B Error tp. Beta
1 (Constante) 88.684 9.056 9.793 .000
RentaY .832 .006 .999 151.152 .000
a. Variable dependiente: ConsumoC
5 "artir de los res$ltados entregados, resolver las sig$ientes "reg$ntas econ+micas3
a)4$antas observaciones se "rocesaron, b) 6orm$le el "ost$lado econ+mico ,$e
relaciona las variables observadas, c. form$le matem#ticamente el modelo econ+mico
"rocesado, d. 7eem"lace los "ar#metros estimados del modelo form$lado ! "rocesado,
e. *esarrolle el test de %i"+tesis de significancia de los "ar#metros estimados del modelo
e inter"rete el coeficiente nat$ral ! la tasa marginal obtenidos de la relaci+n de las
variables observadas d$rante el "eriodo de an#lisis, f. concl$!a sobre el coeficiente de
determinaci+n del modelo estimado&
Periodo a8o 7enta09. 4ons$mo04.
1 190 )91 )33
2 191 119 )'1
3 192 1'' ))1
1)
' 193 110 102
19' 19' 122
( 19 9'' 1)3
) 19( 919 199
1 19) 1012 919
9 191 1021 932
10 199 10() 9)9
11 19(0 1091 100
12 19(1 1123 102
13 19(2 11)0 10(9
1' 19(3 120) 1101
1 19(' 1291 11)0
1( 19( 13( 123(
1) 19(( 1'31 1291
11 19() 1'93 133)
19 19(1 11 1'0
20 19(9 199 1'(
21 19)0 1(11 1'92
22 19)1 1)21 131
23 19)2 1)9) 1(21
2' 19)3 191( 1(19
2 19)' 119( 1(91
2( 19) 1931 1(11
2) 19)( 2001 1)''
21 19)) 20(( 111'
29 19)1 21() 11(
30 19)9 221( 1921
31 1910 221' 193'
32 1911 22'1 1931
33 1912 22(1 1939
3' 1913 233' 200(
3 191' 2'(1 21'3
3( 191 209 21(
SAVE OUTFLE='C:\Users\galpalacios\Documents\GUERLY LOPEZ '+
'PALACO\GALP\2010\UNSALLE\ECONOMETRAUno\RentangresoUSA.sav' /COMPRESSED.
REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA
/CRITERIA!IN(.05) !OUT(.10)
11
/NOORIGIN
/"E!EN"ENT C.*&09.C
/MET#O"ENTER R(*$%:.
R,"#,(i+n
-C.*/0*$.1'(1'%$.&02 C34U&(,&45%67%6%8).&4".809(*$&4GUERL: LO!E;
!ALACIO4GAL!420104UNISALLE4ECONOMETRIAU*.4R(*$%I*5,(&.USA.&%+
.a#ia'%,( in)#&d*cida(=,%i$inada(
'
Modelo Variables introducidas Variables eliminadas Mtodo
1 RentaY
a
. ntroducir
a. Todas las variables solicitadas introducidas. b. Variable dependiente: ConsumoC
R,(*$,n d,% $&d,%&
Modelo R R cuadrado R cuadrado corregida Error tp. de la estimacin
1 .999
a
.999 .998 17.703
a. Variables predictoras: (Constante), RentaY
ANO.A
'
Modelo
Suma de
cuadrados gl Media cuadrtica F Sig.
1 Regresin 7159865.967 1 7159865.967 22846.991 .000
a
Residual 10655.033 34 313.383
Total 7170521.000 35
a. Variables predictoras: (Constante), RentaY b. Variable dependiente: ConsumoC
C&,6ici,n),(
a
Modelo
Coeficientes no estandarizados Coeficientes tipificados
t Sig. B Error tp. Beta
1 (Constante) 88.684 9.056 9.793 .000
RentaY .832 .006 .999 151.152 .000
a. Variable dependiente: ConsumoC
REGRESSION
/"ESCRI!TIVES MEAN ST""EV CORR SIG N
19
/MISSING LISTWISE /STATISTICS COEFF OUTS CI(95) R ANOVA COLLIN TOL
/CRITERIA!IN(.05) !OUT(.10)
/NOORIGIN /"E!EN"ENT C.*&09.C
/MET#O"ENTER R(*$%: /RESI"UALS "UR<IN.
20
E()ad;()ic&( d,(c#i<)i/&(
Media Desviacin tpica N
ConsumoC 1382.83 452.628 36
RentaY 1556.36 543.932 36
C&##,%aci&n,(
ConsumoC RentaY
Correlacin de Pearson ConsumoC 1.000 .999
RentaY .999 1.000
Sig. (unilateral) ConsumoC . .000
RentaY .000 .
N ConsumoC 36 36
RentaY 36 36
.a#ia'%,( in)#&d*cida(=,%i$inada(
'
Modelo Variables introducidas Variables eliminadas Mtodo
1 RentaY
a
. ntroducir
a. Todas las variables solicitadas introducidas. b. Variable dependiente: ConsumoC
R,(*$,n d,% $&d,%&
'
Modelo R R cuadrado R cuadrado corregida Error tp. de la estimacin Durbin-Watson
1 .999
a
.999 .998 17.703 .965
a. Variables predictoras: (Constante), RentaY b. Variable dependiente: ConsumoC
ANO.A
'
Modelo Suma de cuadrados gl Media cuadrtica F Sig.
1 Regresin 7159865.967 1 7159865.967 22846.991 .000
a
Residual 10655.033 34 313.383
Total 7170521.000 35
a. Variables predictoras: (Constante), RentaY
21
E()ad;()ic&( d,(c#i<)i/&(
Media Desviacin tpica N
ConsumoC 1382.83 452.628 36
RentaY 1556.36 543.932 36
C&##,%aci&n,(
ConsumoC RentaY
Correlacin de Pearson ConsumoC 1.000 .999
RentaY .999 1.000
Sig. (unilateral) ConsumoC . .000
RentaY .000 .
N ConsumoC 36 36
RentaY 36 36
.a#ia'%,( in)#&d*cida(=,%i$inada(
'
Modelo Variables introducidas Variables eliminadas Mtodo
1 RentaY
a
. ntroducir
a. Todas las variables solicitadas introducidas. b. Variable dependiente: ConsumoC
R,(*$,n d,% $&d,%&
'
Modelo R R cuadrado R cuadrado corregida Error tp. de la estimacin Durbin-Watson
1 .999
a
.999 .998 17.703 .965
a. Variables predictoras: (Constante), RentaY b. Variable dependiente: ConsumoC
ANO.A
'
Modelo Suma de cuadrados gl Media cuadrtica F Sig.
1 Regresin 7159865.967 1 7159865.967 22846.991 .000
a
Residual 10655.033 34 313.383
Total 7170521.000 35
a. Variables predictoras: (Constante), RentaY
22
E()ad;()ic&( d,(c#i<)i/&(
Media Desviacin tpica N
ConsumoC 1382.83 452.628 36
RentaY 1556.36 543.932 36
C&##,%aci&n,(
ConsumoC RentaY
Correlacin de Pearson ConsumoC 1.000 .999
RentaY .999 1.000
Sig. (unilateral) ConsumoC . .000
RentaY .000 .
N ConsumoC 36 36
RentaY 36 36
.a#ia'%,( in)#&d*cida(=,%i$inada(
'
Modelo Variables introducidas Variables eliminadas Mtodo
1 RentaY
a
. ntroducir
a. Todas las variables solicitadas introducidas. b. Variable dependiente: ConsumoC
R,(*$,n d,% $&d,%&
'
Modelo R R cuadrado R cuadrado corregida Error tp. de la estimacin Durbin-Watson
1 .999
a
.999 .998 17.703 .965
a. Variables predictoras: (Constante), RentaY b. Variable dependiente: ConsumoC
ANO.A
'
Modelo Suma de cuadrados gl Media cuadrtica F Sig.
1 Regresin 7159865.967 1 7159865.967 22846.991 .000
a
Residual 10655.033 34 313.383
Total 7170521.000 35
a. Variables predictoras: (Constante), RentaY
23
E()ad;()ic&( d,(c#i<)i/&(
Media Desviacin tpica N
ConsumoC 1382.83 452.628 36
RentaY 1556.36 543.932 36
C&##,%aci&n,(
ConsumoC RentaY
Correlacin de Pearson ConsumoC 1.000 .999
RentaY .999 1.000
Sig. (unilateral) ConsumoC . .000
RentaY .000 .
N ConsumoC 36 36
RentaY 36 36
.a#ia'%,( in)#&d*cida(=,%i$inada(
'
Modelo Variables introducidas Variables eliminadas Mtodo
1 RentaY
a
. ntroducir
a. Todas las variables solicitadas introducidas. b. Variable dependiente: ConsumoC
R,(*$,n d,% $&d,%&
'
Modelo R R cuadrado R cuadrado corregida Error tp. de la estimacin Durbin-Watson
1 .999
a
.999 .998 17.703 .965
a. Variables predictoras: (Constante), RentaY b. Variable dependiente: ConsumoC
ANO.A
'
Modelo Suma de cuadrados gl Media cuadrtica F Sig.
1 Regresin 7159865.967 1 7159865.967 22846.991 .000
a
Residual 10655.033 34 313.383
Total 7170521.000 35
a. Variables predictoras: (Constante), RentaY
2'
E()ad;()ic&( d,(c#i<)i/&(
Media Desviacin tpica N
ConsumoC 1382.83 452.628 36
RentaY 1556.36 543.932 36
C&##,%aci&n,(
ConsumoC RentaY
Correlacin de Pearson ConsumoC 1.000 .999
RentaY .999 1.000
Sig. (unilateral) ConsumoC . .000
RentaY .000 .
N ConsumoC 36 36
RentaY 36 36
.a#ia'%,( in)#&d*cida(=,%i$inada(
'
Modelo Variables introducidas Variables eliminadas Mtodo
1 RentaY
a
. ntroducir
a. Todas las variables solicitadas introducidas. b. Variable dependiente: ConsumoC
R,(*$,n d,% $&d,%&
'
Modelo R R cuadrado R cuadrado corregida Error tp. de la estimacin Durbin-Watson
1 .999
a
.999 .998 17.703 .965
a. Variables predictoras: (Constante), RentaY b. Variable dependiente: ConsumoC
ANO.A
'
Modelo Suma de cuadrados gl Media cuadrtica F Sig.
1 Regresin 7159865.967 1 7159865.967 22846.991 .000
a
Residual 10655.033 34 313.383
Total 7170521.000 35
a. Variables predictoras: (Constante), RentaY
2
2(
C&,6ici,n),(
a
Modelo
Coeficientes no estandarizados
Coeficientes
tipificados
t Sig.
ntervalo de confianza de 95,0%
para B Estadsticos de colinealidad
B Error tp. Beta Lmite inferior Lmite superior Tolerancia FV
1 (Constante) 88.684 9.056 9.793 .000 70.280 107.088
RentaY .832 .006 .999 151.152 .000 .820 .843 1.000 1.000
a. Variable dependiente: ConsumoC
2)
La serie estadstica temporal de datos sobre salario promedio anual profesor escuela
pblica (X US$) y el gasto percapita alumno en educacin pblica (Y) en cincuenta
estados de USA en el periodo 1985 (fuente: National Education Association. USA), se
proces, electrnicamente a travs de software estadstico econmico, obtenindose los
siguientes resultados: R,"#,(i+n
R,(*$,n d,% $&d,%&
Modelo R R cuadrado R cuadrado corregida Error tpico de la estimacin
1 0.799
a
0.638 0.631 760.921
a. Variables predictoras: (Constante), SalarioX
E()ad;()ic&( d,(c#i<)i/&(
Media Desviacin tpica N
GastoY 3790.04 1252.113 50
SalarioX 24326.44 4216.390 50
ANO.A
'
Modelo Suma de cuadrados gl Media cuadrtica F Sig.
1 Regresin 4.903E7 1 4.903E7 84.680 .000
a
Residual 2.779E7 48 579000.342
Total 7.682E7 49
a. Variables predictoras: (Constante), SalarioX b. Variable dependiente: GastoY
C&,6ici,n),(
a
Modelo
Coeficientes no estandarizados Coeficientes tipificados
t Sig. B Error tpico Beta
1 (Constante) -1981,196 636,326

-3,113 0,003
SalarioX 0,237 0,026 0,799 9,202 0,000
a. Variable dependiente: GastoY
A partir de los resultados entregados, resolver las siguientes preguntas econmicas:
a3Cuantas observaciones se procesaron, cuantas variables se procesaron, cuantos
parmetros se estimaron, ') Se formul el modelo simple de ajuste lineal:
u
t
e t salarioX !astoY + + . 1
0
, reemplace los parmetros estimados del modelo
formulado y procesado, c) formule y estime el gasto medio a travs del modelo estimado
d) Desarrolle el test estadstico de hiptesis de significancia del parmetro estimado
1
interprete y concluya, ,) establezca un intervalo de confianza al 95% para
1
interprete y
concluya (I.C. al 95"#(bi $ (z %& ' ee b i)(= i (= bi ) (z %& 'ee bi)),
21
6) Desarrolle el test estadstico de validacin del tipo de ajuste del modelo estimado y
concluya, ") interprete el coeficiente de determinacin del modelo estimado.
D,(a##&%%&.
a 3Cuantas observaciones se procesaron : cincuenta (50) observaciones (de estados de USA).
Cuantas variables se procesaron: dos (2), salario promedio anual profesor escuela pblica (X US$,
variable explicativa) y el gasto percapita alumno en educacin pblica (Y, variable endgena).
cuantos parmetros se estimaron: dos (2) parmetros, el gasto percapita autnomo o natural,
alumno en educacin pblica (
*
) independiente del salario promedio anual y la tasa marginal de
gasto ante variaciones en el salario promedio anual (
1
)
') Se formul el modelo simple de ajuste lineal:
u
t
e t salarioX !astoY + + . 1
0

,
reemplace los parmetros estimados del modelo formulado y procesado,
t salarioX !astoY
t
. 237 , 0 196 , 1981 +
,
C&,6ici,n),(
a
Modelo
Coeficientes no estandarizados Coeficientes tipificados
t Sig. B Error tpico Beta
1 (Constante) -1981,196 636,326

-3,113 0,003
SalarioX 0,237 0,026 0,799 9,202 0,000
a. Variable dependiente: GastoY
c) formule y estime el gasto medio a travs del modelo estimado
tMedio salarioX estimado Y !astoMedio
t
. 1
0
+
,
dolares estimado Y !astoMedio
t
17 , 3784 ) 44 , 24326 ( 237 , 0 196 , 1981 +
,
E()ad;()ic&( d,(c#i<)i/&(
Media Desviacin tpica N
GastoY 3790.04 1252.113 50
SalarioX 24326.44 4216.390 50
d) Desarrolle el test estadstico de hiptesis de significancia del parmetro estimado
1
interprete y concluya.
i.Se plantea la >i<+),(i( n*%a ?&:
1
= * Y la hiptesis alterna, H1:
1
*
ii.Se escoge un ni/,% d, (i"ni6icancia estadstico ( 05 . 0 ),
iii.Se selecciona la ,()ad;()ica d, <#*,'a (z, normal estndar dado que n=50
datos >30)
i
i i
eeb
b
"calculado

= (0,237 0) / 0.026 = 9,1 E 9,2


29
iv.Decisin: rechazar la hiptesis nula a un nivel de confianza del 95% si"
Zcalculado = 9,1 E 9,2 > Z tabulado distribucin normal ( 025 . 0 2 / , Z=1.96),
Por tanto, se rechaza la hiptesis nula (que
1
= *) y se concluye que el parmetro

1
=
0.237dlares (gasto percapita alumno en educacin pblica (Y)) es
estadsticamente significativo: p<0.05 (p=0.0001)
C&,6ici,n),(
a
Modelo
Coeficientes no estandarizados Coeficientes tipificados
t Sig. B Error tpico Beta
1 (Constante) -1981,196 636,326

-3,113 0,003
SalarioX 0,237 0,026 0,799 9,202 0,000
a. Variable dependiente: GastoY
,) establezca un intervalo de confianza al 95% para
1
interprete y concluya (I.C. al
95"#(bi $ (z %& ' ee b i)(= i (= bi ) (z %& 'ee bi))=*.95
Con =0.05, /2=0.025, Z /2= 1.96 (constante de confiabilidad de la distribucin
normal estndar al 95% confianza).
+'C' al !"# para
1
= ,&%39. / (-'!0 1 &'&30* 4 5=
1
5= ,&%39. 6 (-'!0 1 &'&30* 4
+'C' al !"# para
1
7 , &'-80& 5=
1
5= &%38.!0 4 7 , &'-80& : &'38.!0 4'
El gasto percapita alumno en educacin pblica (Y) se estima entre 0.1860 y 0.28796
dlares, intervalo de confianza estimado mediante la distribucin normal estndar (Z) al
95% de confianza.
C&,6ici,n),(
a
Modelo
Coeficientes no estandarizados Coeficientes tipificados
t Sig. B Error tpico Beta
1 (Constante) -1981,196 636,326

-3,113 0,003
SalarioX 0,237 0,026 0,799 9,202 0,000
a. Variable dependiente: GastoY
6) Desarrolle el test estadstico de validacin del tipo de ajuste del modelo estimado y
concluya,
i.Se plantea la >i<+),(i( n*%a ?&: el modelo simple formulado no se a;usta
lineal'vs' >i<+),(i( a%),#na ?1: el modelo simple formulado se a;usta lineal'
ii.Se escoge un ni/,% d, (i"ni6icancia estadstico ( 05 . 0 ),
iii.Se selecciona la ,()ad;()ica d, <#*,'a (distribucin F analisis of varianza
(ANOVA)

68 , 84
579000
7 903 , 4

E
uos aticaresid mediacuadr
sin aticaregre mediacuadr
duos odelosresi Chicuadrad
oregresin Chicuadrad
calculado
i
30
iv.Decisin: rechazar la hiptesis nula a un nivel de confianza del 95% si"
Fcalculado = 84,68 > Ftabulado (F(k-1)=1 grados libertad numerador y F(n-
k)=48 grados libertad denominador( 025 . 0 2 / , Ftabulado= 4,08),
Por tanto, se rechaza la hiptesis nula y se concluye que el modelo simple formulado
se ajusta lineal con una confiabilidad del 95%: p<0.05 (p=0.0001).
ANO.A
'
Modelo Suma de cuadrados gl Media cuadrtica F Sig.
1 Regresin 4.903E7 (k-1)=(2-1)=1 4.903E7 84.680 .000
a
Residual 2.779E7 (n-k)=(50-2)=48 579000.342
Total 7.682E7 ((n-k)+(k-1) = 48+1=49
K, parametros(2), n, observaciones (50).
") interprete el coeficiente de determinacin del modelo estimado.
c&,6ici,n), d, d,),#$inaci+n (R ) =0.638, permite inferir que el salario promedio anual
profesor escuela pblica (X US$) explican el gasto percapita alumno en educacin pblica
(Y) en un 63,8%, a travs del ajuste lineal estimado , 0(R estimado < 0.80) aceptable&
R,(*$,n d,% $&d,%&
Modelo R R cuadrado R cuadrado corregida Error tpico de la estimacin
1 0.799
a
0.638 0.631 760.921
SAVE OUTFLE='C:\Users\galpalacios\Documents\GUERLY LOPEZ '+
'PALACO\UNSALLE\ECONOMETRAUno\salarioeducacionUSA.sav'
/COMPRESSED.
REGRESSION
/"ESCRI!TIVES MEAN ST""EV CORR SIG N
/MISSING LISTWISE
/STATISTICS COEFF OUTS CI(95) <COV R ANOVA
/CRITERIA!IN(.05) !OUT(.10)
/NOORIGIN
/"E!EN"ENT G%&$.=
/MET#O"ENTER S%6%,).:.
31
C&##,%aci&n,(
GastoX SalarioY
Correlacin de Pearson GastoX 1.000 .799
SalarioY .799 1.000
Sig. (unilateral) GastoX . .000
SalarioY .000 .
N GastoX 50 50
SalarioY 50 50
.a#ia'%,( in)#&d*cida(=,%i$inada(
'
Modelo
Variables
introducidas
Variables
eliminadas Mtodo
1 SalarioY
a
. ntroducir
a. Todas las variables solicitadas introducidas.
b. Variable dependiente: GastoX
C&##,%aci&n,( d, %&( c&,6ici,n),(
a
Modelo SalarioY
1 Correlaciones SalarioY 1.000
Covarianzas SalarioY .001
a. Variable dependiente: GastoX
32
A partir de la serie estadstica temporal de datos sobre Consumo (C) y renta (Y) de
la economa norteamericana durante el periodo 1950-1985 (fuente: Economic
Report of the President US Goverment Printing office. Washington DC), modelo
sim"le lineal
u
t
e t renta Consumo + + . 1
0

, con los siguientes resultados:
n= 3(, @ Y= (029, @ Y A B 9)(19, @ C= '9)12, @ 0C 4 Y3B 1(019319,
*esarrollar por el mtodo de estimacin del modelo economtrico de especificacin
matricial: [ Y ] * [ B ] = [ C ], con [ Y ] =vector renta, [ C ] = vector cons$mo, [ B ] =
vector "ar#metros, los sig$ientes re,$erimientos3
a)*e c$antas observaciones se dis"one, b) c$antas variables se en$ncian, c$al es la
variable end+gena ! c$al la variable e-"licativa, c. c$antos "ar#metros se estimar#n, d.
Obtenga la matriz de variable e-"licativa 0renta, 9.3 0 Y 2Y 3

ti"ificado como
n @ Y
@ Y @ Y A 2C2
e. Obtenga el vector "rod$ctoria 0 Y 2C 3

ti"ificado como
@ C
@ 0C 4 Y3 2C1
f. Obtenga la matriz inversa 0 Y 2Y 3
- 1

g. Obtenga el vector de "ar#metros estimados3
1
0

, tipificado como
[ B ] 2C1 = 0 Y 2Y 3
- 1

4

0 Y 2C 3

g. inter"rete los res$ltados obtenidos "ara el coeficiente nat$ral
0

,! "ara la "ro"ensi+n
marginal al cons$mo
1
.
Desarrollo:
33
1. A partir de la serie estadstica temporal de datos sobre Consumo (C) y renta (Y)
de la economa norteamericana durante el periodo 1950-1985 (fuente: Economic
Report of the President US Goverment Printing office. Washington DC), modelo
sim"le lineal
u
t
e t renta Consumo + + . 1
0

, con los siguientes resultados:
n= 3(, @ Y= (029, @ Y A B 9)(19, @ C= '9)12, @ 0C 4 Y3B 1(019319,
*esarrollar por el mtodo de estimacin del modelo economtrico de especificacin
matricial: [ Y ] * [ B ] = [ C ], con [ Y ] =vector renta, [ C ] = vector cons$mo, [ B ] =
vector "ar#metros, los sig$ientes re,$erimientos3
a)*e c$antas observaciones se dis"one3 3( observaciones
, b) c$antas variables se en$ncian, c$al es la variable end+gena ! c$al la variable
e-"licativa,
:res variables3 2ariable end+gena 04ons$mo., variables e-"licativa 0renta.
c. c$antos "ar#metros se estimar#n,
tres "ar#metros3 el cons$mo nat$ral ! la "ro"ensi+n marginal al cons$mo&
, d. Obtenga la matriz de variable e-"licativa 0renta, 9.3 0 Y 2Y 3

ti"ificado como
n @ Y
@ Y @ Y A 2C2
; 2;= 3( (029
(029 9)(19 2-2
e. Obtenga el vector "rod$ctoria 0 Y 2C 3

ti"ificado como3
@ C
@ 0C 4 Y3 2C1
; 29= '9)12
1(019319
f. Obtenga la matriz inversa 0 Y 2Y 3
- 1

0; 2;.= <1
0,2(1(9
(
<
0,0001029
1
<0,0001 9,()02/<01 2-2
g. Obtenga el vector de "ar#metros estimados3
1
0

, tipificado como
3'
[ B ] 2C1 = 0 Y 2Y 3
- 1

4

0 Y 2C 3

0,2(1(9
(
<
0,0001029
1
<0,0001 9,()02/<01 2-2
*
'9)12
1(019319
=o=
11,(1'0
9
=1=
0,1312
2
2-
1
g. inter"rete los res$ltados obtenidos "ara el coeficiente nat$ral
0

,! "ara la "ro"ensi+n
marginal al cons$mo
1
.

0
=88,68409 D0 determina que el consumo natural es 88.68 dlares, (sin
considerar el ingreso).

1
= 0&13 E0 (pendiente positiva) explica una relacin indirecta entre el consumo C y
el ingreso (Y), de tal forma que al variar el ingreso en un dlar, es de esperarse
una propensin marginal al consumo de 0.83 dlares (existiendo una relacin de 1
: 0.83).
3
TALLER ECONOMETRA. MSc GUERLY LOPEZ. (Entrega 31/03/2011).
En el marco de la teora macroeconmica Colombiana, El Producto nterno Bruto-PB definido como el valor
total de la produccin corriente de todos los bienes y servicios, durante un perodo de determinado
(regularmente trimestre, anualizado u otro). La nflacin estimada mediante el ndice de Precios al
Consumidor-PC, se define como la variacin porcentual de los precios de los bienes de una canasta bsica
de un periodo actual con respecto a un periodo base) costo de vida que trae consigo la prdida del poder
adquisitivo de la moneda, postulada por Samuelson "los elevados costos que conlleva la reduccin de la
inflacin, los pases han recurrido a polticas de renta como los controles a los salarios y los precios, los
impuestos y estrategias destinadas a reforzar el mercado). La Tasa de Cambio Representativa del Mercado-
TRM definida como el promedio aritmtico simple de las tasas ponderadas de las operaciones de compra y
venta de divisas efectuadas por bancos comerciales, corporaciones financieras, sociedades comisionistas de
bolsa, compaas de financiamiento comercial, la Financiera Energtica Nacional-FEN, y el Banco de
Comercio Exterior de Colombia-BANCOLDEX, pactadas para cumplimiento en ambas monedas el mismo da
de su negociacin (certificada diariamente por la Superintendencia Bancaria) Acuerdo <retton =oods "se
implementa el dlar como moneda internacional, brindando estabilidad a las transacciones comerciales a
travs de un sistema monetario internacional; se dispone de la serie estadstica temporal (31/12/YY)
1
, de la
economa Colombiana durante el periodo 1990-2009, como se muestra en la tabla siguiente.
58o PI= IP4 :7>
1990 4,3 32,37 568,73
1991 2.0 26,82 632,4
1992 4,1 25,13 738,0
1993 5,4 22,61 804,3
1994 5,8 22,59 831,3
1995 5,2 19,46 987,7
1996 2,1 21,63 1005,3
1997 3,4 17,68 1293,6
1998 0,5 16,7 1527,4
1999 4,5 9,23 1890
2000 2,8 8,75 2229
2001 2,3 7,65 2291
2002 1,9 6,99 2865
2003 3,9 6,40 2778
2004 4,9 5,50 2390
2005 5,3 4,85 2284
2006 6,7 4,48 2239
2007 7,5 5,69 2015
2008 2,5 7,67 2244
2009 0,4 2,00 2044
Fuente: DANE, BANREPUBLCA.
1
%tt"3??www&b$enastareas&com?temas?"ib<inflacion?
3(
Al plantear el modelo economtrico multivariado que explique el comportamiento del PB en funcin del PC y
la TRM, PB = f (PC, TRM), mediante un ajuste de potencia formulado "Cobb Douglas:
PIF = 0 * I#C
F1
* +,-
F2
) et ,
Linealizado mediante transformacin matemtica logartmica,
Ln PIF = Ln 0 + 1 .n I#C + 2 .n +,- ) et ,
Se re,$iere, desarrollar e inter"retar los %allazgos, por el mtodo de estimacin del
modelo economtrico de especificacin matricial: [ PB ]20x1 = [ PC,TRM ]20x3 * [ B ]3x1
donde [ PC, TRM ] 20x3 = matriz de variables e-"licativas,
[PB] 20x1 = vector PI=,
[ B ] 3x1 = vector "ar#metros,
a3 Cuantas observaciones se dispone,
'3 Cuantas variables se enuncian, cual es la variable endgena y cuales las variables explicativas,
c) Cuantos parmetros se estimarn,
d) Obtenga la matriz de variables explicativas (PC, TRM):
G 0 0 IPCHTRM3 23x20 4 0IPCHTRM 3

20x3

I

tipificado como
N J Ln 0IPC3 J Ln 0TRM3
J Ln 0IPC3 GLn0IPC3 4 Ln0IPC3I JGLn 0IPC3 4 Ln 0TRM3I
J Ln 0TRM3 J GLn 0IPC3 4 Ln 0TRM3I GLn 0TRM3 4 Ln0TRM3I C
e. Obtenga la matriz inversa de tama8o 3-33 G 0 IPCHTRM3 23x20 4 0IPCHTRM 3 20x3 I
-
1

f. Obtenga el vector productoria G0 IPCHTRM3 23x20 4 PIF20x1 I tipificado como
J Ln 0PIF3
J GLn 0PIF3 4 Ln 0IPC3I
J GLn 0PIF3 4 Ln 0TRM3I C1
g. Obtenga el vector de "ar#metros3 [B]3x1, e interprete los coeficientes de elasticidad
estimados
=
o
=
1
=
2
3-
1
3)
[B]3x1=G0 IPCHTRM3 23x20 4 0IPCHTRM3 20x3 I
- 1
@ G0 IPCHTRM3 23x20 4 PIF 20x1I
DESARROLLO5
a3 Cuantas observaciones se dispone: veinte (20), 1990 a 2009
'3 Cuantas variables se enuncian: tres (3): PB, PC, TRM,
Cual es la variable endgena (PB) y cuales las variables explicativas (PC, TRM),
c) Cuantos parmetros se estimarn: tres (3): 0, 1, 2
0 PI= nat$ral o a$t+nomo, sin tener en c$enta IP4 ! :7>
1 inde-ado al PC 0estima las variaciones del PI=, ante cambios en el IP4 manteniendo
constante :7>.
2 inde-ado a TRM 0estima las variaciones del PI=, ante cambios en :7> manteniendo
constante IP4.
d) Obtenga la matriz de variables explicativas (PC, TRM):
G 0 0 IPCHTRM3 23x20 4 0IPCHTRM 3

20x3

I

tipificado como
N J Ln 0IPC3 J Ln 0TRM3
J Ln 0IPC3 GLn0IPC3 4 Ln0IPC3I JGLn 0IPC3 4 Ln 0TRM3I
J Ln 0TRM3 J GLn 0IPC3 4 Ln 0TRM3I GLn 0TRM3 4 Ln0TRM3I C
G 013 24 1 IB G 0IPCHTRM3 24 0IPCHTRM3 I C
20 47,43614784 146,1685264
[ (X) * X ]= 47,43614784 123,4994102 340,0266123
146,1685264 340,0266123 1073,63237 3x3
e. Obtenga la matriz inversa de tama8o 3-33 G 0 IPCHTRM3 23x20 4 0IPCHTRM 3 20x3 I
-
1

[(X) * X) ] -1 = [( IPCHTRM) 23x20 4 (IPCHTRM) 20x3 ] - 1
57,71390901 -4,174456521 -6,535319654
[(X) * X) ] -1= -4,174456521 0,365187477 0,452669565
-6,535319654 0,452669565 0,747311992
3-
3
f. Obtenga el vector productoria G0 IPCHTRM3 23x20 4 PIF20x1 I tipificado como
J Ln 0PIF3
31
J GLn 0PIF3 4 Ln 0IPC3I
J GLn 0PIF3 4 Ln 0TRM3I C1
G 013 24 Y I B G 0IPCHTRM3 24 PIF I C1
22,47161922
[ (X) * Y ]= 55,35338792
163,3037229 3-1
g. Obtenga el vector de "ar#metros3 [B]3x1, e interprete los coeficientes de elasticidad
estimados
=
o
=
1
=
2
3-
1
[B]3x1=G0 IPCHTRM3 23x20 4 0IPCHTRM3 20x3 I
- 1
@ G0 IPCHTRM3 23x20 4 PIF 20x1I
[F i]3x1=[( IPCHTRM) 23x20 4 (IPCHTRM) 20x3 ] - 1 * [( IPCHTRM) 23x20 * PIF 20x1]

Bi= -1,387353802
0,330191879
0,236409748 3-1
Ln PIF estimado = Ln 0 + 1 .n I#C + 2 .n +,- ) et ,
Ln PIF estimado= -1,387353802 + 0,330191879 .n I#C + 0,236409748 .n +,- ,
PIF estimado = 0 * I#C
F1
* +,-
F2
) et ,
PIF estimado = -1,387353802 * I#C
0H0181KL8
* +,-
0H26408L4K
,
(p>0,05 p=0.8232) (p>0,05 p=0.5064 (p>0,05 , p= 0.7382)
Los parmetros estimados:
0,

1,

2
, no son estadAsticamente significativos 0"B0&0.&

0
=-1,387353802 determina la variacin natural del PB (sin considerar el PC y la
TRM). Parmetro no estadsticamente significativo (p>0.05).

1
= 0&3301911)9 D0 (elasticidad inflacin - crecimiento) explica una relacin directa
entre el Producto nterno Bruto (PB) y la inflacin (PC), de tal forma que al variar el
PC en 1%, es de esperarse una variacin del PB en 0.330191879 unidades
monetarias (existiendo una relacin de 1 : 0,330191879), sin tener en cuenta la
TRM ("ceteris paribus). Parmetro no estadsticamente significativo. (p>0.05).
39

2
= 0&23('09)'1 D0 (elasticidad Tasa cotizacin dlar TRM - crecimiento) explica
una relacin directa entre el Producto nterno Bruto (PB) y la tasa representativa del
mercado (TRM), de tal forma que al variar la TRM en 1 unidad monetaria, es de
esperarse una variacin del PB en 0.236409748 unidades monetarias (existiendo
una relacin de 1 : 0,236409748), sin tener en cuenta el PC ("ceteris paribus).
(p>0.05). Parmetro no estadsticamente significativo. (p>0.05).
E/i,M( (&6)Ma#,5
EVEWS
CREATE
Work structure type: DATED REGULAR FREQUENCY
UNSTRUCTURED/UNDATED
Dated specification: FREQUENCY (annual, semiannual, quarterly, monthly, weekly,
daily: 5 day week - 7 day week)
start date: 1990 end date: 2009 o.k.
DATA PB PC TRM
LS (Least Squares) PB c PC TRM
LS (Least Squares) LOG(PB) c LOG(PC) LOG(TRM)
.i,M E()i$a)i&n O*)<*)
LS log(PB) c Log(PC) Log(TRM)
Dependent Variable: LOG(PB)
Method: Least Squares
Date: 03/31/11 Time: 18:01
Sample: 1990 2009
ncluded observations: 20
Variable Coefficient Std. Error t-Statistic Prob.
C -1.387354 6.115456 -0.226860 0.8232
LOG(PC) 0.330192 0.486459 0.678766 0.5064
LOG(TRM) 0.236410 0.695888 0.339724 0.7382
R-squared 0.040005 Mean dependent var 1.123581
Adjusted R-squared -0.072936 S.D. dependent var 0.777145
S.E. of regression 0.804987 Akaike info criterion 2.541499
Sum squared resid 11.01606 Schwarz criterion 2.690859
Log likelihood -22.41499 F-statistic 0.354212
Durbin-Watson stat 1.446771 Prob(F-statistic) 0.706784
E()i$a)i&n C&$$and5
BBBBBBBBBBBBBBBBBBBBB
LS LOG(PB) C LOG(PC) LOG(TRM)
E()i$a)i&n EN*a)i&n5
BBBBBBBBBBBBBBBBBBBBB
LOG(PB) = C(1) + C(2)*LOG(PC) + C(3)*LOG(TRM)
'0
S*'()i)*),d C&,66ici,n)(5
BBBBBBBBBBBBBBBBBBBBB
LOG(PB) = -1.387353802 + 0.3301918792*LOG(PC) + 0.2364097477*LOG(TRM)
Ln PIF estimado= 1,387353802 + 0,330191879 .n I#C +0,236409748 .n +,- ) et ,
PIF estimado = -1,387353802 * I#C
0H0181KL8
* +,-
0H26408L4K
,
obs Actual Fitted Residual Residual Plot
1990 1.45861502269952 1.26044295512855 0.198172067570969 | . |* . |
1991 0.693147180559945 1.22342601078398 -0.530278830224038 | . * | . |
1992 1.41098697371026 1.23844209823831 0.172544875471952 | . |* . |
1993 1.68639895357023 1.22388867899098 0.462510274579246 | . | * . |
1994 1.75785791755237 1.23140234694995 0.526455570602422 | . | * . |
1995 1.64865862558738 1.22290973195187 0.425748893635512 | . | * . |
1996 0.741937344729377 1.26199320541004 -0.520055860680663 | . * | . |
1997 1.22377543162212 1.25502001208647 -0.0312445804643529 | . * . |
1998 -0.693147180559945 1.27546733101919 -1.96861451157914 |* . | . |
1999 1.50407739677627 1.13003777820038 0.374039618575898 | . | * . |
2000 1.02961941718116 1.15140575374556 -0.121786336564402 | . *| . |
2001 0.832909122935104 1.11353110175894 -0.280621978823837 | . * | . |
2002 0.641853886172395 1.13659598800491 -0.494742101832518 | . * | . |
2003 1.3609765531356 1.1001886284493 0.260787924686303 | . | * . |
2004 1.58923520511658 1.01458310190913 0.574652103207454 | . | * . |
2005 1.66770682055808
0.96233032583327
5 0.705376494724801 | . | *. |
2006 1.90210752639692
0.93142342507988
7 0.970684101317034 | . | .* |
2007 2.01490302054226 0.98544809238762 1.02945492815464 | . | .* |
2008 0.916290731874155 1.10949282248531 -0.193202090611152 | . *| . |
2009 -0.916290731874155
0.64358982987198
1 -1.55988056174614 | * . | . |
VEW
Covariance matrix
C LOG(PC) LOG(TRM)
C 37.3988070914606 -2.70506186134154 -4.23490910943117
LOG(PC) -2.70506186134154 0.236642712868843 0.293331400136657
LOG(TRM) -4.23490910943117 0.293331400136657 0.484260683567064
'1
6) A partir de los coeficientes de la matriz de covarianza dada,
4O/6I4I/C:/S */ D5 >5:7IE */ 4O257I5CE5
Covariance matrix
C LOG(PC) LOG(TRM)
C 37.3988070914606 -2.70506186134154 -4.23490910943117
LOG(PC) -2.70506186134154 0.236642712868843 0.293331400136657
LOG(TRM) -4.23490910943117 0.293331400136657 0.484260683567064
Estimar las correlaciones parciales.
4orrelation "artial3
# iH O . P =
[ ]
2
2 2
) , 1 ( * ) , 1 (
) , ( * ) , ( , (
# $ r # i r
# r$ # ri $ ri

i= PB, j=PC, K=TRM, entonces:


# <i'H i<c . )#$ =
[ ]
2
2 2
) , 1 ( * ) , 1 (
) , ( * ) , ( , (
trm ipc r trm pib r
trm ripc trm rpib ipc rpib

RF= determinacin:# =
[ ]
# $ r
# r$ # ri $ ri # i r $ i r
, 1
) , * , * , 2 ( , ,
2
2 2

+
i= PB, j=PC, K=TRM, entonces:
RF= determinacin:# =
[ ]
trm ipc r
trm ripc trm rpib ipc rpib trm pib r ipc pib r
, 1
) , * , * , 2 ( , ,
2
2 2

+
'2
PIF = 0 + 1 I#C + 2 +,- ) et ,
Dependent Variable: PB
Method: Least Squares
Date: 03/31/11 Time: 17:53
Sample: 1990 2009
ncluded observations: 20
Variable Coefficient Std. Error t-Statistic Prob.
C 8.287109 4.612301 1.796741 0.0902
PC -0.128632 0.137457 -0.935802 0.3625
TRM -0.001633 0.001655 -0.986896 0.3375
R-squared 0.054311 Mean dependent var 3.775000
Adjusted R-squared -0.056947 S.D. dependent var 1.949325
S.E. of regression 2.004060 Akaike info criterion 4.365709
Sum squared resid 68.27639 Schwarz criterion 4.515069
Log likelihood -40.65709 F-statistic 0.488155
Durbin-Watson stat 1.178379 Prob(F-statistic) 0.622101
View Representation:
Estimation Command:
=====================
LS PB C PC TRM
Estimation Equation:
=====================
PB = C(1) + C(2)*PC + C(3)*TRM
Substituted Coefficients:
=====================
PB = 8.287109068 - 0.1286323411*PC - 0.001633241262*TRM
'3
View actual, fitted, residual Table Graph
obs Actual Fitted Residual Residual Plot
1990 4.3 3.19440688351597 1.10559311648403
| . | * .
|
1991 2 3.80432790549964 -1.80432790549964
| .* | .
|
1992 4.1 3.8492462846606 0.250753715339404
| . |* .
|
1993 5.4 4.06511588855835 1.33488411144165
| . | * .
|
1994 5.8 4.02359102129402 1.77640897870598
| . | *.
|
1995 5.2 4.1707713155213 1.0292286844787
| . | * .
|
1996 2.1 3.86289408909155 -1.76289408909155
| .* | .
|
1997 3.4 3.9001283805106 -0.5001283805106
| . *| .
|
1998 0.5 3.64433626763497 -3.14433626763497
| * . | .
|
1999 4.5 4.01300657396283 0.486993426037173
| . |* .
|
2000 2.8 3.52108130972055 -0.721081309720554
| . * | .
|
2001 2.3 3.56131592666961 -1.26131592666961
| . * | .
|
2002 1.9 2.70873278714813 -0.808732787148131
| . * | .
|
2003 3.9 2.92671785823789 0.973282141762108
| . | * .
|
2004 4.9 3.67618457507379 1.22381542492621
| . | * .
|
2005 5.3 3.93291917061702 1.36708082938298
| . | * .
|
2006 6.7 4.0540089936389 2.6459910063611
| . | .*
|
2007 7.5 4.2642099036869 3.2357900963131
| . | . *
|
2008 2.5 3.63550561918322 -1.13550561918322
| . * | .
|
2009 0.4 4.69149924577418 -4.29149924577418
|* . | .
|
VEW
Covariance matrix
C PC TRM
C 21.2733223805559 -0.615151023241405 -0.00751018499837901
PC -0.615151023241405 0.0188943672180397 0.000211606218649969
TRM
-
0.00751018499837901 0.000211606218649969 2.73878466592247e-06
''
TALLER ECONOMETRA. MSc GUERLY LOPEZ. (Entrega 14/04/2011).
La funcin de produccin expresa la relacin entre la produccin (cantidad de bienes que se van a producir) y
los insumos o materias primas que se utilizan en el proceso de produccin. Los determinantes de la
produccin hace referencia a: 1) Recursos productivos: la maquinaria y equipo, 2) Recursos humanos:
trabajo (mano de obra), 3. Tecnologa: en el evento de inventarse un proceso para mejorar la fabricacin de
un bien, la produccin aumentar teniendo las mismas cantidades de trabajo y capital), 43. Capital: se refiere
a los rendimientos constantes a escala, si se aumenta una unidad de capital y trabajo, se obtiene una unidad
adicional de produccin (teora de rendimientos crecientes y decrecientes-marginales), 9). Nivel de ahorro: a
mayor nivel de ahorro, mayor nivel de inversin lo que en el largo plazo aumentar los recursos productivos,
aumentando la produccin. En consecuencia, La funcin de produccin "Cobb-Douglas relaciona
funcionalmente a los insumos de capital y trabajo necesarios para producir de la manera ms eficiente posible
una determinada cantidad de un bien y se expresa as:
60Q3 B ARH 60Q3 B 6 0RH L3H Q = R
S
* L
T
) et, donde: Q = produccin, K =
capital, L = trabajo, A = Tecnologa. d + son parmetros positivos. La elasticidad del producto mide la
respuesta del producto a un cambio en los niveles del trabajo o del capital usados en la produccin, si
permanecen constantes los dems factores. Por ejemplo,si d = 0.15, un aumento del 1% en la cantidad de
trabajo, es de esperarse un incremento aproximado del 0.15% en el volumen del producto. Si:d + = 1, La
funcin de produccin tiene economas de escala constantes. Esto significa que la funcin Cobb-Douglas
es homognea de grado 1 e implica que el costo mnimo es independiente del volumen de la produccin y
depende slo de los precios relativos de los factores de produccin. Si G H I B 1, los rendimientos de
escala son crecientes& Si G H I J 1, los rendimientos de escala son descendentes&
Se dispone de la siguiente serie da datos, en unidades de produccin tomadas en valores nominales
expresados de la siguiente manera: Produccin en billones de dlares, Capital en billones de dlares, Trabajo
en salarios y remuneraciones (billones de dlares).
7esolver e inter"retar los %allazgos, "ara los sig$ientes re,$erimientos econ+micos3
a) Utilizando el mtodo de especificacin matricial: Y = > < 0con Y vector endgeno, > matriz de variables
explicativas, < vector de parmetros a estimar; tipificado en las variables de estudio como:
[Q] 42x1 = vector de "rod$cci+n end+geno,
[ K,L]42x3 = matriz de variables explicativas(capital-K y mano de Obra-L),
[ B ]3x1 = vector de parmetros a estimar.
=o
=1
=2
a13 Cuantas observaciones se estudian, a23 Cuantas variables se enuncian, cual es la variable endgena y
cuales las variables explicativas, a) Cuantos parmetros se estimarn,
a4) Para el modelo de tipo multivariado de ajuste Cobb Douglas Q = R
S
* L
T
) et,
'
Obtenga la matriz de variables explicativas ( K,L): G 0 0 RHL3 23x42 4 0RHL 3

42x3

I linealizada en sus
parmetros como:
N J Ln 0R3 J Ln 0L3
J Ln 0R3 GLn0R3 4 Ln0R3I JGLn 0R3 4 Ln 0L3I
J Ln 0L3 J GLn 0R3 4 Ln 0L3I GLn 0L3 4 Ln0L3I C
a5. Obtenga la matriz inversa de tamao 3-33 G 0 RHL3 23x42 4 0RHL3 42x3 I
- 1

a6. Obtenga el vector productoria G0 RHL3 23x42 4 Q42x1 I definido como5
J Ln 0Q3
J GLn 0R3 4 Ln 0Q3I
J GLn 0L3 4 Ln 0Q3I C1
a7. Obtenga el vector de "ar#metros3 [B]3x1, definido como:
=
o
=
1
=
2
3-
1
[B]3x1=G0RHL3 23x42 4 0RHL3 42x3 I
- 1
@ G0RHL3 23x42 4 Q 42x1I
Y Remplace los parmetros estimados en la funcin Cobb Douglas: Q = R
S
* L
T

a8.a partir de la funcin de produccin estimada linealizada en sus parmetros, obtenga las funciones
marginales parciales de primer orden definidas como: oQ/ok = d (L constante, "ceteris paribus), oQ/oL=
(K constante, "ceteris paribus), e interprete las elasticidades estimadas.
a9.obtenga la matriz de covarianza: Covariance matrix:
Q LOG(K) LOG(L)
Q Varianza Q Covarianza (Q,K) Covarianza (Q,L)
LOG(K) Covarianza (Q,K) Varianza K Covarianza (K,L)
LOG(L) Covarianza (Q,L) Covarianza (K,L) Varianza (L)
a0.a partir de la matriz de covarianza, obtenga la correlacin parcial definida como:
4orrelation "artial3 ! i" # . $ =
[ ]
2
2 2
) , 1 ( * ) , 1 (
) , ( * ) , ( , (
# $ r # i r
# r$ # ri $ ri


co!!elaci%n &"' (
[ ]
) ( * ) ( (
) , ( (cov
2
%arian&aY %arian&aX
Y X arian&a
'(
RF= determinacin:# =
[ ]
# $ r
# r$ # ri $ ri # i r $ i r
, 1
) , * , * , 2 ( , ,
2
2 2

+
Tipificada en las variables de estudio ( i=Q , j=K , k=L)
4orrelation "artial3 0correlaci+n "rod$cci+n<K, 4a"ital<L, constante trabaMo<D.
# QH R . L =
[ ]
2
2 2
) , 1 ( * ) , 1 (
) , ( * ) , ( , (
L ' r L ( r
L r' L r( ' r(

e interprete
a.a partir de las correlaciones parciales, obtenga el coeficiente de determinacin 0!.
RF= coeficiente de determinacin:# =
[ ]
L ' r
L r' L r( ' r( L ( r ' ( r
, 1
) , * , * , 2 ( , ,
2
2 2

+
e interprete
a).a partir de la matriz de covarianza, obtenga la correlacin parcial definida como:
4orrelation "artial3 ! i" # . $ =
[ ]
2
2 2
) , 1 ( * ) , 1 (
) , ( * ) , ( , (
# $ r # i r
# r$ # ri $ ri


RF= determinacin:# =
[ ]
# $ r
# r$ # ri $ ri # i r $ i r
, 1
) , * , * , 2 ( , ,
2
2 2

+
co!!elaci%n &"' (
[ ]
) ( * ) ( (
) , ( (cov
2
%arian&aY %arian&aX
Y X arian&a
4orrelation "artial3 0correlaci+n "rod$cci+n<K, trabaMo<D, constante ca"ital<L.
i=K , M=D , N=L
# QH L . P =
[ ]
2
2 2
) , 1 ( * ) , 1 (
) , ( * ) , ( , (
# L r # ( r
# rL # r( L r(

e interprete
a*.a partir de las correlaciones parciales, obtenga el coeficiente de determinacin 0!.
7F= coeficiente de determinaci+n = ! =
[ ]
# L r
# rL # r( L r( # ( r L ( r
, 1
) , * , * , 2 ( , ,
2
2 2

+
e interprete
a+.Para el modelo Cobb Douglas especificado en el punto a4), utilice la herramienta de software EVEWS,
para estimar el modelo mediante Mnimos Cuadrados Ordinarios (MCO) (Least Squares=LS), operando la
siguiente rutina:
EVEWS.
CREATE
Work structure type: DATED REGULAR FREQUENCY
Dated specification: FREQUENCY (quarterly),
start date: 2000:1 end date: 2010:2 o.k.
DATA Q K L
')
LS LOG(Q) c LOG(K) LOG(L)
.i,M E()i$a)i&n O*)<*) U
a5.5 "artir del modelo estimado mediante la herramienta de software EVEWS, del punto a14)
reemplace los parmetros estimados en la funcin multivariada ajuste Cobb Douglas linealizada en los
parmetros?
a6.5 "artir del modelo estimado mediante la herramienta de software EVEWS, del punto a14)
obtenga una estimacin por intervalo del 95% de confianza para los parmetros estimados?
a7.5 "artir del modelo estimado mediante la herramienta de software EVEWS, del punto a14)
obtenga la " funcin de produccin estimada "?
a8.5 "artir del modelo estimado mediante la herramienta de software EVEWS, del punto a14) y la
funcin de produccin estimada en el punto a17) obtenga los residuos? Y concluya sobre subestimacin o
sobreestimacin del modelo formulado y estimado?
Residuos= (produccin real produccin estimada)
Si residuos = resultado negativo -, entonces el modelo estimado sobreestima
Si residuos = resultado positivo +, entonces el modelo estimado subestima
a9.5 "artir del modelo estimado mediante la herramienta de software EVEWS, del punto a14)
concluya sobre la significancia estadstica de los parmetros estimados?
a)0.4om"ara los res$ltados obtenidos en el "$nto a). e,$ivalente al modelo de
es"ecificaci+n matricial estimado, con los res$ltados obtenidos en el "$nto a1'.
e,$ivalente al modelo estimado mediante la %erramienta de software /2I/OS !
concl$!a?
a).4om"ara los res$ltados obtenidos en el "$nto a11. e,$ivalente al coeficiente de
determinaci+n 0!. obtenido mediante desarrollo matricial, con el coeficiente de
determinaci+n 0!. obtenidos en el "$nto a1'. mediante la %erramienta de software
/2I/OS ! concl$!a?
,)). Utilizando la herramienta de software EVEWS, estime (por mnimos cuadrado ordinarios MCO) el
modelo multivariado de la produccin explicada a travs del capital y trabajo, de ajuste lineal, operando la
instruccin: LS Q c K L, y concluya sobre la significancia estadstica de los parmetros estimados?
.i,M E()i$a)i&n O*)<*) U
!EC?A PRODUCCION CAPITAL TRAFAVO
01/01/2000 9709,5 663,7 4755
01/04/2000 9949,1 678,8 4781,9
01/07/2000 10017,5 692,6 4874,4
01/10/2000 10129,8 705,2 4899,5
01/01/2001 10165,1 716,6 4988,1
01/04/2001 10301,3 726,6 4961,4
!EC?A PRODUCCION CAPITAL TRAFAVO
01/07/2001 10305,2 735,3 4932,4
'1
01/10/2001 10373,1 742,5 4926,8
01/01/2002 10498,7 748,3 4963,6
01/04/2002 10601,9 753,7 5003
01/07/2002 10701,7 758,6 5006,3
01/10/2002 10766,9 763 5016,4
01/01/2003 10888,4 766,9 5061
01/04/2003 11008,1 771,9 5123,5
01/07/2003 11255,7 778 5184,6
01/10/2003 11416,5 785,3 5249,4
01/01/2004 11597,2 793,7 5275,9
01/04/2004 11778,4 803,2 5363,6
01/07/2004 11950,5 813,9 5468,9
01/10/2004 12144,9 825,8 5534,4
01/01/2005 12379,5 838,8 5584,2
01/04/2005 12516,8 853,6 5651,7
01/07/2005 12741,6 870,3 5758,3
01/10/2005 12915,6 888,7 5829,7
01/01/2006 13183,5 904,1 5958,9
01/04/2006 13347,8 918,9 6018,6
01/07/2006 13452,9 933,3 6075,4
01/10/2006 13611,5 947,1 6227,6
01/01/2007 13789,5 959,2 6328,1
01/04/2007 14008,2 968,9 6382,8
01/07/2007 14158,2 977,4 6427,6
01/10/2007 14291,3 988 6523,4
01/01/2008 14328,4 996,7 6595,9
01/04/2008 14471,8 1011,4 6575,1
01/07/2008 14484,9 1027,9 6567,9
01/10/2008 14191,2 1038,1 6477,3
01/01/2009 14049,7 1036,6 6280
01/04/2009 14034,5 1021,2 6287,7
01/07/2009 14114,7 1010,6 6263,9
01/10/2009 14277,3 1010,8 6284,9
01/01/2010 14446,4 1008 6291,4
01/04/2010 14575 1014,2 6340,9
Fuente Banco de la repblica http://www.banrep.gov.co/
Desarrollo:
a13 Cuantas observaciones se estudian: 42 observaciones (trimestrales: 2000:1 a 2010:2)
a23 Cuantas variables se enuncian: tres (Produccin (Q), Capital (K), Mano de Obra (L))
'9
La variable endgena: produccin (Q).
Las variables explicativas: Capital (K) y Mano de Obra (L)
a) Cuantos parmetros se estimarn: tres (3): 0 (produccin natural-Q, sin tener en cuenta capital-K y
mano de obra-L), 1(indexado al capital-K, que expresa las variaciones de la produccin-Q ante una
variacin unitaria del capital-K, permaneciendo constante la mano de obra-L), 2(indexado a la mano de
obra-L, que expresa las variaciones de la produccin-Q ante una variacin unitaria de la mano de obra-L,
permaneciendo constante el capital-K).
a4) Para el modelo de tipo multivariado de ajuste Cobb Douglas Q = R
S
* L
T
) et,
Obtenga la matriz de variables explicativas ( K,L): G 0 0 RHL3 23x42 4 0RHL 3

42x3

I linealizada en sus
parmetros como:
N J Ln 0R3 J Ln 0L3
J Ln 0R3 GLn0R3 4 Ln0R3I JGLn 0R3 4 Ln 0L3I
J Ln 0L3 J GLn 0R3 4 Ln 0L3I GLn 0L3 4 Ln0L3I C
[ (X) * X ]= 42 283,5352135 362,7382245
283,5352135 1914,912529 2449,425645
362,7382245 2449,425645 3133,352313 3x3
a5. Obtenga la matriz inversa de tamao 3-33 G 0 RHL3 23x42 4 0RHL3 42x3 I
- 1

727,4105517 150,2248107 -201,644773
[(X) * X) ] -1= 150,2248107 38,67401982 -47,62356803
-201,644773 -47,62356803 60,57271472 3x3
a6. Obtenga el vector productoria G0 RHL3 23x42 4 Q42x1 I definido como5
J Ln 0Q3
J GLn 0R3 4 Ln 0Q3I
J GLn 0L3 4 Ln 0Q3I C1
395,3356386
[ (X) * Y ]= 2669,630929
3414,992752 3x1
a7. Obtenga el vector de "ar#metros3 [B]3x1, definido como:
=
o
=
1
0
=
2
3-
1
[B]3x1=G0RHL3 23x42 4 0RHL3 42x3 I
- 1
@ G0RHL3 23x42 4 Q 42x1I
o = n _(Ln K) _(Ln L) -1 _ (Ln Q)
Bi = 1 = _(Ln K) _ [ (Ln K) * (Ln K) ] _ [ (Ln K) * (Ln L) ] X _ [ (Ln Q) * (Ln K) ]
2 = _(Ln L) _ [ (Ln K) * (Ln L) ] _ [ (Ln L) * (Ln L) ] 3x3 _ [ (Ln Q) * (Ln L) ] 3x1
727,4105517 150,2248107 -201,644773 395,3356386
[B]3x1=
150,2248107 38,67401982 -47,62356803 1 2669,630929
-201,644773 -47,62356803 60,57271472 3x3 3414,992752 3-1
o = 0,677701518
Bi = 1 = 0,441274468
2 = 0,666473253 3-1
Y Remplace los parmetros estimados en la funcin Cobb Douglas: Q = R
S
* L
T

Q = 0,677701518 R
0.4412L446K
* L
0.6664L29
, Ln Q estimado = 0 + 1 Ln / +2 Ln L
Ln Q estimado = 0,677701518 + 0,441274468 Ln / +0,666473253 Ln L
a8.a partir de la funcin de produccin estimada linealizada en sus parmetros, obtenga las funciones
marginales parciales de primer orden definidas como: oQ/ok = d (L constante, "ceteris paribus), oQ/oL=
(K constante, "ceteris paribus), e interprete las elasticidades estimadas.
oQ/ok = d =
0.4412L446K H
(L constante, "ceteris paribus), d D0 (elasticidad capital - produccin)
explica una relacin directa entre el capital (K) y la produccin (Q), de tal forma que
al variar el capital (K) en una (1) unidad monetaria, es de esperarse una variacin
de la produccin (Q) en 0.441274468 unidades monetarias (existiendo una
relacin de 1 : 0,441274468), sin tener en cuenta la mano de obra (L) ("ceteris
paribus). Parmetro estadsticamente significativo. (p<0.05, p=0,0001).
oQ/oL= =
0.6664L29
, (K constante, "ceteris paribus), >0(elasticidad mano de obra -
produccin) explica una relacin directa entre la mano de obra (L) y la produccin
(Q), de tal forma que al variar la mano de obra (L) en una (1) unidad monetaria, es
de esperarse una variacin de la produccin (Q) en 0.666473253 unidades
monetarias (existiendo una relacin de 1 : 0,666473253), sin tener en cuenta el
capital (K) ("ceteris paribus). Parmetro estadsticamente significativo. (p<0.05,
p=0,0001).
a9.obtenga la matriz de covarianza: Covariance matrix:
Q LOG(K) LOG(L)
Q Varianza Q Covarianza (Q,K) Covarianza (Q,L)
1
LOG(K) Covarianza (Q,K) Varianza K Covarianza (K,L)
LOG(L) Covarianza (Q,L) Covarianza (K,L) Varianza (L)
C&,66ici,n) c&/a#ianc, $a)#iC
C LOG(K) LOG(L)
C 0.16417634349052 0.0339056646187806 -0.0455111452763314
LOG(K) 0.0339056646187806 0.00872849571813927 -0.0107484513183587
LOG(L) -0.0455111452763314 -0.0107484513183587 0.0136711066930969
Varianza Q=0.16417634349052; Varianza K=0.00872849571813927;
Varianza (L)= 0.0136711066930969;
Covarianza (Q,K)= 0.0339056646187806;
Covarianza (Q,L)= - 0.0455111452763314
Covarianza (K,L)= - 0.0107484513183587
a0.a partir de la matriz de covarianza, obtenga la correlacin parcial definida como:
4orrelation "artial3 ! i" # . $ =
[ ]
2
2 2
) , 1 ( * ) , 1 (
) , ( * ) , ( , (
# $ r # i r
# r$ # ri $ ri


co!!elaci%n &"' (
[ ]
) ( * ) ( (
) , ( (cov
2
%arian&aY %arian&aX
Y X arian&a
RF= determinacin:# =
[ ]
# $ r
# r$ # ri $ ri # i r $ i r
, 1
) , * , * , 2 ( , ,
2
2 2

+
Tipificada en las variables de estudio ( i=Q , j=K , k=L)
4orrelation "artial3 0correlaci+n "rod$cci+n<K, 4a"ital<L, constante mano de obra <
trabaMo<D.
# QH R . L =
[ ]
2
2 2
) , 1 ( * ) , 1 (
) , ( * ) , ( , (
L ' r L ( r
L r' L r( ' r(

e interprete
C&##,%aci+n QHR( ! - ".=
[ ]
) ( * ) ( (
) , ( (cov
2
%arian&a' %arian&a(
' ( arian&a
=
Correlacin Q,K( r K ,L=
) 0087284957 . 0 ( * ) 9052 1641763434 . 0 ( (
187806 0339056646 . 0
2
= 0,19((1'31
2
La produccin-Q y el Capital-K se relacionan directamente en un 89,56%
C&##,%aci+n QHL( ! - "/=
[ ]
) ( * ) ( (
) , ( (cov
2
%arian&aL %arian&a(
L ( arian&a
=
Correlacin Q,L( r K ,D=
) 930969 0136711066 . 0 ( * ) 9052 1641763434 . 0 ( (
769914 0455111452 . 0
2

=
<0,9(0(39939
La produccin-Q y la mano de obra-trabajo-L se relacionan inversamente en un 96,06%
C&##,%aci+n RHL( ! . "/=
[ ]
) ( * ) ( (
) , ( (cov
2
%arian&aL %arian&a'
L ' arian&a
=
Correlacin K,L( r L ,D=
) 930969 0136711066 . 0 ( * ) 1813927 0087284957 . 0 ( (
183587 0107484513 . 0
2

=
<0,9139300'
El capital-K y la mano de obra-trabajo-L se relacionan inversamente en un 98,39%
# QH R . L =
[ ]
2
2 2
) , 1 ( * ) , 1 (
) , ( * ) , ( , (
L ' r L ( r
L r' L r( ' r(

# QH R . L =
[ ]
2
) 031836486 . 0 1 ( * ) 077170907 . 0 1 (
) 983953004 . 0 ( * ) 960639939 . 0 ( 895668438 . 0 (


= - 0,999787927
/l coeficiente de 4orrelaci+n "arcial de la "rod$cci+n<K ! el 4a"ital<L, manteniendo
constante la mano de obra < trabaMo<D, es < 0,999)1)92), relaci+n inversa ! m$! b$ena& 0<
1 J r J 1.
a.a partir de las correlaciones parciales, obtenga el coeficiente de determinacin 0!.
RF= coeficiente de determinacin:# =
[ ]
L ' r
L r' L r( ' r( L ( r ' ( r
, 1
) , * , * , 2 ( , ,
2
2 2

+
e interprete
r Q,K=00,19((1'31.F = 0,10222192 r Q,L= 0<0,9(0(39939.F =0,922129093
rF L,D= 0<0,9139300'.F =0,9(11(31'
! =
[ ]
968163514 . 0 1
) 983953004 . 0 ( * ) 960639939 . 0 ( * 895668438 . 0 ( 2 ( 922829093 . 0 802221952 . 0

+
=
3
! = '1,9('01, la relaci+n f$ncional de la "rod$cci+n ! el ca"ital<L, manteniendo
constante la mano de obra<trabaMo<D, e-"lican en $n '1,9% las variaciones de la
"rod$cci+n&
a).a partir de la matriz de covarianza, obtenga la correlacin parcial definida como:
4orrelation "artial3 ! i" # . $ =
[ ]
2
2 2
) , 1 ( * ) , 1 (
) , ( * ) , ( , (
# $ r # i r
# r$ # ri $ ri


RF= determinacin:# =
[ ]
# $ r
# r$ # ri $ ri # i r $ i r
, 1
) , * , * , 2 ( , ,
2
2 2

+
co!!elaci%n &"' (
[ ]
) ( * ) ( (
) , ( (cov
2
%arian&aY %arian&aX
Y X arian&a
4orrelation "artial3 0correlaci+n "rod$cci+n<K, trabaMo<D, constante ca"ital<L.
i=K , M=D , N=L
# QH L . P =
[ ]
2
2 2
) , 1 ( * ) , 1 (
) , ( * ) , ( , (
# L r # ( r
# rL # r( L r(

e interprete
! - ".= 0,19((1'31 ! - "/= <0,9(0(39939 r L ,D= <0,9139300'
r Q,K= 0,10222192 r Q,L= 0,922129093 rF L,D= 0,9(11(31'
! -" / . $ =
[ ]
2
) 968163514 . 0 1 ( * ) 802221952 . 0 ( 1 (
) 983953004 . 0 ( * ) 895668438 . 0 ( 960639939 . 0 (


= 1,91(93(1
/l coeficiente de 4orrelaci+n "arcial de la "rod$cci+n<K ! la mano de obra<trabaMo<D,
manteniendo constante el ca"ital<L, es 1&91, relaci+n directa ! m$! mala& 0<1 J r J 1.
a*.a partir de las correlaciones parciales, obtenga el coeficiente de determinacin 0!.
7F= coeficiente de determinaci+n = ! =
[ ]
# L r
# rL # r( L r( # ( r L ( r
, 1
) , * , * , 2 ( , ,
2
2 2

+
e interprete
rQ,K= 0,001'33013 0,03)112 0,19((1'31
rQ,L= 0,0022''')2 0,0')3)1(2 <0,9(0(39939
rK,L= 0,000119321 0,010923)' <0,9139300'
'
r Q,L= 0,922129093
r K,L= 0,9(11(31'
(1 - r Q,L)= 0,0))1)090)
(1 - r K,L)= 0,03113('1(
(1- r Q,L)*(1- r K,L) 0,002'(11
SQRT(1- r Q,L)*(1- r K,L) 0,0'9(((2)
rQ,K.L=rQ,K-(rQ,L*rK,L)/SQRT <0,999)1)92)
r Q,K= 0,10222192

rF=r Q,K+rFQ,L-(2rQ,K*rQ,L*rK,L/(1-rFK,L)
# QHR . LH c&n #A = '1,9('01
(1 - r Q,K)= 0,19)))10'1
(1- r Q,K)*(1- r K,L) 0,00(29(1
SQRT(1- r Q,K)*(1- r K,L) & 0,0)9301
rQ,L.K=rQ,L-(rQ,K*rK,L)/SQRT & 1,91(93(1
a+.Para el modelo Cobb Douglas especificado en el punto a4), utilice la herramienta de software EVEWS,
para estimar el modelo mediante Mnimos Cuadrados Ordinarios (MCO) (Least Squares=LS), operando la
siguiente rutina:
EVEWS.
CREATE
Work structure type: DATED REGULAR FREQUENCY
Dated specification: FREQUENCY (quarterly),
start date: 2000:1 end date: 2010:2 o.k.
DATA Q K L

LS LOG(Q) c LOG(K) LOG(L)


.i,M E()i$a)i&n O*)<*) U
a5.5 "artir del modelo estimado mediante la herramienta de software EVEWS, del punto a14)
reemplace los parmetros estimados en la funcin multivariada ajuste Cobb Douglas linealizada en los
parmetros?
a6.5 "artir del modelo estimado mediante la herramienta de software EVEWS, del punto a14)
obtenga una estimacin por intervalo del 95% de confianza para los parmetros estimados?
a7.5 "artir del modelo estimado mediante la herramienta de software EVEWS, del punto a14)
obtenga la " funcin de produccin estimada "?
a8.5 "artir del modelo estimado mediante la herramienta de software EVEWS, del punto a14) y la
funcin de produccin estimada en el punto a17) obtenga los residuos? Y concluya sobre subestimacin o
sobreestimacin del modelo formulado y estimado?
Residuos= (produccin real produccin estimada)
Si residuos = resultado negativo -, entonces el modelo estimado sobreestima
Si residuos = resultado positivo +, entonces el modelo estimado subestima
a9.5 "artir del modelo estimado mediante la herramienta de software EVEWS, del punto a14)
concluya sobre la significancia estadstica de los parmetros estimados?
a)0.4om"ara los res$ltados obtenidos en el "$nto a). e,$ivalente al modelo de
es"ecificaci+n matricial estimado, con los res$ltados obtenidos en el "$nto a1'.
e,$ivalente al modelo estimado mediante la %erramienta de software /2I/OS !
concl$!a?
a).4om"ara los res$ltados obtenidos en el "$nto a11. e,$ivalente al coeficiente de
determinaci+n 0!. obtenido mediante desarrollo matricial, con el coeficiente de
determinaci+n 0!. obtenidos en el "$nto a1'. mediante la %erramienta de software
/2I/OS ! concl$!a?
,)). Utilizando la herramienta de software EVEWS, estime (por mnimos cuadrado ordinarios MCO) el
modelo multivariado de la produccin explicada a travs del capital y trabajo, de ajuste lineal, operando la
instruccin: LS Q c K L, y concluya sobre la significancia estadstica de los parmetros estimados?
o = 0,677701518
Bi = 1 = 0,441274468
2 = 0,666473253 3-1
Dependent Variable: LOG(Q)
Method: Least Squares
Date: 04/14/11 Time: 20:38
(
Sample: 2000Q1 2010Q2
ncluded observations: 42
Variable Coefficient Std. Error t-Statistic Prob.
C 0.706844 0.405187 1.744488 0.0890
LOG(K) 0.450859 0.093426 4.825821 0.0000
LOG(L) 0.655606 0.116924 5.607137 0.0000
R-squared 0.988632 Mean dependent var 9.412745
Adjusted R-squared 0.988049 S.D. dependent var 0.137416
S.E. of regression 0.015022 Akaike info criterion -5.489788
Sum squared resid 0.008801 Schwarz criterion -5.365669
Log likelihood 118.2856 F-statistic 1695.824
Durbin-Watson stat 0.266617 Prob(F-statistic) 0.000000
Estimation Command: LS LOG(Q) C LOG(K) LOG(L)
Estimation Equation: LOG(Q) = C(1) + C(2)*LOG(K) + C(3)*LOG(L)
Substituted Coefficients:
=====================
LOG(Q) = 0.7068436713 + 0.4508591834*LOG(K) + 0.6556061426*LOG(L)
Q = 0.706844 R
0.490K98
* L
0.699606

Ln Q estimado = 0 + 1 Ln / +2 Ln L
Ln Q estimado = 0,706844 + 0,450859 Ln / +0,655606 Ln L
actual fitted residual
9.18086006665367 9.18743583072055 -0.00657576406687266 | . * | . |
9.20523737380028 9.20127693651322 0.00396043728705475 | . |* . |
9.2120888425103 9.22291177221082 -0.0108229297005211 | .* | . |
9.2232368537112 9.23440751499226 -0.0111706612810565 | .* | . |
9.22671556369237 9.2533873712523 -0.0266718075599321 | * . | . |
9.2400253798457 9.25611680508388 -0.016091425238181 | *. | . |
9.24040390119057 9.25763979539853 -0.0172358942079613 | *. | . |
)
9.24697119579797 9.261288333442 -0.014317137644035 | * | . |
9.25900671895677 9.26967526684241 -0.010668547885639 | .* | . |
9.26878850932066 9.27810066070555 -0.00931215138488461 | . * | . |
9.27815788633482 9.28145462471651 -0.00329673838168798 | . *| . |
9.28423189213443 9.28538345008023 -0.00115155794579991 | . * . |
9.29545328134936 9.29348523185301 0.00196804949634988 | . |* . |
9.30638664443419 9.30446189998755 0.00192474444663571 | . |* . |
9.32862994598702 9.31578298658167 0.0128469594053433 | . | * |
9.34281495637556 9.3281370332628 0.0146779231127523 | . | * |
9.35851896864744 9.33623536280618 0.0222836058412526 | . | . * |
9.3740226245512 9.35240816762523 0.0216144569259695 | . | . * |
9.38475575719904 9.37112109494009 0.0136346622589461 | . | * |
9.40466460756129 9.38547078713039 0.0191938204308961 | . | . * |
9.42379715770085 9.39838600021737 0.0254111574834761 | . | . * |
9.43482702093082 9.41414894927715 0.0206780716536654 | . | . * |
9.45262750993757 9.43513506777956 0.017492442158006 | . | .* |
9.46619116205825 9.4526470244319 0.0135441376263525 | . | * |
9.48672132667281 9.47476402142262 0.0119573052501849 | . | *. |
9.49910685624088 9.48862035957937 0.0104864966615112 | . | *. |
9.50694997517166 9.50178915601503 0.00516081915663325 | . | * . |
9.51867030265112 9.52462865407753 -0.00595835142641565 | . * | . |
9.53166271197192 9.54084787862249 -0.00918516665056668 | . * | . |
9.54739815141945 9.55100648878894 -0.00360833736949662 | . *| . |
9.55804924052338 9.55955063242495 -0.00150139190156384 | . *| . |
9.56740623949434 9.57411328229053 -0.00670704279619461 | . * | . |
9.56999886071547 9.58531212828022 -0.0153132675647516 | * | . |
9.5799572071897 9.58984243887545 -0.00988523168575739 | .* | . |
9.58086200648615 9.59642010331262 -0.0155580968264761 | *. | . |
9.56037733317473 9.59176536712474 -0.0313880339500088 |* . | . |
9.55376694249328 9.57083305434003 -0.0170661118467521 | *. | . |
9.54927386293873 9.56488807604192 -0.015614213103186 | *. | . |
9.5549720864766 9.55769743674088 -0.00272535026427967 | . *| . |
9.56642614238627 9.55998092621013 0.00644521617614036 | . | * . |
9.57820052755322 9.55940796960702 0.0187925579461954 | . | . * |
9.58706301121869 9.56731066385403 0.0197523473646637 | . | . * |
.ALIDACION DE .IOLACION DEL SUPUESTO DE MULTICOLINEALIDAD.
Se puede detectar la existencia de multicolinealidad (correlacin de las variables
explicativas).
Hiptesis nula Ho: No existe multicolinealidad entre las variables explicativas
(regresoras) incluidas en el modelo.
1
Problema: cuando las variables explicativas presentan un alto grado de
colinealidad. 1 11 W 2 12 W 1 W W P 1P = 0
Donde i H = ktes, tales que no todas ellas simultneamente son iguales a cero.
La multicolinealidad consiste en que los coeficientes de regresin permanecen
indeterminados y sus errores estndar son infinitos.
Multicolinealidad perfecta cuando todos los parmetros estimados i, Son
estadsticamente significativos.
Multicolinealidad imperfecta cuando algunos parmetros estimados i, Son
estadsticamente significativos (es decir, al menos uno de los parmetros
estimados no es estadsticamente significativos).
Grafico de Ballentine de colinealidad:
No colinealidad:
Baja colinealidad:
Alta colinealidad:
Como los parmetros estimados (constante=0.706844) P<0.10 (p=0.089),
Parmetro indexado al capital (LOG(K)=0.450859) P<0.001 (p= 0.0001),
estadsticamente significativo,
Parmetro indexado a mano de obra (LOG(L)= 0.655606) P<0.001 (p= 0.0001),
estadsticamente significativo,
entonces se concluye la existencia de multicolinealidad perfecta al 10% de
confiabilidad o imperfecta al 5%.
Variable Coefficient Std. Error t-Statistic Prob.
C 0.706844 0.405187 1.744488 0.0890
LOG(K) 0.450859 0.093426 4.825821 0.0000
LOG(L) 0.655606 0.116924 5.607137 0.0000
.ALIDACION DE .IOLACION DEL SUPUESTO DE AUTOCORRELACION.
La autocorrelacin consiste en identificar si los errores estn correlacionados.
E( i, j) = 0 para todo i j.
Se desarrolla la prueba del estadstico de Durbin Watson para detectar correlacin
serial bajo los siguientes supuestos:
9
i)El modelo regresin multivariado incluye el trmino intercepto,
ii) las variables explicativas son no estocsticas (fijas en muestreo repetido),
iii) las perturbaciones se generan mediante esquema autoregresivo de primer
orden (0t, = 0 t-1 ) 1 t ),
iv)el modelo de regresin no incluye valores rezagados de la variable dependiente
como una de las variables explicativas (conocida como modelos autorregresivos),
v) no hay observaciones faltantes en los datos.
La metodologa para realizar la prueba del estadstico Durbin Watson es la
siguiente.
i. Efectuar regresin multivariada por Mnimos Cuadrados Ordinarios
(MCO).
ii. Calcular el estadstico "d con los datos de muestra,
Durbin-Watson stat = d= 0.266617
iii. Para un tamao de muestra determinado(n= 42 observaciones y un
nmero de k-1 = 3-1 = dos (2) parmetros indexados a las variables
explicativas (excluyendo el parmetro intercepto Bo), encontrar en la
tabla estadstica Durbin Watson con d=0.05 los valores tabulados
crticos DLower (DL= xx ) y DUpper (DU= xxxx).
iv. Concluir con la regla de decisin:
Regla de decisin estadstica de Durbin Watson.
?i<+),(i( N*%a 0?&35 D,ci(i+n Si
No autocorrelacin positiva Rechazar 0 < d < DL
No autocorrelacin positiva No tomar decisin DL <= d <= DU
No autocorrelacin positiva o negativa No rechazar DU < d <= 4 DU
No correlacin negativa No tomar decisin 4 - DU <= d <= 4 DL
No correlacin negativa Rechazar 4 - DL <= d <= 4
- 1 ( = ( = 1 , 0 < = d < = 4
= )1, indica correlacin positiva perfecta en los residuales, d=0). Entre ms
cercano est "d a cero, mayor ser la evidencia de correlacin serial positiva.
= -1, indica que hay una correlacin negativa perfecta entre los valores
consecutivos de los residuales, d=4). Entre ms se acerque "d a cuatro (4), mayor
ser la evidencia de correlacin serial negativa.
Regiones de rechazo estadstica de Durbin Watson.

(0
7ec%#cese Po,
entonces %a!
evidencia de
a$tocorrelaci+n
"ositiva
zona de
indecisi+n
Co se rec%ace Po, o, Po@ o
ambas
zona de
indecisi+n
7ec%#cese Po@ ,
entonces %a!
evidencia de
a$tocorrelaci+n
negativa
d
0 *D *Q 2 ' R *Q ' R *D '
0 ...... xxx ... xxx .....2 ........ xxx ..... xxx ........ 4
4-DU = 4-xxx = xxx y 4-DL= 4-xxx= xxx
La prueba de hiptesis estadstica de Durbin Watson, el valor estimado d=
0,266617, sugiere que se rechace la hiptesis nula Ho ("No autocorrelacin positiva),
por tanto, existe una correlacin serial positiva en los residuales, comprobada con
la tabla de Durbin Watson, encontrando que para 42 observaciones, K= dos (2)
parmetros: B1 indexado a la variable explicativa insumo capital (K), B2 indexado
a la variable explicativa insumo mano de obra (L); con k-1 = 3-1 = 2 parmetros
(excluyendo el parmetro intercepto Bo), el valor tabulado DL= xxx y DU= xxx nivel
de significancia =0.05, puesto que el valor estimado d se encuentra en el
intervalo:
dB0.266617 E DL =xxx); (se encuentra en la regin de rechazo segn reglas de
decisin Durbin Watson), existe evidencia de una correlacin serial positiva en los
residuales.
.ALIDACION DE .IOLACION DEL SUPUESTO DE ?ETEROCEDASTICIDAD.
La heterocedasticidad consiste en identificar si la varianza del error no es kte.
La varianza de cada trmino de perturbacin t, condiciona a los valores
seleccionados de las variables explicativas, es algn nmero constante igual a
Homocedasticidad = homo (igual) cedasticidad (dispersin), es decir, igual
varianza.
E( t F,) = (0omocedasticidad)
E( t F,) (0ete!ocedasticidad)
(1
Se valida con la prueba de Glejser, la prueba de Goldfeeld Quandt, la prueba de White.
:/S: /S:5*IS:I4O */ P/:/7O4/*5S:I4I*5* */ OPI:/&
OP/C ? 6ID/ ? f0K,L,D.&O61 ? DS DOS0K. c DOS0L. DOS0D. ? :/S: 7/SI*Q5D ? OPI:/
P/:/7O4/*5S:I4I:9 ? CO 47OSS :/7>S O7 47OSS :/7>S&
White Heteroskedasticity Test:
F-statistic 1.326310 Probability 0.278339
Obs*R-squared 5.266961 Probability 0.260986
Test Equation:
Dependent Variable: RESD^2
Method: Least Squares
Date: 05/02/11 Time: 18:07
Sample: 2000Q1 2010Q2
ncluded observations: 42
Variable Coefficient Std. Error t-Statistic Prob.
C -0.983583 0.460987 -2.133647 0.0396
LOG(K) -0.098710 0.057514 -1.716269 0.0945
(LOG(K))^2 0.007303 0.004233 1.725391 0.0928
LOG(L) 0.304774 0.142454 2.139447 0.0391
(LOG(L))^2 -0.017627 0.008213 -2.146283 0.0385
R-squared 0.125404 Mean dependent var 0.000210
Adjusted R-squared 0.030853 S.D. dependent var 0.000216
S.E. of regression 0.000212 Akaike info criterion -13.96543
Sum squared resid 1.67E-06 Schwarz criterion -13.75856
Log likelihood 298.2739 F-statistic 1.326310
Durbin-Watson stat 1.341057 Prob(F-statistic) 0.278339
Para $n "r$eba 6 = 1.326310 con $na "=0.278339 no estadAsticamente significativa, "or
tanto, no rec%azar la %i"+tesis n$la de ig$aldad de varianza& Se "resenta
%omocedasticidad&
!ORMULACION DEL MODELO ECONOMETRICO
En primera instancia tomaremos el modelo funcional exponencial expresado de la
forma:
Yi= 0 X1
1
+ X2
2
+. Xn
n
+ e
i
(2
En segunda instancia procederemos a transformar el modelo mediante la
linealizacin utilizando logaritmos naturales; expresndolo de la siguiente forma:
Ln Y= 0 + 1 Ln X1 + 2 Ln X2 +. n Ln Xn +
Y
*
= Ln Y
X1
*
= Ln X1 Y*= 0 + 1 X1
*
+ 2 X2
*
+. n Ln Xn* +
X2
*
= Ln X2
lustracin de cada uno de los componentes de la ecuacin:
MATEMATICA ESTADISTICA ECONOMICA
Y variable dependiente Variable endgena
Produccin industrial en
billones de dlares
1
1
variable independiente Variable exgena
Capital industrial billones
de dlares
1
2
variable independiente Variable exgena
Trabajo: salarios y
remuneracin
X0
nterseccin o punto de
corte
Parmetro
produccin industrial que
se da sin la aplicacin de
empleo y capital
X1 primer coeficiente Parmetro
el cambio en el total de
la produccin industrial
por cada unidad
adicional de capital
X2 segundo coeficiente Parmetro
el cambio en el total de
la produccin industrial
por cada unidad
adicional de trabajo
.
(3
CALCULOS SOFTWARE SPSS
C&,6ici,n),(
Modelo Coeficientes no
estandarizados
Coeficientes
tipificados
t Sig.
ntervalo de confianza de
95,0% para B
B Error tp. Beta
Lmite
inferior
Lmite
superior
1 (Constante) -1257,783 361,439 -3,480 ,001 -1988,862 -526,703
CAPTAL 5,897 1,289 ,426 4,575 ,000 3,290 8,505
TRABAJO 1,504 ,245 ,572 6,147 ,000 1,009 1,998
a. Variable dependiente: PRODUCCON
PRODUCCION B -129L.LK W 9.K8L4CAPITAL W 1.9044TRAFAVO
^0= -1257.873: es la produccin industrial sin tenerse en cuenta los factores de trabajo y
capital, tiene sentido en cuanto a que no se encuentren factores de produccin como el
trabajo y capital la produccin sea cero a un que el estimador la muestre negativa.
^1= 5,897: Cuando se aplica una unidad adicional de capital la produccin industrial se
incrementa en un 5,897
^2= 1.504: Cuando se aplica una unidad adicional de empleo la produccin industrial se
incrementa en un 1.504
('
Ca%c*%& d, $,dida( d, <#,ci(i+n ,()ad;()ica.
Error estndar (1)= 1.289
Error estndar (2)= 0.245

ANO.A
'
Modelo Suma de
cuadrados gl
Media
cuadrtica F Sig.
1 Regresin 1,127E8 2 5,637E7 1619,653 ,000
a
Residual 1357346,684 39 34803,761
Total 1,141E8 41
a. Variables predictoras: (Constante), TRABAJO, CAPTAL
b. Variable dependiente: PRODUCCON
Lo anterior indica que la independencia estadstica en K y W es lejana a 0 (1619.653) lo
cual significa que no existe alta independencia que permite dar explicaciones por
separado del comportamiento.
R,(*$,n d,% $&d,%&
Modelo
R R cuadrado
R cuadrado
corregida Error tp. de la estimacin
di mensi on0
1 ,994
a
,988 ,987 186,55766
a. Variables predictoras: (Constante), TRABAJO, CAPTAL
b. Variable dependiente: PRODUCCON
(
R
2
B 0.8KK el grado de ajuste de la VD y V respecto a la media de la
regresin es de 98.80% esto indica una baja dispersin de la informacin
respecto a los valores medios o promedios.
R
2
aO*()ad&B 0.8KL lo mismo del anterior pero el valor es 98.70% pero
teniendo en cuenta la VAR observada y la no observada.
RB 0.884. las variables K y W explican los cambios o los comportamientos
de P de manera conjunta en un 99.4%.
In),#/a%&( d, c&n6ian7a5
Para el nivel de produccin el intervalo de confianza est comprendido entre -1988.862 y
-526.76 para un nivel de significancia del 95%.
La tasa natural de capital es 5.87 trimestralmente con un intervalo definido entre: 3.290 y
8.505 con un nivel de significancia del 95% en el periodo comprendido entre 1 de enero
del 2000 y 1 abril del 2010.
La tasa marginal de trabajo es de 1.504 trimestralmente con un intervalo definido entre:
1.009 y 1.998 con un nivel de significancia del 95% en el periodo comprendido entre 1 de
enero del 2000 y 1 de abril del 2010.
5.897 2.0181 (0.1289) > 1 5.897 + 2.0181 (0.1289)
4.7074> 1 > 6.168
((
Eona de ace"taci+n P1
1.504 2.0181 (0.245) > 1 1.504 + 2.0181 (0.0.245)
4.7074> 1 > 6.168
TEST DE ?IPOTESIS
#r2eba de si3nificancia de los valores estimados
Formular hiptesis Pa(& 2: nivel de significancia
a) 1: d = 0.05
HO= 1 = 0
H1= 1 = 0
b) 2: d = 0.05
HO= 2 = 0
H1= 2 = 0
()
(&1)1 &(3(1
Eona de ace"taci+n P1
1&'1'
1&009
Estadstico de trabajo.
t = (1) - 1
Ee (1)
Criterios de decisin
{T calculado} > T (d / 2) (n k) se acepta H1 y se rechaza H0.
Clculo del estadstico
t = 5.897 = 4.575 t = 1.504 = 6.138
1.289 0.245
Toma de decisin
Como el valor t Calculado de 1 es 4.575 mayor que 1.96 valor encontrado en la
tabla, por lo tanto se rechaza H
Como el valor T calculado de 2 6.138 mayor que 1.96 valor encontrado en la tabla
se rechaza H
Grafica del modelo: diagrama de dispersin y recta de regresin
(1
(9
Produccin estimada segn modelo aplicado
1234,
5678933:7
; 3,5:<,/ <6,=,>7
5678933:7
; 2?<:@,8,
P
E()i$ad&
01?01?2000 9)09, ((3,) ') 8.K0K <91
01?0'?2000 99'9,1 ()1,1 ')11,9 8.8L 12
01?0)?2000 1001), (92,( '1)',' 10.19K <1'0
01?10?2000 10129,1 )0,2 '199, 10.2L0 <1'0
01?01?2001 101(,1 )1(,( '911,1 10.4L0 <30
01?0'?2001 10301,3 )2(,( '9(1,' 10.4K8 <111
01?0)?2001 1030,2 )3,3 '932,' 10.48L <191
01?10?2001 103)3,1 )'2, '92(,1 10.91 <11
01?01?2002 10'91,) )'1,3 '9(3,( 10.620 <121
01?0'?2002 10(01,9 )3,) 003 10.L11 <109
01?0)?2002 10)01,) )1,( 00(,3 10.L49 <'3
01?10?2002 10)((,9 )(3 01(,' 10.LK6 <19
)0
01?01?2003 10111,' )((,9 0(1 10.KL6 12
01?0'?2003 11001,1 ))1,9 123, 11.000 1
01?0)?2003 112,) ))1 11',( 11.12K 121
01?10?2003 11'1(, )1,3 2'9,' 11.26K 1'1
01?01?200' 119),2 )93,) 2),9 11.9K 2'0
01?0'?200' 11))1,' 103,2 3(3,( 11.946 233
01?0)?200' 1190, 113,9 '(1,9 11.L6L 113
01?10?200' 121'',9 12,1 3',' 11.86 209
01?01?200 123)9, 131,1 1',2 12.0KL 292
01?0'?200 121(,1 13,( (1,) 12.2L6 2'1
01?0)?200 12)'1,( 1)0,3 )1,3 12.99 20)
01?10?200 1291,( 111,) 129,) 12.L91 1(
01?01?200( 13113, 90',1 91,9 1.06 1'1
01?0'?200( 133'),1 911,9 (011,( 1.21 13
01?0)?200( 13'2,9 933,3 (0),' 1.K )0
01?10?200( 13(11, 9'),1 (22),( 1.684 <12
01?01?200) 13)19, 99,2 (321,1 1.816 <12)
01?0'?200) 1'001,2 9(1,9 (312,1 14.096 <')
01?0)?200) 1'11,2 9)),' ('2),( 14.1L <1
01?10?200) 1'291,3 911 (23,' 14.K0 <11
01?01?2001 1'321,' 99(,) (9,9 14.940 <212
01?0'?2001 1'')1,1 1011,' (),1 14.989 <12'
01?0)?2001 1''1',9 102),9 ((),9 14.6K2 <19)
01?10?2001 1'191,2 1031,1 (')),3 14.606 <'1
01?01?2009 1'0'9,) 103(,( (210 14.00 <20
01?0'?2009 1'03', 1021,2 (21),) 14.221 <11(
01?0)?2009 1'11',) 1010,( (2(3,9 14.12 <1
01?10?2009 1'2)),3 1010,1 (21',9
14.199
122
)1
01?01?2010 1'''(,' 1001 (291,' 14.148 291
01?0'?2010 1') 101',2 (3'0,9 14.260 31
Conclusiones
En lneas generales en este trabajo se ha elaborado la estimacin de un modelo
economtrico con el objetivo de observar el comportamiento de la produccin bajo
una funcin Coob Douglas, apoyndonos en la herramienta estadstica Spss.
Como resultados encontramos una relacin directa entre el proceso de produccin
y las variables implcitas en el modelo (capital (K), trabajo (L)). A mayor
incremento de los factores de trabajo y capital se generara un incremento en los
niveles de produccin, hasta llegar al Nivel ptimo de donde la inclusin de una
unidad ms de produccin o capital generara disminucin en los beneficios.
Siendo ptimo en el anlisis de economas a escala para determinar la incidencia
de los factores productivos, tomar decisiones sobre el incremento porcentual y la
reestructuracin de los procesos de productivos.

TALLER ECONOMETRA. MSc GUERLY LOPEZ. (Entrega 12/05/2011).
Dada la serie estadstica temporal de datos sobre Demanda trimestral de docena
de rosas (DR), precio promedio en dlares docena de rosas al por mayor (PR),
precio promedio en dlares docena de clavel al por mayor (PC), ingreso promedio
familiar disponible (dlares por semana)= Y, periodo 1971-1975.
Periodo :rimestre
*emanda
rosas
0docena.=*7
Precio "romedio
d+lares docena
rosas 0P7.
Precio
"romedio
d+lares docena
4lavel 0P4.
Ingreso "romedio
familiar 0d+lares
semana.=9
1 III<19)1 11'1' 2,2( 3,'9 11,11
2 I2<19)1 93'1 2,' 2,1 1)3,3(
)2
3 I<19)2 1'29 3,0) ',0( 1(,2(
' II<19)2 100)9 2,91 3,(' 1)2,92
III<19)2 92'0 2,)3 3,21 1)1,'(
( I2<19)2 11(2 2,)) 3,(( 191,(2
) I<19)3 (21( 3,9 3,)( 11(,21
1 II<19)3 123 3,23 3,'9 111,91
9 III<19)3 1031 2,(1 3,13 110,'9
10 I2<19)3 )')( 2,19 3,21 113,33
11 I<19)' 911 3,)) 3,( 111,1)
12 II<19)' )90 3,(' 3,(1 11,01
13 III<19)' (13' 2,12 2,9' 11',01
1' I2<19)' 1(1 2,9( 3,12 111,21
1 I<19) 31(0 ',2' 3,1 1),()
1( II<19) 1)2 3,(9 3,3 111,01
7esolver e inter"retar los %allazgos, "ara los sig$ientes re,$erimientos econ+micos3
a. /n$ncie el "ost$lado econ+mico ,$e ti"ifica esta a"licaci+n en la demanda de bienes&
a). Para el modelo economtrico multivariado de ajuste Lineal especificado como:
Demanda Rosas = f (Precio Rosa, Precio Claver, ngreso)
DRt = * ) 1 #,t )& #Ct ) 4 Yt ) et ,
utilice la herramienta de software EVEWS, para estimar el modelo mediante Mnimos Cuadrados Ordinarios
(MCO) (Least Squares=LS), operando la siguiente rutina:
EVEWS.
CREATE
Work structure type: DATED REGULAR FREQUENCY
Dated specification: FREQUENCY (quarterly),
start date: 1971:3 end date: 1975:2 o.k.
DATA DR PR PC Y
LS DR c PR PC Y
Y Remplace los parmetros estimados en la funcin lineal especificada.
a*) Para el modelo economtrico multivariado de ajuste de Potencia ("Cobb Douglas):
especificado como Demanda Rosas = f (Precio Rosa, Precio Claver, ngreso)
DR = 0 * #,
F1
* #C
F2
* Y
F
et , ,
LN(DR) = Ln 0 + B1 Ln( #,) + B2 Ln( #C) + B3 Ln(Y) ,
utilice la herramienta de software EVEWS, para estimar el modelo mediante Mnimos Cuadrados Ordinarios
(MCO) (Least Squares=LS), operando la siguiente rutina:
EVEWS.
CREATE
Work structure type: DATED REGULAR FREQUENCY
Dated specification: FREQUENCY (quarterly),
start date: 1971:3 end date: 1975:2 o.k.
DATA DR PR PC Y
LS LOG(DR) c LOG(PR) LOG(PC) LOG(Y)
)3
Y Remplace los parmetros estimados en la funcin de potencia especificada.
a+) /scoMa el meMor modelo de los "rocesados en el "$nto a)) A a*) y justifique su
escogencia?
a5) Para el modelo escogido en a+) realice la interpretacin de las elasticidades estimadas. 1,&,
4, e inter"rete el coeficiente de determinaci+n (!)B.
a6.5 "artir del modelo estimado escogido en a+) desarrolle el test de m$lticolinealidad !
concl$!aT&
a7.5 "artir del modelo estimado escogido en a+) desarrolle el test de 5$tocorrelaci+n !
concl$!aT&
,8.5 "artir del modelo estimado escogido en a+) desarrolle el test de Peterocedasticidad
! concl$!aT&
Evaluacin ECONOMETRA. MSc GUERLY LOPEZ. Mayo 2011.
A partir de la serie estadstica temporal de datos sobre Demanda trimestral de docena de rosas
(DR), precio promedio en dlares docena de rosas al por mayor (PR), precio promedio en dlares
docena de clavel al por mayor (PC), ingreso promedio familiar disponible (dlares por semana)= Y,
)'
periodo 1971-1975; se form$l+ el modelo economUtrico m$ltivariado aM$ste de
"otencia V4obb<*o$glasW3 Demanda Rosas = f (Precio Rosa, Precio Claver, ngreso);
DR = 0 * #,
F1
* #C
F2
* Y
F
et ,
LN(DR) = Ln 0 + B1 Ln( #,) + B2 Ln( #C) + B3 Ln(Y) + et ,
4on los sig$ientes res$ltados del software /views3
Dependent Variable: LOG(DR)
Method: Least Squares
Date: 05/07/11 Time: 15:33
Sample: 1 16
ncluded observations: 16
0
Variable Coefficient Std. Error t-Statistic Prob.
C 6.255073 4.848819 1.290020 0.2213
LOG(PR) -1.863775 0.342763 -5.437505 0.0002
LOG(PC) 1.462895 0.569899 2.566937 0.0247
LOG(Y) 0.565353 0.916349 0.616962 0.5488
R-squared 0.739821 Mean dependent var 8.902209
Adjusted R-squared 0.674776 S.D. dependent var 0.306877
S.E. of regression 0.175007 Akaike info criterion -0.435665
Sum squared resid 0.367529 Schwarz criterion -0.242518
Log likelihood 7.485318 F-statistic 11.37402
Durbin-Watson stat 2.003430 Prob(F-statistic) 0.000802
R,(<&nd,# %&( (i"*i,n),( #,N*,#i$i,n)&( c&n 'a(, ,n ,% $a#c& d, %a ),&#;a ,c&n&$-)#ica5
a. 4$antas variables se analizan 0c$al es end+gena ! c$ales e-"licativas., 4$antos
"ar#metros se estimaron en el modelo form$lado, K$e ti"o de modelo esT 9 ,$e ti"o de
aM$ste se form$l+?
'.Reemplace los parmetros estimados
3 , 2 , 1 ,
0

en la funcin economtrica dada
LN(DR) = Ln 0 + B1 Ln( #,) + B2 Ln( #C) + B3 Ln(Y)
c.*esarrolle el test estadAstico de %i"+tesis "ara el "ar#metro estimado
1
asociado al
precio promedio en dlares docena de rosas al por mayor (PR), y el "ar#metro estimado
3
asociado al ingreso promedio familiar disponible (dlares por semana)= Y, y concluya?
d.Inter"rete los parmetros estimados
3 , 2 , 1
?
,. Inter"rete el coeficiente de determinacin estimado?
6) 4oncl$!a sobre m$lticolinealidad 0correlaci+n de las variables e-"licativas 1 11 W 2
12 W 1 W Y. W P 1P = 0., en el modelo estimado M$stificando s$ res"$estaT
)
") Desarrolle el test estadstico de Durbin-Watson (para identificar si los errores est#n
correlacionados, E( i, j)=0, "ara todo i j), en el modelo estimado ! concl$!a
M$stificando s$ res"$estaT, $tilice la sig$iente regla de decisi+n estadAstica de *$rbin<
Oatson ! considere los valores tab$lados de la estadAstica *$rbin<Oatson *D= ! *Q=
0"ara n= 1( observaciones, d=0.05, ! L<1=0c$atro<$no.=tres 03.= "ar#metros inde-ados a
las variables e-"licativas, e-cl$!endo el "ar#metro interce"to
0

.&
Regla de decisin estadstica de Durbin Watson.
?i<+),(i( N*%a 0?&35 D,ci(i+n Si
No autocorrelacin positiva Rechazar 0 < d < DL
No autocorrelacin positiva No tomar decisin DL <= d <= DU
No autocorrelacin positiva o negativa No rechazar DU < d <= 4 DU
No correlacin negativa No tomar decisin 4 - DU <= d <= 4 DL
No correlacin negativa Rechazar 4 - DL <= d <= 4
Regiones de rechazo estadstica de Durbin Watson.

7ec%#cese Po,
entonces %a!
evidencia de
a$tocorrelaci+n
"ositiva
zona de
indecisi+n
Co se rec%ace Po, o, Po@ o
ambas
zona de
indecisi+n
7ec%#cese Po@ ,
entonces %a!
evidencia de
a$tocorrelaci+n
negativa
d
0 *D *Q 2 ' R *Q ' R *D '
>) *esarrolle el test estadAstico de Peterocedasticidad 0"ara identificar si los errores
E( t F,) = 0%omocedasticidad., E( t F,) 0%eterocedasticidad.! concl$!a segXn
el sig$iente res$ltado obtenido del software /views en la prueba de White.
:/S: /S:5*IS:I4O */ P/:/7O4/*5S:I4I*5* */ OPI:/&
White Heteroskedasticity Test:
F-statistic 0.634483 Probability 0.701497
Obs*R-squared 4.756060 Probability 0.575459
DESARROLLO Evaluacin ECONOMETRA. MSc GUERLY LOPEZ. Mayo 2011.
A partir de la serie estadstica temporal de datos sobre Demanda trimestral de docena de rosas
(DR), precio promedio en dlares docena de rosas al por mayor (PR), precio promedio en dlares
docena de clavel al por mayor (PC), ingreso promedio familiar disponible (dlares por semana)= Y,
periodo 1971-1975; se form$l+ el modelo economUtrico m$ltivariado aM$ste de
"otencia V4obb<*o$glasW3 Demanda Rosas = f (Precio Rosa, Precio Claver, ngreso);
)(
DR = 0 * #,
F1
* #C
F2
* Y
F
et ,
LN(DR) = Ln 0 + B1 Ln( #,) + B2 Ln( #C) + B3 Ln(Y) + et ,
4on los sig$ientes res$ltados del software /views3
Dependent Variable: LOG(DR)
Method: Least Squares
Date: 05/07/11 Time: 15:33
Sample: 1 16
ncluded observations: 16
0
Variable Coefficient Std. Error t-Statistic Prob.
C 6.255073 4.848819 1.290020 0.2213
LOG(PR) -1.863775 0.342763 -5.437505 0.0002
LOG(PC) 1.462895 0.569899 2.566937 0.0247
LOG(Y) 0.565353 0.916349 0.616962 0.5488
R-squared 0.739821 Mean dependent var 8.902209
Adjusted R-squared 0.674776 S.D. dependent var 0.306877
S.E. of regression 0.175007 Akaike info criterion -0.435665
Sum squared resid 0.367529 Schwarz criterion -0.242518
Log likelihood 7.485318 F-statistic 11.37402
Durbin-Watson stat 2.003430 Prob(F-statistic) 0.000802
R,(<&nd,# %&( (i"*i,n),( #,N*,#i$i,n)&( c&n 'a(, ,n ,% $a#c& d, %a ),&#;a ,c&n&$-)#ica5
a. 4$antas variables se analizan 0c$al es end+gena ! c$ales e-"licativas., 4$antos
"ar#metros se estimaron en el modelo form$lado, K$e ti"o de modelo esT 9 ,$e ti"o de
aM$ste se form$l+?
Cuantas variables se analizan (CUATRO (4), Demanda trimestral de docena de rosas
(DR), precio promedio en dlares docena de rosas al por mayor (PR), precio promedio en dlares
docena de clavel al por mayor (PC), ingreso promedio familiar (Y).
cual es endgena (Demanda trimestral de docena de rosas (DR).
Cuales explicativas: precio promedio en dlares docena de rosas al por mayor (PR), precio
promedio en dlares docena de clavel al por mayor (PC), ingreso promedio familiar (Y)
Cuantos parmetros se estimaron en el modelo CUATRO (4):
3 , 2 , 1 ,
0

Que tipo de modelo es: multivariado, Y que tipo de ajuste se formul: potencia
'.Reemplace los parmetros estimados
3 , 2 , 1 ,
0

en la funcin economtrica dada
LN(DR) = Ln 0 + B1 Ln( #,) + B2 Ln( #C) + B3 Ln(Y)
LN(DR) = 6.255073 - 1.863775 Ln( #,) + 1.462895 Ln( #C) + 0.565353 Ln(Y)
))
c.*esarrolle el test estadAstico de %i"+tesis "ara el "ar#metro estimado
1
asociado al
precio promedio en dlares docena de rosas al por mayor (PR), y el "ar#metro estimado
3
asociado al ingreso promedio familiar disponible (dlares por semana)= Y, y concluya?
test estadstico de hiptesis para el parmetro estimado
1
asociado al precio
promedio en dlares docena de rosas al por mayor (PR):
i.Se plantea la >i<+),(i( n*%a ?&: 1= *
Y la hiptesis alterna, H1: 1 *

ii.Se escoge un ni/,% d, (i"ni6icancia estadstico ( 05 . 0 ),
iii.Se selecciona la ,()ad;()ica d, <#*,'a
i
i i
eeb
b
T

= (-1,863775 0) / 0.342763 = - 5.437505


i. Decisin: rechazar la hiptesis nula a un nivel de confianza del 95%

1
" Tcalculado = - 5.437505 < - t tabulado ( ) distribucin tstudent ( 05 . 0 ),
Por tanto, se concl$!e ,$e el "ar#metro
1
,es estadAsticamente significativo3 "J0&00
0"=0&0002.
test estadAstico de %i"+tesis "ara el "ar#metro estimado
3
asociado al ingreso promedio
familiar disponible (dlares por semana)= Y:
i.Se plantea la >i<+),(i( n*%a ?&: 4= *
Y la hiptesis alterna, H1: 1 *

ii.Se escoge un ni/,% d, (i"ni6icancia estadstico ( 05 . 0 ),
iii.Se selecciona la ,()ad;()ica d, <#*,'a
i
i i
eeb
b
T

= (0.565353 0) / 0.916349 = 0.616962


i. Decisin: No rechazar la hiptesis nula a un nivel de confianza del 95%

1
" Tcalculado = 0,616962 < t tabulado ( ) distribucin tstudent ( 05 . 0 ),
Por tanto, se concl$!e ,$e el "ar#metro 3, no es estadAsticamente significativo3 "B0&00
0"=0.5488.
d.Inter"rete los parmetros estimados
3 , 2 , 1
?
Variable Coefficient Std. Error t-Statistic Prob.
C 6.255073 4.848819 1.290020 0.2213
LOG(PR) -1.863775 0.342763 -5.437505 0.0002
LOG(PC) 1.462895 0.569899 2.566937 0.0247
LOG(Y) 0.565353 0.916349 0.616962 0.5488
Dos "ar#metros estimados: 1= - 1.863775 "J0&0 0"=0.0002., y 2=1.462895 "J0&0
0"=0.0247. son estadAsticamente significativosY
)1
! los "ar#metro estimados3
0
=6.255073 "B0&0 0"=0.2213. ! 3=0.565353 "B0&0
0"=0.5488. no son estadAsticamente significativos&
4om"robados mediante test estadAstico :<st$dent 0n=1( observaciones J 30.&

0
=6.255073 B0 determina que la Demanda trimestral natural de rosas (DR) es 6,25 docenas, (sin
considerar el precio promedio en dlares docena de rosas al por mayor (PR), y el precio promedio
en dlares docena de clavel al por mayor (PC), y el ingreso promedio familiar (Y).

1
= - 1.863775 E0 (pendiente negativa) explica una relacin indirecta entre la Demanda
trimestral de rosas (DR) y el precio promedio en dlares docena de rosas al por mayor (PR), sin
considerar el precio promedio en dlares docena de clavel al por mayor (PC), y el ingreso promedio
familiar (Y), de tal forma que al variar el precio promedio en dlares docena de rosas al por mayor
(PR) en un dlar, es de esperarse un coeficiente de disminucin en la Demanda trimestral de rosas
(DR) de 1,863775 docenas de rosas, "ceteris paribus (sin considerar el precio promedio en
dlares docena de clavel al por mayor (PC), y el ingreso promedio familiar (Y). (existiendo una
relacin de 1 : - 1.863775), p<0.05 (p=0.0002) estadsticamente significativo.

2
= 1.462895 B 0 (pendiente positiva) relacin directa entre la Demanda trimestral de rosas (DR)
y el precio promedio en dlares docena de clavel al por mayor (PC), sin considerar el precio
promedio en dlares docena de rosas al por mayor (PR), y el ingreso promedio familiar (Y) , de tal
forma que al variar el precio promedio en dlares docena de clavel al por mayor (PC) en un dlar,
se espera un coeficiente de incremento en la Demanda trimestral de rosas (DR) de 1,462895
docenas de rosas, "ceteris paribus (sin considerar el precio promedio en dlares docena de
rosas al por mayor (PR), y el ingreso promedio familiar (Y). (relacin de 1 : 1.462895), p<0.05
(p=0.0247) estadsticamente significativo.

3
= 0.565353 B 0 (pendiente positiva) relacin directa entre la Demanda trimestral de rosas (DR)
y el ingreso promedio familiar (Y), sin considerar el precio promedio en dlares docena de rosas al
por mayor (PR), y el precio promedio en dlares docena de clavel al por mayor (PC) , de tal forma
que al variar el ingreso promedio familiar (Y) en un dlar semanal, es de esperarse un coeficiente
de incremento en la Demanda trimestral de rosas (DR) de 0,565353 docenas de rosas, "ceteris
paribus (sin considerar el precio promedio en dlares docena de rosas al por mayor (PR) y el
precio promedio en dlares docena de clavel al por mayor (PC), (relacin de 1 : 0.565353).
p>0.05 (p=0.5488) no estadsticamente significativo.
,. Inter"rete el coeficiente de determinacin estimado?
El c&,6ici,n), d, d,),#$inaci+n 0,5 3 =0.739821, permite inferir que precio promedio en
dlares docena de rosas al por mayor (PR), el precio promedio en dlares docena de clavel al por
mayor (PC) y el ingreso promedio familiar (Y) explican en un 73,98% las variaciones en la
Demanda trimestral de docena de rosas (DR),0como R? estimado < 0.803 R? es aceptable.
6) 4oncl$!a sobre m$lticolinealidad 0correlaci+n de las variables e-"licativas 1 11 W 2
12 W 1 W Y. W P 1P = 0., en el modelo estimado M$stificando s$ res"$estaT
.ALIDACION DE .IOLACION DEL SUPUESTO DE MULTICOLINEALIDAD.
)9
Hiptesis nula Ho: No existe multicolinealidad entre las variables explicativas (regresoras) incluidas
en el modelo.
Problema: cuando las variables explicativas presentan un alto grado de colinealidad. 1 11 W 2
12 W 1 W W P 1P = 0
Donde i H = ktes, tales que no todas ellas simultneamente son iguales a cero.
La multicolinealidad consiste en que los coeficientes de regresin permanecen indeterminados y
sus errores estndar son infinitos.
Multicolinealidad perfecta cuando )&d&( los parmetros estimados i, Son estadsticamente
significativos.
Dado que los parmetros estimados" 1= - 1.863775 p<0.05 (p=0.0002), ! &=1.462895 p<0.05
(p=0.0247) son estadsticamente significativos; y los parmetro estimados:
0
=6.255073 p>0.05
(p=0.2213) y 4=0.565353 p>0.05 (p=0.5488) no son estadsticamente significativos, es decir, no
todos los parmetros estimados son estadsticamente significativos, entonces se concluye la
existencia de multicolinealidad imperfecta.
") Desarrolle el test estadstico de Durbin-Watson (para identificar si los errores estn
correlacionados, E( i, j)=0, para todo i j), en el modelo estimado y concluya justificando su
respuesta?, utilice la siguiente regla de decisin estadstica de Durbin-Watson y considere los
valores tabulados de la estadstica Durbin-Watson DL= xxx y DU= xxx (para n= 16 observaciones,
d=0.05, y (K-1)=(cuatro-uno)=tres (3) parmetros indexados a las variables explicativas,
excluyendo el parmetro intercepto
0
).
.ALIDACION DE .IOLACION DEL SUPUESTO DE AUTOCORRELACION.
La autocorrelacin consiste en identificar si los errores estn correlacionados.
E( i, j) = 0 para todo i j.
Se desarrolla la prueba del estadstico de Durbin Watson para detectar correlacin serial bajo los
siguientes supuestos:
i)El modelo regresin multivariado incluye el trmino intercepto,
ii) las variables explicativas son no estocsticas (fijas en muestreo repetido),
iii) las perturbaciones se generan mediante esquema autoregresivo de 1er orden (0t = 0t-
1)1t ),
iv)el modelo de regresin no incluye valores rezagados de la variable dependiente como una de
las variables explicativas (conocida como modelos autorregresivos), v) no hay observaciones
faltantes en los datos.
La metodologa para realizar la prueba del estadstico Durbin Watson es la siguiente.
ii. Efectuar regresin multivariada por Mnimos Cuadrados Ordinarios (MCO).
iii. Calcular el estadstico "d con los datos de muestra,
Durbin-Watson stat 2.003430 Prob(F-statistic) 0.000802
Durbin-Watson stat = d= 2.003430
iv. Para un tamao de muestra determinado(n= 16 observaciones y un nmero de k-1 =
(4-1) = tres (3) parmetros indexados a las variables explicativas (excluye el parmetro
10
intercepto Bo), encontrar en la tabla estadstica Durbin Watson con d=0.05 los valores
tabulados crticos DLower (DL= xxx) y DUpper (DU= xxx).
v. Concluir con la regla de decisin:
Regla de decisin estadstica de Durbin Watson.
?i<+),(i( N*%a 0?&35 D,ci(i+n Si
No autocorrelacin positiva Rechazar 0 < d < DL
No autocorrelacin positiva No tomar decisin DL <= d <= DU
No autocorrelacin positiva o negativa No rechazar DU < d <= 4 DU
No correlacin negativa No tomar decisin 4 - DU <= d <= 4 DL
No correlacin negativa Rechazar 4 - DL <= d <= 4
- 1 ( = ( = 1 , 0 < = d < = 4
= )1, indica correlacin positiva perfecta en los residuales, d=0). Entre ms cercano est "d a
cero, mayor ser la evidencia de correlacin serial positiva.
= -1, indica que hay una correlacin negativa perfecta entre los valores consecutivos de los
residuales, d=4). Entre ms se acerque "d a cuatro (4), mayor ser la evidencia de correlacin
serial negativa.
Regiones de rechazo estadstica de Durbin Watson.

Rechcese Ho,
entonces hay
evidencia de
autocorrelacin
positiva
zona de
indecisin
No se rechace Ho, o, Ho*
o ambas
zona de
indecisin
Rechcese Ho* ,
entonces hay
evidencia de
autocorrelacin
negativa
d
0 DL=xxx DU=xxx 2 d=2,00343 4 DU=xxx 4 DL=xxx 4
La prueba de hiptesis estadstica de Durbin Watson, el valor estimado d= 2.003430, sugiere que
no existe una correlacin serial positiva o negativa o ambas en los residuales, sta debido a que a
partir de la tabla de Durbin Watson se encuentra que para 16 observaciones, K-1= (4-1)=tres (3)
parmetros indexados a las tres variables explicativas Precio docena Rosas al por mayor (PC),
Precio docena Claveles al por mayor (PC), e ingreso (Y) excluyendo el intercepto, el valor tabulado
DL= xxx y DU= xxx nivel de significancia =0.05, puesto que el valor estimado DW se encuentra en
el intervalo:0 DU = xxx ) E dB2.003430 E ( 4 DU = xxx)
(segn reglas de decisin Durbin Watson), no se rechaza la hiptesis nula Ho: No autocorrelacin
positiva, no autocorrelacin negativa, entonces, no hay evidencia de autocorelacin positiva en los
residuales.
>) Desarrolle el test estadstico de Heterocedasticidad (para identificar si los errores E( t,) = A
(homocedasticidad), E( t,) A (heterocedasticidad)y concluya segn el siguiente resultado
obtenido del software Eviews en la prueba de White.
TEST ESTADSTCO DE HETEROCEDASTCDAD DE WHTE.
White Heteroskedasticity Test:
F-statistic 0.634483 Probability 0.701497
Obs*R-squared 4.756060 Probability 0.575459
.ALIDACION DE .IOLACION DEL SUPUESTO DE ?ETEROCEDASTICIDAD.
La heterocedasticidad consiste en identificar si la varianza del error no es kte.
11
La varianza de cada trmino de perturbacin t, condiciona a los valores seleccionados de las
variables explicativas, es algn nmero constante igual a A
Homocedasticidad = homo (igual) cedasticidad (dispersin), es decir, igual varianza. Se valida
mediante la prueba de White.
Para un prueba F = 0.634483 con una p=0.701497 no estadsticamente significativa, por tanto, no
rechazar la hiptesis nula de igualdad de varianza. Se presenta homocedasticidad.
A partir de la serie estadstica temporal de datos sobre Endeudamiento externo
(EE, en millones de Dlares), crecimiento econmico (CE,%) y tasa de inters(t,
%) de economa colombiana durante el periodo 1951-2000 (fuente: Banrepublica),
modelo m$ltivariado lineal con los sig$ientes res$ltados "rocesados en el software
/2iews3
u
t
e t s TasaIntere t co CreEconomi EE ntoExterno Endeudamie + + + . 2 . 1 ) (
0
:
Dependent Variable: EndeudamientoExterno(EE)
Method: Least Squares
Date: 22/10/10 Time: 7:33
Sample(adjusted): 1951 2000
12
ncluded observations: 50 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C -0.013893 0.006840 -2.031265 0.0479
CreEconomico 0.507128 0.145961 3.474405 0.0011
Tasanteres 0.023780 0.009799 2.426769 0.0191
R-squared 0.335624 Mean dependent var 0.009432
Adjusted R-squared 0.307353 S.D. dependent var 0.025508
S.E. of regression 0.021229 Akaike info criterion -4.808741
Sum squared resid 0.021182 Schwarz criterion -4.808741
Log likelihood 123.2185 F-statistic 11.87155
Durbin-Watson stat 2.241324 Prob(F-statistic) 0.000067
R,(<&nd,# %&( (i"*i,n),( #,N*,#i$i,n)&( c&n 'a(, ,n ,% $a#c& d, %a ),&#;a ,c&n&$-)#ica5
a. 4$antas variables se analizan 0c$al es endogena ! c$ales e-"licativas., 4$antos
"ar#metros se estimaron en el modelo estimado?
'. K$e ti"o de modelo esT 9 ,$e ti"o de aM$ste se form$l+?
c.Reemplace los parmetros estimados
2 , 1 ,
0

en la funcin economtrica dada
u
t
e t s TasaIntere t co CreEconomi EE ntoExterno Endeudamie + + + . 2 . 1 ) (
0
?
d.*esarrolle el test estadAstico de %i"+tesis "ara el "ar#metro estimado
1
asociado al
crecimiento econmico y concluya?
,.4oncl$!a sobre los parmetros estimados
2 , 1 ,
0

?
6. Inter"rete el coeficiente de determinacin estimado?
". 4oncl$!a sobre m$lticolinealidad en el modelo estimado justificando su respuesta?
>. *esarrolle el test estadAstico de Durbin-Watson en el modelo estimado y concluya
justificando su respuesta?
a ) Cuantas variables se analizan (TRES, Endeudamiento externo-EE, crecimiento
econmico-CE, y tasa de inters-t)
cual es endogena (Endeudamiento externo)
cuales explicativas: crecimiento econmico (CE,%) y tasa de inters(t)
Cuantos parmetros se estimaron en el modelo TRES:
2 , 1 ,
0

?
') Que tipo de modelo es: multivariado, Y que tipo de ajuste se formul: Lineal
c)Reemplace los parmetros estimados
2 , 1 ,
0

en la funcin economtrica
dada
u
t
e t s TasaIntere t co CreEconomi EE ntoExterno Endeudamie + + + . 2 . 1 ) (
0
?
13
s TasaIntere co CreEconomi EE ntoExterno Endeudamie
t
02378 . 0 507128 . 0 013 . 0 ) ( + +
d)Desarrolle el test estadstico de hiptesis para el parmetro estimado
1
asociado al crecimiento econmico y concluya?
Variable Coefficient Std. Error t-Statistic Prob.
CreEconomico 0.507128 0.145961 3.474405 0.0011
i.Se plantea la >i<+),(i( n*%a ?&: 1= *
Y la hiptesis alterna, H1: 1 *

ii.Se escoge un ni/,% d, (i"ni6icancia estadstico ( 05 . 0 ),
iii.Se selecciona la ,()ad;()ica d, <#*,'a
i
i i
eeb
b
T

= (0.507128 0) / 0.145961 = 3.474405


vi. Decisin: rechazar la hiptesis nula a un nivel de confianza del 95%

1
" Tcalculado = 3.474405 > Z tabulado distribucin normal ( 05 . 0 ),
Por tanto, se concl$!e ,$e el "ar#metro
1
,es estadAsticamente significativo3 "J0&00
0"=0&0011.
,)Concluya sobre los parmetros estimados
2 , 1 ,
0

?
Variable Coefficient Std. Error t-Statistic Prob.
C -0.013893 0.006840 -2.031265 0.0479
CreEconomico 0.507128 0.145961 3.474405 0.0011
Tasanteres 0.023780 0.009799 2.426769 0.0191
Dos "ar#metros estimados
0
=-0.013893, "J0&0 0"=0&0')9. 1=0.507128 "J0&0
0"=0&0011.,y 2=0.023780 "J0&0 0"=0&0191. son estadAsticamente significativo.&

0
=-0.013893 J0 determina que el endeudamiento externo natural es -0.013893
millones de dlares (sin considerar crecimiento econmico (CE,%) y tasa de
inters(t)).

1
= 0.507128 E0 (pendiente positiva) explica una relacin indirecta entre el
endeudamiento externo y el crecimiento econmico, sin considerar la tasa de
inters, de tal forma que al variar el crecimiento econmico en 1%, es de
esperarse una tasa marginal de aumento en el endeudamiento externo de
0.507128 millones de dlares, "ceteris paribus (sin considerar la tasa de inters).
(existiendo una relacin de 1 : 0.507128).
1'

2
= 0&023)1 J 0 (pendiente positiva) explica una relacin indirecta entre el
endeudamiento externo y la tasa de inters, sin considerar el endeudamiento
externo, de tal forma que al variar la tasa de interes en 1%, es de esperarse una
tasa marginal de aumento en el endeudamiento externo de 0.02378 millones de
dlares, "ceteris paribus (sin considerar el crecimiento econmico), (existiendo
una relacin de 1 : 0.02378).
6) nterprete el coeficiente de determinacin estimado?
El c&,6ici,n), d, d,),#$inaci+n 0,5 3 =0.335624, permite inferir que crecimiento
econmico (CE,%) y tasa de inters(t) estn explicando las variaciones del
endeudamiento eterno en un 33.56%, (0,5 ,()i$ad& E 0.K03 considerndose R? 5
0.80 poco aceptable.
") Concluya sobre multicolinealidad en el modelo estimado justificando su
respuesta?
.ALIDACION DE .IOLACION DEL SUPUESTO DE MULTICOLINEALIDAD.
Se puede detectar la existencia de multicolinealidad (correlacin de las variables
explicativas).
Hiptesis nula Ho: No existe multicolinealidad entre las variables explicativas
(regresoras) incluidas en el modelo.
Problema: cuando las variables explicativas presentan un alto grado de
colinealidad. 1 11 W 2 12 W 1 W W P 1P = 0
Donde i H = ktes, tales que no todas ellas simultneamente son iguales a cero.
La multicolinealidad consiste en que los coeficientes de regresin permanecen
indeterminados y sus errores estndar son infinitos.
Multicolinealidad perfecta cuando todos los parmetros estimados i, Son
estadsticamente significativos.
Dos "ar#metros estimados
0
=-0.013893, "J0&0 0"=0&0')9. 1=0.507128 "J0&0
0"=0&0011.,y 2=0.023780 "J0&0 0"=0&0191. son estadAsticamente significativo.&
entonces se concluye la existencia de multicolinealidad perfecta.
>) Desarrolle el test estadstico de Durbin-Watson en el modelo estimado y
concluya justificando su respuesta?
.ALIDACION DE .IOLACION DEL SUPUESTO DE AUTOCORRELACION.
La autocorrelacin consiste en identificar si los errores estn correlacionados.
E( i, j) = 0 para todo i j.
1
Se desarrolla la prueba del estadstico de Durbin Watson para detectar correlacin
serial bajo los siguientes supuestos:
i)El modelo regresin multivariado incluye el trmino intercepto,
ii) las variables explicativas son no estocsticas (fijas en muestreo repetido),
iii) las perturbaciones se generan mediante esquema autoregresivo de primer
orden (0t, = 0 t-1 ) 1 t ),
iv)el modelo de regresin no incluye valores rezagados de la variable dependiente
como una de las variables explicativas (conocida como modelos autorregresivos),
v) no hay observaciones faltantes en los datos.
La metodologa para realizar la prueba del estadstico Durbin Watson es la
siguiente.
vii. Efectuar regresin multivariada por Mnimos Cuadrados Ordinarios
(MCO).
viii. Calcular el estadstico "d con los datos de muestra, d= 2.241324
*$rbin<Oatson
stat 2.241324
ix. Para un tamao de muestra determinado(n= 50 observaciones y un
nmero de k-1 = 3-1 = K= dos (2) parmetros indexados a las variables
explicativas (excluye el parmetro intercepto Bo), encontrar en la tabla
estadstica Durbin Watson con d=0.05 los valores tabulados crticos
DLower (DL= xxx) y DUpper (DU=xxx).
x. Concluir con la regla de decisin:
Regla de decisin estadstica de Durbin Watson.
?i<+),(i( N*%a 0?&35 D,ci(i+n Si
No autocorrelacin positiva Rechazar 0 < d < DL
No autocorrelacin positiva No tomar decisin DL <= d <= DU
No autocorrelacin positiva o negativa No rechazar DU < d <= 4 DU
No correlacin negativa No tomar decisin 4 - DU <= d <= 4 DL
No correlacin negativa Rechazar 4 - DL <= d <= 4
- 1 ( = ( = 1 , 0 < = d < = 4
= )1, indica correlacin positiva perfecta en los residuales, d=0). Entre ms
cercano est "d a cero, mayor ser la evidencia de correlacin serial positiva.
1(
= -1, indica que hay una correlacin negativa perfecta entre los valores
consecutivos de los residuales, d=4). Entre ms se acerque "d a cuatro (4), mayor
ser la evidencia de correlacin serial negativa.
Regiones de rechazo estadstica de Durbin Watson.

7ec%#cese Po,
entonces %a!
evidencia de
a$tocorrelaci+n
"ositiva
zona de
indecisi+n
Co se rec%ace Po, o, Po@ o
ambas
zona de
indecisi+n
7ec%#cese Po@ ,
entonces %a!
evidencia de
a$tocorrelaci+n
negativa
d
0 *D=1&'( *Q=1&(2 2 d=2&2'13 ' R *Q=2& ' R *D=2&' '

La prueba de hiptesis estadstica de Durbin Watson, el valor estimado d=
2.241324, sugiere que no existe una correlacin serial positiva o negativa o ambas
en los residuales, sta debido a que a partir de la tabla de Durbin Watson se
encuentra que para n=50 observaciones, K-1= 3-1=2 parmetros indexados a las
dos variables explicativas crecimiento econmico y tasa de interes, excluyendo el
intercepto, el valor tabulado DL= xxx y DU= xxx nivel de significancia =0.05,
puesto que el valor estimado d se encuentra en el intervalo:
0 DU = xxx) E dB2.2413E ( 4 DU = 4 xxx = xxxx)
(segn reglas de decisin Durbin Watson), no se rechaza la hiptesis nula Ho: No
autocorrelacin positiva, no autocorrelacin negativa, entonces, no hay evidencia
de autocorelacin positiva en los residuales. (Dicho de otra forma, no se puede
rechazar la hiptesis de que hay correlacin serial positiva en los residuales).
A partir de la serie estadstica temporal de datos del sector automotriz: Venta de
vehculos nuevos en Colombia (unidades), Precio (pesos), tasa de inters(%), tasa
de cambio (TRM, pesos) durante el periodo 2000-2010, se form$l+ el modelo
economUtrico m$ltivariado aM$ste de "otencia V4obb<*o$glasW 4on los sig$ientes
res$ltados del software /views3
u
t
T)M erest Tasa eciot %enta * * in * !"
3 2 1
0

+
LN(Venta) = Ln 0 + B1 Ln(Precio) + B2 Ln(!s! ineres) + B3 Ln("R#) + et ,
Dependent Variable: LOG(Venta)
Method: Least Squares
Date: 04/28/11 Time: 20:36
Sample(adjusted): 2000 2010
1)
ncluded observations: 11 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C 7.747744 7.914747 0.978900 0.3602

LOG(Precio) -0.107717 0.038927 -2.767174 0.0278
LOG(Tasanteres) -0.828095 0.419156 -1.975625 0.0888
LOG(TRM) -0.020451 1.067489 -0.019158 0.9852
R-squared 0.694710 Mean dependent var 4.985763
Adjusted R-squared 0.563871 S.D. dependent var 0.512856
S.E. of regression 0.338691 Akaike info criterion 0.947828
Sum squared resid 0.802979 Schwarz criterion 1.092517
Log likelihood -1.213052 F-statistic 5.309673
Durbin-Watson stat 1.254050 Prob(F-statistic) 0.031944
R,(<&nd,# %&( (i"*i,n),( #,N*,#i$i,n)&( c&n 'a(, ,n ,% $a#c& d, %a ),&#;a ,c&n&$-)#ica5
a.4$antas variables se analizan 0c$al es endogena ! c$ales e-"licativas., 4$antos
"ar#metros se estimaron en el modelo estimado? , K$e ti"o de modelo esT 9 ,$e ti"o de
aM$ste se form$l+?
Cuantas variables se analizan (cuatro, Venta de vehculos nuevos en Colombia
(unidades), Precio (pesos), tasa de inters(%) y tasa de cambio (TRM, pesos).
cual es endogena (Venta de vehculos nuevos en Colombia (unidades)
cuales explicativas: Precio (pesos), tasa de inters(%) y tasa de cambio (TRM,
pesos).
Cuantos parmetros se estimaron en el modelo: cuatro:
3 , 2 , 1 ,
0

?
'.Reemplace los parmetros estimados
3 , 2 , 1 ,
0

en la funcin economtrica dada
u
t
T)M erest Tasa eciot %enta * * in * !"
3 2 1
0

+
020451 . 0 828095 . 0 107717 . 0
* in * !" * 747744 . 7

T)M erest Tasa eciot %enta
t
c.Desarrolle el test de hiptesis estadstico para el parmetro
1
asociado al Precio y concluya?,
Variable Coefficient Std. Error t-Statistic Prob.

LOG(Precio) -0.107717 0.038927 -2.767174 0.0278
i.Se plantea la >i<+),(i( n*%a ?&: 1= *
Y la hiptesis alterna, H1: 1 *
11

ii.Se escoge un ni/,% d, (i"ni6icancia estadstico ( 05 . 0 ),
iii.Se selecciona la ,()ad;()ica d, <#*,'a
i
i i
eeb
b
T

= (-0.107717 0) / 0.038927 = -2.767174


i. Decisin: rechazar la hiptesis nula a un nivel de confianza del 95%

1
" Tcalculado = -2.767174 < t tabulado distribucin t student ( 05 . 0 ),
Por tanto, se concl$!e ,$e el "ar#metro
1
,es estadAsticamente significativo3 "J0&00
0"=0&02)1.
y desarrolle el test de hiptesis estadstico para el parmetro
3
asociado a la TRM y
concluya?
Variable Coefficient Std. Error t-Statistic Prob.
LOG(TRM) -0.020451 1.067489 -0.019158 0.9852
i.Se plantea la >i<+),(i( n*%a ?&: 4= *
Y la hiptesis alterna, H1: 4 *

ii.Se escoge un ni/,% d, (i"ni6icancia estadstico ( 05 . 0 ),
iii.Se selecciona la ,()ad;()ica d, <#*,'a
i
i i
eeb
b
T

= (-0.020451 0) / 1.067489 = -0.019158


i. Decisin: rechazar la hiptesis nula a un nivel de confianza del 95%

1
" Tcalculado = -0.019158 > -t tabulado distribucin t Student ( 05 . 0 ),
Por tanto, se concl$!e ,$e el "ar#metro 3,no es estadAsticamente significativo3 "B0&00
0"=0&912.
d.Inter"rete los parmetros estimados
3 , 2 , 1
?.
,. Inter"rete el coeficiente de determinacin estimado?
6. Desarrolle el test estadstico de Durbin-Watson en el modelo estimado y concluya justificando su
respuesta? $tilice la regla de decisi+n considerando los valores tab$lados de la estadAstica
*$rbin<Oatson *D= ! *Q= 0"ara n= 11 observaciones, G=0&0, ! tres 03.
19
"ar#metros inde-ados a las variables e-"licativas, e-cl$!endo el "ar#metro interce"to
0

.&
.ALIDACION DE .IOLACION DEL SUPUESTO DE AUTOCORRELACION.
La autocorrelacin consiste en identificar si los errores estn correlacionados.
E( i, j) = 0 para todo i j.
Se desarrolla la prueba del estadstico de Durbin Watson para detectar correlacin serial bajo los
siguientes supuestos:
i)El modelo regresin multivariado incluye el trmino intercepto,
ii) las variables explicativas son no estocsticas (fijas en muestreo repetido),
iii) las perturbaciones se generan mediante esquema autoregresivo de primer orden (0t, = 0t-1
) 1 t ),
iv)el modelo de regresin no incluye valores rezagados de la variable dependiente como una de
las variables explicativas (conocida como modelos autorregresivos), v) no hay observaciones
faltantes en los datos.
La metodologa para realizar la prueba del estadstico Durbin Watson es la siguiente.
ii. Efectuar regresin multivariada por Mnimos Cuadrados Ordinarios (MCO).
iii. Calcular el estadstico "d con los datos de muestra, d= 2.241324
Durbin-Watson stat 2.241324
iv. Para un tamao de muestra determinado(n= 50 observaciones y un nmero de k-1 = 3-
1 = K= dos (2) parmetros indexados a las variables explicativas (excluye el parmetro
intercepto Bo), encontrar en la tabla estadstica Durbin Watson con d=0.05 los valores
tabulados crticos DLower (DL= 1.46) y DUpper (DU=1.62).
v. Concluir con la regla de decisin:
Regla de decisin estadstica de Durbin Watson.
?i<+),(i( N*%a 0?&35 D,ci(i+n Si
No autocorrelacin positiva Rechazar 0 < d < DL
No autocorrelacin positiva No tomar decisin DL <= d <= DU
No autocorrelacin positiva o negativa No rechazar DU < d <= 4 DU
No correlacin negativa No tomar decisin 4 - DU <= d <= 4 DL
No correlacin negativa Rechazar 4 - DU <= d <= 4 DL
90
- 1 ( = ( = 1 , 0 < = d < = 4
= )1, indica correlacin positiva perfecta en los residuales, d=0). Entre ms cercano est "d a
cero, mayor ser la evidencia de correlacin serial positiva.
= -1, indica que hay una correlacin negativa perfecta entre los valores consecutivos de los
residuales, d=4). Entre ms se acerque "d a cuatro (4), mayor ser la evidencia de correlacin
serial negativa.
Regiones de rechazo estadstica de Durbin Watson.

Rechcese Ho,
entonces hay
evidencia de
autocorrelacin
positiva
zona de
indecisin
No se rechace Ho, o, Ho* o
ambas
zona de
indecisin
Rechcese Ho* ,
entonces hay
evidencia de
autocorrelacin
negativa
d
0 DL=1.46 DU=1.62 2 d=2.2413
4
DU=2. 4 DL=2.54 4

La prueba de hiptesis estadstica de Durbin Watson, el valor estimado d= 2.241324, sugiere que
no existe una correlacin serial positiva o negativa o ambas en los residuales, sta debido a que a
partir de la tabla de Durbin Watson se encuentra que para 16 observaciones, K= 2 parmetros
indexados a las dos variables explicativas crecimiento econmico y tasa de interes, excluyendo el
intercepto, el valor tabulado DL= 1.46 y DU= 1,62 nivel de significancia =0.05, puesto que el valor
estimado d se encuentra en el intervalo:
0 DU = 1.62) E dB2.2413E ( 4 DU = 4 2.2413 = 2.38)
(segn reglas de decisin Durbin Watson), no se rechaza la hiptesis nula Ho: No autocorrelacin
positiva, no autocorrelacin negativa, entonces, no hay evidencia de autocorelacin positiva en los
residuales. (Dicho de otra forma, no se puede rechazar la hiptesis de que hay correlacin serial
positiva en los residuales).
Para un prueba F = 0.634483 con una p=0.701497 no estadsticamente significativa, por tanto, no
rechazar la %i"+tesis n$la de ig$aldad de varianza& Se "resenta %omocedasticidad&
Method: Least Squares
Date: 22/10/10 Time: 7:33
Sample(adjusted): 1951 2000
91
ncluded observations: 50 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C -0.013893 0.006840 -2.031265 0.0479
CreEconomico 0.507128 0.145961 3.474405 0.0011
Tasanteres 0.023780 0.009799 2.426769 0.0191
R-squared 0.335624 Mean dependent var 0.009432
Adjusted R-squared 0.307353 S.D. dependent var 0.025508
S.E. of regression 0.021229 Akaike info criterion -4.808741
Sum squared resid 0.021182 Schwarz criterion -4.808741
Log likelihood 123.2185 F-statistic 11.87155
Durbin-Watson stat 2.241324 Prob(F-statistic) 0.000067
A partir de la serie estadstica temporal de datos sobre Demanda trimestral de
docena de rosas (DR), precio promedio en dlares docena de rosas al por mayor
(PR), precio promedio en dlares docena de clavel al por mayor (PC), ingreso
promedio familiar disponible (dlares por semana)= Y, periodo 1971-1975.
Periodo :rimestre
*emanda
rosas
0docena.=*7
Precio "romedio
d+lares docena
rosas 0P7.
Precio
"romedio
d+lares docena
4lavel 0P4.
Ingreso "romedio
familiar 0d+lares
semana.=9
1 III<19)1 11'1' 2,2( 3,'9 11,11
2 I2<19)1 93'1 2,' 2,1 1)3,3(
3 I<19)2 1'29 3,0) ',0( 1(,2(
' II<19)2 100)9 2,91 3,(' 1)2,92
III<19)2 92'0 2,)3 3,21 1)1,'(
( I2<19)2 11(2 2,)) 3,(( 191,(2
) I<19)3 (21( 3,9 3,)( 11(,21
1 II<19)3 123 3,23 3,'9 111,91
9 III<19)3 1031 2,(1 3,13 110,'9
10 I2<19)3 )')( 2,19 3,21 113,33
11 I<19)' 911 3,)) 3,( 111,1)
12 II<19)' )90 3,(' 3,(1 11,01
13 III<19)' (13' 2,12 2,9' 11',01
1' I2<19)' 1(1 2,9( 3,12 111,21
1 I<19) 31(0 ',2' 3,1 1),()
1( II<19) 1)2 3,(9 3,3 111,01
Para el modelo economtrico multivariado de ajuste log-lineal:
92
Ln DRt = * ) 1 Ln #,t )& Ln #Ct ) 4 Ln Yt ) et , estime e interprete por
el mtodo de estimacin de especificacin matricial los siguientes requerimientos:
a) obtenga la matriz de variables explicativas
G 0 Ln PRH Ln PCH Ln Y3 2 4 0Ln PRH Ln PCH Ln Y3

I

tipificado como:
n Z Ln(PR) Z Ln(PC) Z Ln(Y)
Z Ln(PR) Z [Ln(PR)] F Z[ (Ln(PR) * (Ln(PC)] Z [(Ln(PR)) * (Ln(Y))]
Z Ln(PC) Z[ (Ln(PR) * (Ln(PC)] Z [Ln(PC)] F Z [(Ln(PC)) * (Ln(Y))]
Z Ln(Y) Z [ (Ln(PR)) * (Ln(Y))] Z [(Ln(PC)) * (Ln(Y))] Z [Ln(Y)] F
'-
'
0b. Obtenga el vector productoria G0 Ln PRH Ln PCH Ln Y3 2 4 00Ln 0DR33I
tipificado como5
Z (Ln(DR)
Z [ (Ln(PR)) * (Ln(DR)) ]
Z [ (Ln(PC)) * (Ln(DR)) ]
Z [ (Ln( Y)) * (Ln(DR)) ]
'-
1
c. Obtenga la matriz inversa G 0 Ln PRH Ln PCH Ln Y3 2 4 0LnPRH LnPCHLnY3 I
- 1

d. Obtenga el vector de parmetros estimados3 *,1,&, 4 tipificado como
[ B ] 4x1 = G 0 LnPRH LnPCH Ln Y3 2 4 0LnPRH LnPCHLnY3 I
- 1



*

G0 Ln PRH Ln PCH Ln Y3 2 4 00Ln 0DR33I





Y reemplace el modelo estimado.
,) nterprete los resultados obtenidos para el coeficiente natural de demanda *=
Ln (*) estimado y los coeficientes de elasticidad de demanda: 1,&, 4 (con
res6ecto al 6recio 6ro6io, 6recio cr2zado e in3reso).

93
DESARROLLO
A partir de la serie estadstica temporal de datos sobre Demanda trimestral de
docena de rosas (DR), precio promedio en dlares docena de rosas al por mayor
(PR), precio promedio en dlares docena de clavel al por mayor (PC), ingreso
promedio familiar disponible (dlares por semana)= Y, periodo 1971-1975.
Periodo :rimestre
*emanda
rosas
0docena.=*7
Precio "romedio
d+lares docena
rosas 0P7.
Precio
"romedio
d+lares docena
4lavel 0P4.
Ingreso "romedio
familiar 0d+lares
semana.=9
1 III<19)1 11'1' 2,2( 3,'9 11,11
2 I2<19)1 93'1 2,' 2,1 1)3,3(
3 I<19)2 1'29 3,0) ',0( 1(,2(
' II<19)2 100)9 2,91 3,(' 1)2,92
III<19)2 92'0 2,)3 3,21 1)1,'(
( I2<19)2 11(2 2,)) 3,(( 191,(2
) I<19)3 (21( 3,9 3,)( 11(,21
1 II<19)3 123 3,23 3,'9 111,91
9 III<19)3 1031 2,(1 3,13 110,'9
10 I2<19)3 )')( 2,19 3,21 113,33
11 I<19)' 911 3,)) 3,( 111,1)
12 II<19)' )90 3,(' 3,(1 11,01
9'
13 III<19)' (13' 2,12 2,9' 11',01
1' I2<19)' 1(1 2,9( 3,12 111,21
1 I<19) 31(0 ',2' 3,1 1),()
1( II<19) 1)2 3,(9 3,3 111,01
Para el modelo economtrico multivariado de ajuste log-lineal:
DRt = * ) 1 #,t )& #Ct ) 4 Yt ) et , estime e interprete por el mtodo de
estimacin de especificacin matricial los siguientes requerimientos: a) obtenga la
matriz de variables explicativas G 0 PRHPCH Y3 2 4 0PRHPCHY3

I

tipificado como:
n Z PR Z PC Z Y
Z PR Z (PR) F Z (PR * PC) Z (PR * Y)
Z PC Z (PR * PC) Z (PC) F ) Z (PC * Y)
Z Y Z (PR * Y) Z (PC * Y) Z (Y) F
'-
'
N=16, ZPR= '9,)2 ZPC= ',93 ZY=2111,9 Z 0P7 @P4.=1)1,933(, Z(P7 @
9.=1999,321(, Z 0P4 @ 9.=9911,93(2, Z P7 A = 11,133', ZP4A=190,1('1,
ZYF=2291,29),
16 49,72 54,93 2888,59
0P7,P4,9. 2
@00P7,P4,9.= 49,72 158,8334 171,9336 8999,3286
54,93 171,9336 190,1641 9911,9362
2888,59 8999,3286 9911,9362 522958,53
'-
'
b. Obtenga el vector productoria G 0 PRHPCH Y3 2 4 0DR3

I

tipificado como:
Z DR
Z (PR * DR)
Z (PC * DR)
Z ( Y * DR) '-1
ZDR=122320, Z(P7@*7=3()190,)1 ZP@*7='19)1,3' Z9@*7= 2191313,31
122320
0P7,P4,9. 2@ 00*7.= 367190,78
9
419715,34
21958313,31 '-1
c. Obtenga la matriz inversa G 0 PRHPCH Y3 2 4 0PRHPCHY3

I
- 1

3(,2(322212 1,09103309
<
3,0)21()))
<
0,12)291'
0P7,P4,9. 2
@00P7,P4,9. <1= 1,09103309 0,3'91)902
<
0,29'22(1)
<
0,00(1113
<
3,0)21())) <0,29'22(1) 0,11(100112 0,00)('111
<
0,12)2913( <0,00(11121 0,00)('110) 0,000112)( '-'
d. Obtenga el vector de parmetros estimados3 *,1,&, 4 tipificado como
[ B ] 4C1 = G 0 PRHPCH Y3 2 4 0PRHPCHY3

I
- 1



*

G 0 PRHPCH Y3 2 4 0DR3

I

3(,2(322212 1,09103309
<
3,0)21()))
<
0,12)291'
0P7,P4,9. 2
@00P7,P4,9. <1= 1,09103309 0,3'91)902
<
0,29'22(1)
<
0,00(1113
<
3,0)21())) <0,29'22(1) 0,11(100112 0,00)('111
<
0,12)2913( <0,00(11121 0,00)('110) 0,000112)( '-'
*
122320
0P7,P4,9. 2@ 00*7.= 367190,78
419715,34
21958313,31 '-1
Par#metros =i = =o= 1332,9)21
=1= <
3('0,1(113
=2 = 2('),2')(
=3= <
19,11'''01 '-1
Y reemplace el modelo estimado: DRt = * ) 1 #,t )& #Ct ) 4 Yt ) et
DRt = 13325,97285 - 3640,156883 #,t ) 2647,254765 #Ct - 19,15144401 Yt
9(
,) nterprete los resultados obtenidos para la tasa natural de demanda o
estimada y las tasas marginales de demanda3 1,&, 4 (con res6ecto al 6recio
6ro6io, 6recio cr2zado e in3reso).

0
=13325,97285 D0 determina que la demanda natural de rosas son como mnimo
13326 docenas, (sin considerar precio de la docena de rosas, precio de la docena
de claveles y el ingreso).

1
= - 3640,156883 E0 (pendiente negativa) explica una relacin indirecta entre la
demanda de rosas ($R) t 0docena), y el precio promedio al por mayor de la
docena de rosas #,
i
, de tal forma que al variar el precio promedio de la docena
de rosas en un dlar, es de esperarse una tasa marginal de disminucin de la
demanda de rosas en - 3640 docenas, "ceteris paribus (sin considerar el precio
promedio de la docena de claveles y el ingreso). (existiendo una relacin de 1 : -
3640).

2
= 2647,254765 D0 (pendiente positiva) explica una relacin directa entre la
demanda de rosas ($R) t 0docena), y el precio promedio al por mayor de la
docena de claveles #C
i
, de tal forma que al variar el precio promedio de la
docena de claveles en un dlar, es de esperarse una tasa marginal de aumento de
la demanda de rosas en 2647 docenas, "ceteris paribus (sin considerar el precio
promedio de la docena de rosas y el ingreso). (una relacin de 1 : 2647).

3
= - 19,15144401 E 0 (pendiente negativa) explica una relacin indirecta entre la
demanda de rosas ($R) t 0docena), y el ingreso promedio semanal de las familias
Y
i
, de tal forma que al variar el ingreso promedio semanal de las familias en un
dlar, es de esperarse una tasa marginal de disminucin de la demanda de rosas
en 19 docenas, "ceteris paribus (sin considerar precio rosas y claveles).
(existiendo una relacin de 1 : 19).
A partir de la serie estadstica temporal de datos sobre Demanda trimestral de
docena de rosas (DR), precio promedio en dlares docena de rosas al por mayor
(PR), precio promedio en dlares docena de clavel al por mayor (PC), ingreso
promedio familiar disponible (dlares por semana)= Y, periodo 1971-1975.
Periodo :rimestre
*emanda
rosas
0docena.=*7
Precio "romedio
d+lares docena
rosas 0P7.
Precio
"romedio
d+lares docena
4lavel 0P4.
Ingreso "romedio
familiar 0d+lares
semana.=9
1 III<19)1 11'1' 2,2( 3,'9 11,11
2 I2<19)1 93'1 2,' 2,1 1)3,3(
3 I<19)2 1'29 3,0) ',0( 1(,2(
' II<19)2 100)9 2,91 3,(' 1)2,92
9)
III<19)2 92'0 2,)3 3,21 1)1,'(
( I2<19)2 11(2 2,)) 3,(( 191,(2
) I<19)3 (21( 3,9 3,)( 11(,21
1 II<19)3 123 3,23 3,'9 111,91
9 III<19)3 1031 2,(1 3,13 110,'9
10 I2<19)3 )')( 2,19 3,21 113,33
11 I<19)' 911 3,)) 3,( 111,1)
12 II<19)' )90 3,(' 3,(1 11,01
13 III<19)' (13' 2,12 2,9' 11',01
1' I2<19)' 1(1 2,9( 3,12 111,21
1 I<19) 31(0 ',2' 3,1 1),()
1( II<19) 1)2 3,(9 3,3 111,01
Para el modelo economtrico multivariado de ajuste log-lineal:
Ln DRt = * ) 1 Ln #,t )& Ln #Ct ) 4 Ln Yt ) et , estime e interprete por
el mtodo de estimacin de especificacin matricial los siguientes requerimientos:
a) obtenga la matriz de variables explicativas
G 0 Ln PRH Ln PCH Ln Y3 2 4 0Ln PRH Ln PCH Ln Y3

I

tipificado como:
n Z Ln(PR) Z Ln(PC) Z Ln(Y)
Z Ln(PR) Z [Ln(PR)] F Z[ (Ln(PR) * (Ln(PC)] Z [(Ln(PR)) * (Ln(Y))]
Z Ln(PC) Z[ (Ln(PR) * (Ln(PC)] Z [Ln(PC)] F Z [(Ln(PC)) * (Ln(Y))]
Z Ln(Y) Z [ (Ln(PR)) * (Ln(Y))] Z [(Ln(PC)) * (Ln(Y))] Z [Ln(Y)] F
'-
'
b. Obtenga el vector productoria G0 Ln PRH Ln PCH Ln Y3 2 4 00Ln 0DR33I
tipificado como5
Z (Ln(DR)
Z [ (Ln(PR)) * (Ln(DR)) ]
Z [ (Ln(PC)) * (Ln(DR)) ]
Z [ (Ln( Y)) * (Ln(DR)) ]
'-
1
c. Obtenga la matriz inversa G 0 Ln PRH Ln PCH Ln Y3 2 4 0LnPRH LnPCHLnY3 I
- 1

d. Obtenga el vector de parmetros estimados3 *,1,&, 4 tipificado como
[ B ] 4x1 = G 0 LnPRH LnPCH Ln Y3 2 4 0LnPRH LnPCHLnY3 I
- 1



*

91
G0 Ln PRH Ln PCH Ln Y3 2 4 00Ln 0DR33I





Y reemplace el modelo estimado.
In()#*cci&n,( E.IEZS5
CREATE
DATA DR PR PC Y
LS LOG0DR3 c LOG0PR3 LOG0PC3 LOG0Y3
Resultados:
Dependent Variable: LOG(DR)
Method: Least Squares
Date: 10/29/10 Time: 17:33
Sample: 1 16
ncluded observations: 16
Variable Coefficient Std. Error t-Statistic Prob.
C 6.255073 4.848819 1.290020 0.2213
LOG(PR) -1.863775 0.342763 -5.437505 0.0002
LOG(PC) 1.462895 0.569899 2.566937 0.0247
LOG(Y) 0.565353 0.916349 0.616962 0.5488
R-squared 0.739821 Mean dependent var 8.902209
Adjusted R-squared 0.674776 S.D. dependent var 0.306877
S.E. of regression 0.175007 Akaike info criterion -0.435665
Sum squared resid 0.367529 Schwarz criterion -0.242518
Log likelihood 7.485318 F-statistic 11.37402
Durbin-Watson stat 2.003430 Prob(F-statistic) 0.000802
,) nterprete los resultados obtenidos para el coeficiente natural de demanda *=
Ln (*) estimado y los coeficientes de elasticidad de demanda: 1,&, 4 (con
res6ecto al 6recio 6ro6io, 6recio cr2zado e in3reso).
6) A partir de los coeficientes de la matriz de covarianza dada,
4O/6I4I/C:/S */ D5 >5:7IE */ 4O257I5CE5
C LOG(PR) LOG(PC) LOG(Y)
99
C 23.5110430462759 0.748854881955603 -1.16628425849522 -4.41128144359683
LOG(PR) 0.748854881955603 0.117486403479745 -0.109106534915539 -0.143680502919853
LOG(PC) -1.16628425849522 -0.109106534915539 0.324785096673171 0.171196511042719
LOG(Y) -4.41128144359683 -0.143680502919853 0.171196511042719 0.839695367199297
Estimar las correlaciones parciales.
MODELO MULTVARADO (Ajuste de potencia ("Cobb Douglas):
Demanda Rosas = f (Precio Rosa, Precio Claver)
DR = 0 * #,
F1
* #C
F2
* et , ,
LN(DR) = Ln 0 + B1 Ln( #,) + B2 Ln( #C) , ,
Estimation Command:
=====================
LS LOG(DR) C LOG(PC) LOG(PR)
Estimation Equation:
=====================
100
LOG(DR) = C(1) + C(2)*LOG(PC) + C(3)*LOG(PR)
Substituted Coefficients:
=====================
LOG(DR) = 9.225114592 + 1.347631596*LOG(PC) - 1.767037151*LOG(PR)
DR = 9.2251 * #,
1.4L6
* #C
- 1.L6L0
,
Dependent Variable: LOG(DR)
Method: Least Squares
Date: 11/08/10 Time: 12:58
Sample: 1 16
ncluded observations: 16
Variable Coefficient Std. Error t-Statistic Prob.
C 9.225115 0.566252 16.29154 0.0000
LOG(PC) 1.347632 0.525424 2.564844 0.0235
LOG(PR) -1.767037 0.297448 -5.940666 0.0000
R-squared 0.731568 Mean dependent var 8.902209
Adjusted R-squared 0.690271 S.D. dependent var 0.306877
S.E. of regression 0.170787 Akaike info criterion -0.529437
Sum squared resid 0.379187 Schwarz criterion -0.384577
Log likelihood 7.235497 F-statistic 17.71469
Durbin-Watson stat 2.056780 Prob(F-statistic) 0.000194
4orrelation "artial3! i" # . $ ( C ! i" # D ( ! i" $) E ( ! #" $) F G C
) , 1 ( * ) , 1 (
2 2
# $ r # i r
F
RF= determinacin:# BG # iH O W # iH P 0 2 # IH O 4 # iH P 4 # OH PI = G 1 # VH P I
4O/6I4I/C:/S */ D5 >5:7IE */ 4O257I5CE5
*7 P7 P4
0.320641 -0.254199 -0.005677
-0.254199 0.276071 -0.076011
-0.005677 -0.076011 0.088475
Ln(DR) Ln(PR) LN(PC)
Ln(DR) 0,320641 -0,254199 -0,005677
Ln(PR) -0,254199 0,276071 -0,076011
LN(PC) -0,005677 -0,076011 0,088475
101
/;P 0Dn0*7.. = /;P 0Dn 00&320('1. = 1&3)1010)1(
*7 P7 P4
*7
1,3)1010)1
(
0,))3)'
0,99'33901'
P7
0,))3)'

1,31)9'1'
3 0,92(10(012
P4
0,99'33901
'
0,92(10(0
1 1,0920(9'
4orrelation "artial3 !d!"p! . pc(C! d!"p!D(! d!"pc) E (! p!"pc)FG C
) , 1 ( * ) , 1 (
2 2
pc pr r pc dr r
F
r0dr,"r. < r0dr,P4.
r0Pr,Pc. <0,1'(02199
r20dr,"c. 0,911)10213
r20"r,"c.. 0,119(9313
1<r2 0,011219)1)
1<r2 0,1'1030(1)
01<r2.@01<r2. 0,0019220(
raiz 0,039902'1
r0dr,"r@"c. = cociente <3,(9')'13
# determinacinBG # d#H<# W # d#H<c 02 # d#H<# 4 # d#H<c 4 # <#H<cI = G1 # <#H<c I
r2 determinaci+n 3,2'2('103
r2dr,"r 0,(01'13''
r2dr,"c 0,911)10213
2 rdr,"r@rdr,"c@r"r,"c 1,'29'0))2(
r2"r,"c 0,119(9313
MODELO MULTVARADO (Ajuste de potencia ("Cobb Douglas):
Demanda Rosas = f (Precio Rosa, Precio Claver,Yrenta)
DR = 0 * #,
F1
* #C
F2
* Y
F
et , ,
LN(DR) = Ln 0 + B1 Ln( #,) + B2 Ln( #C) ) B3 Ln(Y)
Estimation Command:
=====================
LS LOG(DR) C LOG(PR) LOG(PC) LOG(Y)
Estimation Equation:
=====================
102
LOG(DR) = C(1) + C(2)*LOG(PR) + C(3)*LOG(PC) + C(4)*LOG(Y)
Substituted Coefficients:
=====================
LOG(DR) = 6.255072892 - 1.86377482*LOG(PR) + 1.462895332*LOG(PC) +
0.5653527865*LOG(Y)
DR = 6.2550 * #,
- 1.K6L
* #C
1.462K
* Y
0.969
,
Resultados:
Dependent Variable: LOG(DR)
Method: Least Squares
Date: 10/29/10 Time: 17:33
Sample: 1 16
ncluded observations: 16
Variable Coefficient Std. Error t-Statistic Prob.
C 6.255073 4.848819 1.290020 0.2213
LOG(PR) -1.863775 0.342763 -5.437505 0.0002
LOG(PC) 1.462895 0.569899 2.566937 0.0247
LOG(Y) 0.565353 0.916349 0.616962 0.5488
R-squared 0.739821 Mean dependent var 8.902209
Adjusted R-squared 0.674776 S.D. dependent var 0.306877
S.E. of regression 0.175007 Akaike info criterion -0.435665
Sum squared resid 0.367529 Schwarz criterion -0.242518
Log likelihood 7.485318 F-statistic 11.37402
Durbin-Watson stat 2.003430 Prob(F-statistic) 0.000802
.ALIDACION DE .IOLACION DEL SUPUESTO DE MULTICOLINEALIDAD.
Se puede detectar la existencia de multicolinealidad (correlacin de las variables
explicativas).
Hiptesis nula Ho: No existe multicolinealidad entre las variables explicativas
(regresoras) incluidas en el modelo.
Problema: cuando las variables explicativas presentan un alto grado de
colinealidad. 1 11 W 2 12 W 1 W W P 1P = 0
Donde i H = ktes, tales que no todas ellas simultneamente son iguales a cero.
La multicolinealidad consiste en que los coeficientes de regresin permanecen
indeterminados y sus errores estndar son infinitos.
103
Multicolinealidad perfecta cuando todos los parmetros estimados i, Son
estadsticamente significativos.
Multicolinealidad imperfecta cuando algunos parmetros estimados i, Son
estadsticamente significativos (es decir, al menos uno de los parmetros
estimados no es estadsticamente significativos).
Grafico de Ballentine de colinealidad:
No colinealidad:
Baja colinealidad:
Alta colinealidad:
Como los parmetros estimados (constante=6.255073) P>0.05 (p=0.2213),
Parmetro indexado a la renta (LOG(Y) = 0.565353) P>0.05 (p= 0.5488), no son
estadsticamente significativos, entonces se concluye la existencia de
multicolinealidad imperfecta.
.ALIDACION DE .IOLACION DEL SUPUESTO DE AUTOCORRELACION.
La autocorrelacin consiste en identificar si los errores estn correlacionados.
E( i, j) = 0 para todo i j.
Se desarrolla la prueba del estadstico de Durbin Watson para detectar correlacin
serial bajo los siguientes supuestos:
i)El modelo regresin multivariado incluye el trmino intercepto,
ii) las variables explicativas son no estocsticas (fijas en muestreo repetido),
iii) las perturbaciones se generan mediante esquema autoregresivo de primer
orden (0t, = 0 t-1 ) 1 t ),
iv)el modelo de regresin no incluye valores rezagados de la variable dependiente
como una de las variables explicativas (conocida como modelos autorregresivos),
v) no hay observaciones faltantes en los datos.
10'
La metodologa para realizar la prueba del estadstico Durbin Watson es la
siguiente.
vi. Efectuar regresin multivariada por Mnimos Cuadrados Ordinarios
(MCO).
vii. Calcular el estadstico "d con los datos de muestra,
Durbin-Watson stat = d= 2.003430
viii. Para un tamao de muestra determinado(n= 16 observaciones y un
nmero de k-1 = 4-1 = K= tres (3) parmetros indexados a las variables
explicativas (excluye el parmetro intercepto Bo), encontrar en la tabla
estadstica Durbin Watson con d=0.05 los valores tabulados crticos
DLower (DL=0.857) y DUpper (DU=1.728).
ix. Concluir con la regla de decisin:
Regla de decisin estadstica de Durbin Watson.
?i<+),(i( N*%a 0?&35 D,ci(i+n Si
No autocorrelacin positiva Rechazar 0 < d < DL
No autocorrelacin positiva No tomar decisin DL <= d <= DU
No autocorrelacin positiva o negativa No rechazar DU < d <= 4 DU
No correlacin negativa No tomar decisin 4 - DU <= d <= 4 DL
No correlacin negativa Rechazar 4 - DU <= d <= 4 DL
- 1 ( = ( = 1 , 0 < = d < = 4
= )1, indica correlacin positiva perfecta en los residuales, d=0). Entre ms
cercano est "d a cero, mayor ser la evidencia de correlacin serial positiva.
= -1, indica que hay una correlacin negativa perfecta entre los valores
consecutivos de los residuales, d=4). Entre ms se acerque "d a cuatro (4), mayor
ser la evidencia de correlacin serial negativa.
Regiones de rechazo estadstica de Durbin Watson.

7ec%#cese Po,
entonces %a!
evidencia de
a$tocorrelaci+n
"ositiva
zona de
indecisi+n
Co se rec%ace Po, o, Po@ o
ambas
zona de
indecisi+n
7ec%#cese Po@ ,
entonces %a!
evidencia de
a$tocorrelaci+n
negativa
d
0 *D *Q 2 ' R *Q ' < *D '

10
La prueba de hiptesis estadstica de Durbin Watson, el valor estimado d=
2.003430, sugiere que no existe una correlacin serial positiva o negativa o ambas
en los residuales, sta debido a que a partir de la tabla de Durbin Watson se
encuentra que para 16 observaciones, K= 3 parmetros indexados a las tres
variables explicativas Demanda Rosas, Precio Rosas y Precio Claveles,
excluyendo el intercepto, el valor tabulado DL= 0.857 y DU= 1,728 nivel de
significancia =0.05, puesto que el valor estimado d se encuentra en el intervalo:
0 DU = 1.728) E dB2.003430 E ( 4 DU = 4 1.728 = 2.272)
(segn reglas de decisin Durbin Watson), no se rechaza la hiptesis nula Ho: No
autocorrelacin positiva, no autocorrelacin negativa, entonces, no hay evidencia
de autocorelacin positiva en los residuales. (Dicho de otra forma, no se puede
rechazar la hiptesis de que hay correlacin serial positiva en los residuales).
.ALIDACION DE .IOLACION DEL SUPUESTO DE ?ETEROCEDASTICIDAD.
La heterocedasticidad consiste en identificar si la varianza del error no es kte.
La varianza de cada trmino de perturbacin t, condiciona a los valores
seleccionados de las variables explicativas, es algn nmero constante igual a
Homocedasticidad = homo (igual) cedasticidad (dispersin), es decir, igual
varianza.
E( t F,) = (0omocedasticidad)
E( t F,) (0ete!ocedasticidad)
10(
Se valida mediante la prueba de Glejser, la prueba de Goldfeeld Quandt, la prueba de
White.
:/S: /S:5*IS:I4O */ P/:/7O4/*5S:I4I*5* */ OPI:/&
OP/C ? 6ID/ ? */>5C*5&O61 ?
DS ? :/S: 7/SI*Q5D ? OPI:/ P/:/7O4/*5S:I4I:9 ? CO 47OSS :/7>S O7
47OSS :/7>S&
White Heteroskedasticity Test:
F-statistic 0.634483 Probability 0.701497
Obs*R-squared 4.756060 Probability 0.575459
Test Equation:
Dependent Variable: RESD^2
Method: Least Squares
Date: 11/08/10 Time: 12:53
Sample: 1 16
ncluded observations: 16
Variable Coefficient Std. Error t-Statistic Prob.
C 15.41006 116.1723 0.132648 0.8974
LOG(PR) -0.481054 1.328924 -0.361987 0.7257
(LOG(PR))^2 0.253587 0.538558 0.470862 0.6489
LOG(PC) -0.319942 2.376007 -0.134655 0.8958
(LOG(PC))^2 0.098420 1.002142 0.098209 0.9239
LOG(Y) -5.780785 44.94696 -0.128613 0.9005
(LOG(Y))^2 0.559508 4.315312 0.129656 0.8997
R-squared 0.297254 Mean dependent var 0.022971
Adjusted R-squared -0.171244 S.D. dependent var 0.028027
10)
S.E. of regression 0.030332 Akaike info criterion -3.853619
Sum squared resid 0.008280 Schwarz criterion -3.515611
Log likelihood 37.82895 F-statistic 0.634483
Durbin-Watson stat 2.556574 Prob(F-statistic) 0.701497
Para $n "r$eba 6 = 0&(3''13 con $na "=0&)01'9) no estadAsticamente significativa, "or
tanto, no rec%azar la %i"+tesis n$la de ig$aldad de varianza& Se "resenta
%omocedasticidad&
/S:I>54IOC3 07/5D, /S:I>5*O, 7/SI*QOS. = 54:Q5D& 6I::/*, 7/SI*Q5D
obs Actual Fitted Residual Residual Plot
1 9.34871 9.42644 -0.07773 | . * | . |
2 9.14292 8.96445 0.17847 | . | * |
3 9.03943 9.10185 -0.06242 | . * | . |
4 9.21821 9.06748 0.15073 | . | *. |
5 9.13130 9.02041 0.11089 | . | * . |
6 9.08953 9.24573 -0.15620 | .* | . |
7 8.73488 8.76561 -0.03073 | . *| . |
8 9.01833 8.86168 0.15665 | . | *. |
9 8.99194 9.07366 -0.08173 | . * | . |
10 8.91945 8.92948 -0.01002 | . * . |
11 8.68457 8.61745 0.06712 | . | * . |
12 8.98093 8.67641 0.30452 | . | . *
13 8.72160 8.84874 -0.12714 | . * | . |
14 8.67727 8.85812 -0.18085 | * | . |
15 8.05833 8.35054 -0.29221 | * . | . |
16 8.67795 8.62729 0.05066 | . | * . |
101
109
Serie /stadAstica :em"oral& Salario >Animo >ens$al Degal 2igente& 4olombia
58o
S5D57IO
[ variacin
1 1990 41025
2 1991 51720 2(,1
3 1992 65190 2(,0
' 1993 81510 2,0
199' 98700 21,1
( 199 118933 20,
) 199( 142125 19,
1 199) 172005 21,0
9 1991 203826 11,
10 1999 236460 1(,0
11 2000 260100 10,0
12 2001 286000 10,0
13 2002 309000 1,0
1' 2003 332000 ),'
1 200' 358000 ),1
1( 200 381500 (,(
1) 200( 408000 (,9
11 200) 433700 (,3
19 2001 461500 (,'
20 2009 496900 ),)
21 2010 515000 3,(
6$ente3 Presidencia de la 7e"$blica de 4olombia& *ecreto De! Salario >Animo Degal
2igente&
5n#lisis /stadAstico *escri"tivo&
El salario mnimo mensual legal vigente fijado por el gobierno nacional, en 1990 fue de
$41.025 aumentando asta 1999 a $2!".400, registrando un promedio anual de
$121.149 # un incremento anual absoluto de $21.5$5 en este periodo de die% a&os
'1990 a 1999(.
El salario mnimo legal vigente fijado por el gobierno nacional, en el 2000 fue de
$2"0.100 aumentando asta el 2009 a $49".900, registrando un promedio anual de
$!$2."$0 # un incremento anual absoluto de $25.""5 en este periodo de die% a&os
'2000 a 2009(.
)ado, *ue el incremento del salario mnimo legal vigente para el siguiente a&o lo fija el
gobierno con base en la inflaci+n a !1 de diciembre del a&o anterior, en la medida *ue
la inflaci+n siga una tendencia a la baja, es de esperarse *ue el gobierno central fije un
incremento absoluto del salario mnimo legal a la baja, *ue no alcan%a a compensar las
110
necesidades de una canasta b,sicas de bienes para su supervivencia, # bajo estas
condiciones, la poblaci+n laboral se ve en la imperiosa necesidad de e-cluir bienes de
consumo b,sico # optar por una canasta de bienes preferentes. Es por esta ra%+n, *ue
se debe sumar en la solicitud de incremento del salario mnimo legal, unos puntos
adicionales por incremento del sector productivo.

>odelo de :endencia&
SO6:O57/ SPSS 1)&0
Inicio? Programas ? SPSS Statistics 1)&0?
*5:5
5n#lisis? 7egresi+n ? /stimaci+n c$rvilAnea?
*e"endiente3 Salario Inde"endiente3 Periodo, \ incl$ir constante en la ec$aci+n \
re"resentar los modelos \ modelos3 \lineal \logarAtmico \inverso \c$adr#tico
\c$bico \"otencia \com"$esto \S \logAstico \4recimiento \/-"onencial \ver
tabla 5CO25 54/P:57
Modelo salario mnimo 1990-1999 = $121.149 + 21.575 t
Modelo salario mnimo 2000-2009 = $372.670 + 25.665 t
SAVE OUTFILEAC34U&(,&45%67%6%8).&4".809(*$&4GUERL: LO!E; A>
A!ALACIO4GAL!420104UNISALLE4ECONOMETRIAU*.4S%6%,).&.&%+A
/COM!RESSE".
#$"i$%&e i'o &on(i)* *ecin$&e+ ,e*i*$
Periodo C$mUrico 8 0 e+c$&$
58o c$*en$ 15 0 no-in$&
.$&$"io N)-/"ico 8 0 e+c$&$
C= 21& Sa%a#i& Lin,a%
111
C&,6ici,n),(
Coeficientes no estandarizados Coeficientes estandarizados
t Sig. B Error tpico Beta
Periodo 24875.569 403.622 .998 61.631 .000
(Constante) -13955.352 5068.093 -2.754 .013
ANO.A
Suma de cuadrados Gl Media cuadrtica F Sig.
Regresin 4.765E11 1 4.765E11 3798.366 .000
Residual 2.383E9 19 1.254E8
Total 4.789E11 20
La variable independiente es Periodo.
R,(*$,n d,% $&d,%&
R R cuadrado R cuadrado corregida Error tpico de la estimacin
.998 .995 .995 11200.050
La variable independiente esPeriodo.
112
La serie estadstica temporal del Sistema General de Riesgos Profesionales (SGRP) en
Colombia del periodo 1994-2007, registra las variables: Nmero de trabajadores afiliados
al SGRP, Nmero de Accidentes calificados como profesionales. Sesin 7/09/2010 punto1
Ao Trabajadores Accidentes
1994 3622402 136767
1995 3650061 128081
1996 3907113 97512
1997 4053447 135327
1998 3800187 145530
1999 3950957 182567
2000 3788856 211189
2001 4091427 223849
2002 4164975 230223
113
2003 4602468 279275
2004 4849754 229956
2005 5104050 263316
2006 5637676 295052
2007 5945653 328382
Fuente: Minproteccin Social. Direccin General de Riesgos Profesionales.
1&.4on los datos de SS7P "resentados "ara la variable Nmero de trabajadores afiliados
al SGRP 3 a.6orm$le el "ost$lado econ+mico ,$e relaciona esta variable a travUs del
tiem"o, b.*efina la variable de an#lisis en 3 ti"o, $nidad de medida, "eriodicidad, c.
7ealice $n an#lisis estadAstico descri"tivo de la variable de an#lisis d$rante el "eriodo
referido, d.6orm$le $n modelo estadAstico de tendencia lineal del Cmero de trabajadores
afiliados al SGRP a travUs del tiem"o, e. /stime el modelo estadAstico form$lado, f.
*esarrolle el test de %i"+tesis de significancia de los "ar#metros estimados del modelo !
concl$!a sobre el coeficiente nat$ral de afiliaci+n al SS7P ! la tasa marginal de afiliaci+n
an$al al SS7P, g. *esarrolle el test de %i"+tesis de aM$ste del modelo 0distrib$ci+n 6. !
concl$!a sobre el modelo de tendencia estimado, 0. concl$!a sobre el coeficiente de
determinaci+n del modelo estimado, i. 4oncl$!a sobre los %allazgos&
2&.4on los datos de SS7P "resentados "ara la variable Nmero de Accidentes en el
SGRP 3 a.6orm$le el "ost$lado econ+mico ,$e relaciona esta variable a travUs del
tiem"o, b.*efina la variable de an#lisis en 3 ti"o, $nidad de medida, "eriodicidad, c.
7ealice $n an#lisis estadAstico descri"tivo de la variable de an#lisis d$rante el "eriodo
referido, d.6orm$le $n modelo estadAstico de tendencia lineal del Nmero de Accidentes
en el SGRP a travUs del tiem"o, e. /stime el modelo estadAstico form$lado, f. *esarrolle
el test de %i"+tesis de significancia de los "ar#metros estimados del modelo ! concl$!a
sobre el coeficiente nat$ral de accidentalidad ! la tasa marginal de accidentalidad an$al,
g. *esarrolle el test de %i"+tesis de aM$ste del modelo 0distrib$ci+n 6. ! concl$!a sobre el
modelo de tendencia estimado, g. concl$!a sobre el coeficiente de determinaci+n del
modelo estimado, 0. 4oncl$!a sobre los %allazgos&
8esa!!ollo.
1).Con los datos de SGRP para la variable Nmero de trabajadores afiliados al SGRP:
a) Formule el postulado econmico que relaciona esta variable a travs del tiempo,
Dada la disminucin en las tasas de desempleo (pleno empleo), es de esperarse un incremento en
el nivel de afiliacin al SGRP en el periodo 1994-2007.
El SGRP s enmarca dentro del pensamiento neoclsico con las polticas de eficiencia y
productividad en seguridad social integral basada en los principios de universalidad (proteccin a
todas las personas),solidaridad (proteccin a los menos favorecidos), integralidad (cobertura en
todas las necesidades de previsin amparadas), unidad (articulacin de polticas, instituciones,
procedimientos y prestaciones), participacin (todos los actores sociales, pblicos y privados),
autofinanciamiento (equilibrio financiero y actuarialmente sostenible) y eficiencia (mejor utilizacin
de los recursos disponibles).
b. *efina la variable de an#lisis en 3 ti"o, $nidad de medida, "eriodicidad,
11'
Nmero de trabajadores afiliados al SGRP (variable endgena, numrica-cuantitativa,
anualizada), a travs del tiempo.
c. 7ealice $n an#lisis estadAstico descri"tivo de la variable de an#lisis d$rante el "eriodo
referido,
La cobertura del Sistema General de Riesgos Profesionales pas de 3.622.402
trabajadores afiliados en 1994 a 5.6945.653 trabajadores afiliados en el 2007, equivale a
un ndice de 164 y variacin del 64% comparando los periodos.a. Ver tabla 1.1
Tabla 1.1 Cobertura del SGRP 1994-2007
Periodo Ao Trabajadores Accidentes
ndice
1994=100
Trabajadores
variacin
base fija
1 1994 3622402 136767 100 0
2 1995 3650061 128081 100,1 0,1
3 1996 3907113 97512 10),9 ),9
' 1997 4053447 135327 111,9 11,9
1998 3800187 145530 10',9 ',9
( 1999 3950957 182567 109,1 9,1
) 2000 3788856 211189 10',( ',(
1 2001 4091427 223849 112,9 12,9
9 2002 4164975 230223 11,0 1,0
10 2003 4602468 279275 12),1 2),1
11 2004 4849754 229956 133,9 33,9
12 2005 5104050 263316 1'0,9 '0,9
13 2006 5637676 295052 1,( ,(
1' 2007 5945653 328382 1(',1 (',1
Fuente: Administradoras de Riesgos Profesionales (informacin reportada a Minproteccion Social Direccin Riesgos
Profesionales. Enfermedad Profesional en Colombia 2003-2005.
ndice base fija (1995=100) = Io
n
= (Xn Xo ) *100. Variacin = (ndice-100)
d. 6orm$le $n modelo estadAstico de tendencia lineal del Cmero de trabajadores
afiliados al SGRP a travUs del tiem"o,
El modelo estadstico de tendencia lineal del nmero de trabajadores afiliados al SGRP a
travs del tiempo, durante el periodo 1994-2007, se formula como
u
t
e Xt Y + + 1
0

Donde:
t
Y = nmero de trabajadores afiliados al SGRP
t
X = tiempo (periodicidad anual: 1994-2007, n=14 aos).
11
o = coeficiente natural de afiliacin (punto de corte de la ordenada-afiliacin en el origen-
sin considerar el tiempo) y,
-= la pendiente (,(@YtA@>t*=- o tasa marginal de afiliacin anual
e. /stime el modelo estadAstico form$lado,
6oHtine ?5??I ,naliJa!G !eg!esi%nGmodelo linealGKa!iableLdependiente
(afiliados)GKa!iableLindependiente (tiempo)GestadsticosGcoeficientes de
!eg!esi%nGestimacionesGniKel MGa#Hste del modeloGcambio en 6 cHad!ado.
SAVE OUTFILEAC34U&(,&45%67%6%8).&4".809(*$&4GUERL: LO!E; A>
A!ALACIO4GAL!420104UNISALLE4ECONOMETRIAU*.4SGR!.&%+A /COM!RESSE".
REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA
/CRITERIA!IN(.05) !OUT(.10)
/NOORIGIN
/"E!EN"ENT $,%B%/%'.,(&
/MET#O"ENTER 7(,).'.. R,"#,(i+n
-C.*/0*$.1'(1'%$.&02 C34U&(,&45%67%6%8).&4".809(*$&4GUERL: LO!E;
!ALACIO4GAL!420104UNISALLE4ECONOMETRIAU*.4SGR!.&%+
C&,6ici,n),(
a
Modelo
Coeficientes no estandarizados Coeficientes tipificados
t Sig. B Error tp. Beta
1 (Constante) 3159842.956 189114.361 16.709 .000
periodo 161249.758 22210.355 .903 7.260 .000
a. Variable dependiente: trabajadores

Xt Y
t
249 . 161 842 . 159 . 3 +
ee (189114* (22210*
t 16.709 7.260 t tabulado = (n datos k parmetros =14-2=12 ) grados de libertad con d =0.05
p= 0,0001 p= 0,0001
R = 81.5%F calculado= 52,709 F tabulado = numerador (k parmetros -1=2-1) grados
de libertad. denominador (n datos k parmetros = 14-2=12) grados de
libertad
p = 0,0001
Los resultados permiten interpretar que la afiliacin natural durante el periodo de estudio
(1994-2007) al SGRP, es de 3.159.842 trabajadores y la tasa marginal de afiliacin anual
al SGRP en este mismo periodo de estudio (1994-2007) es de 161.249 trabajadores,
11(
parmetros estadsticamente significativos y confiables, comprobados mediante prueba
de hiptesis de significancia estadstica t-Student, p< 0.0001. Ver grafica 1.1 y grafica 1.2.
f. *esarrolle el test de %i"+tesis de significancia de los "ar#metros estimados del modelo
! concl$!a sobre el coeficiente nat$ral de afiliaci+n al SS7P ! la tasa marginal de
afiliaci+n an$al al SS7P,
Se realizan las <#*,'a( d, >i<+),(i( de significancia estadstica a los
<a#[$,)#&( estimados 0 !
1
, de la siguiente manera.
i.Se plantea la >i<+),(i( n*%a ?&: i= *
Y la hiptesis alterna, H1: i *

ii.Se escoge un ni/,% d, (i"ni6icancia estadstico ( 05 . 0 ),
iii.Se selecciona la ,()ad;()ica d, <#*,'a
i
i i
eeb
b
T

obtenida a partir de las observaciones de muestra real, y se compara con el valor


tabulado en la tabla estadstica ) ()*d,n) (para muestra pequea < 30
observaciones) o en la tabla estadstica de la distribucin N&#$a% ,()anda#i7ada
(para muestra grande > 30 observaciones),
iv.Decision: rechazar o no rechazar la hiptesis nula a un nivel de significancia (
05 . 0 ),
(valor tabulado en la distribucin estadstica T Student (n < 30) o Normal
estandarizada (n>30), con =0.05 bilateral)
0 " Tcalculado = 16.709 > t tabulado con n-k (14-2=12) grados de libertad

1
: :calc$lado = 7.260 B t tab$lado con n<N 01'<2=12. grados de libertad
Por tanto, se concl$!e ,$e los "ar#metros
0
y
1
, son estadAsticamente significativos3
"J0&0001
g. *esarrolle el test de %i"+tesis de aM$ste del modelo 0distrib$ci+n 6. ! concl$!a sobre el
modelo de tendencia estimado,
De acuerdo con la tendencia de la variable Numero de trabajadores afiliados al
SGRP, se requiere determinar el mejor ajuste (best model, aquel ajuste que arroje
los mejores estimados que minimizan el error entre los valores reales observados
y los valores estimados a travs del modelo: ajuste lineal, potencia, reciproco,
exponencial, ajuste logaritimico, otros)
El anlisis estadstico de varianza (ANO.A) permite a travs de la distribucin F,
concluir sobre la /a%id,7 d,% )i<& d, aO*(), del modelo.
11)
i.Se plantea la >i<+),(i( n*%a ?&: El modelo se ajusta lineal
Y la hiptesis alterna, H1: el modelo no se ajusta lineal

ii.Se escoge un ni/,% d, (i"ni6icancia estadstico ( 05 . 0 ),
iii.Se selecciona la ,()ad;()ica d, <#*,'a
Distribucin F = cociente de chi cuadrado
obtenida a partir de las observaciones de muestra real, y se compara con el valor
tabulado en la tabla estadstica ! con numerador= (k-1= 2-1=1) y denominador =
(n-k - 1)= (14-2-1) = 12 grados de libertad
iv. Decisin: rechazar o no rechazar la hiptesis nula a un nivel de significancia (
05 . 0 ),
P < 0.0001, rechazar la hiptesis nula
Por tanto, se concluye que el nmero de trabajadores afiliados al SGRP no se
distribuye Lineal.
ANOVA
b
Modelo Suma de cuadrados gl Media cuadrtica F Sig.
1 Regresin 5.915E12 1 5.915E12 52.709 .000
a
Residual 1.347E12 12 1.122E11
Total 7.262E12 13
a. Variables predictoras: (Constante), periodo
b. Variable dependiente: trabajadores
0. concl$!a sobre el coeficiente de determinaci+n del modelo estimado, i. 4oncl$!a sobre
los %allazgos&
El c&,6ici,n), d, d,),#$inaci+n 0,5 3 permite inferir en que porcentaje (%) el
nmero de trabajadores afiliados al SGRP se explica a travs del tiempo en el
modelo formulado, considerndose R? > 0.80 muy aceptable.
El modelo estimado se explica en un 81.5%,
Resumen del modelo
Modelo R R cuadrado
R cuadrado
corregida
Error tp. de la
estimacin
1 .903
a
.815 .799 335001.079
a. Variables predictoras: (Constante), periodo
Grafica 1.1 Trabajadores afiliados al SGRP 1994-2007
111
Grafica 1.2 Variacin Base variable de trabajadores afiliados al SGRP 1994-2007
Durante el periodo 1994 al 2000 el comportamiento de la afiliacin es irregular y despus
del ao 2000, se presenta una afiliacin creciente a escala, que obedece en parte a la
eficiencia que gener la fusin del Ministerio de Salud y el Ministerio del Trabajo,
crendose el Ministerio de la Proteccin Social.
119
8esa!!ollo 5Hnto ).
La serie estadstica temporal del Sistema General de Riesgos Profesionales (SGRP) en
Colombia del periodo 1994-2007, registra la variable: Nmero de Accidentes calificados
como profesionales. Sesin 7/09/2010 punto1
120
Ao Trabajadores Accidentes
1994 3622402 136767
1995 3650061 128081
1996 3907113 97512
1997 4053447 135327
1998 3800187 145530
1999 3950957 182567
2000 3788856 211189
2001 4091427 223849
2002 4164975 230223
2003 4602468 279275
2004 4849754 229956
2005 5104050 263316
2006 5637676 295052
2007 5945653 328382
Fuente: Minproteccin Social. Direccin General de Riesgos Profesionales.
2&.4on los datos de SS7P "resentados "ara la variable Nmero de Accidentes en el
SGRP 3
a. 6orm$le el "ost$lado econ+mico ,$e relaciona esta variable a travUs del tiem"o,
/s de es"erarse ,$e en la medida ,$e el nXmero de trabaMadores se incremente los
accidentes "rofesionales se incrementen 0est#n directamente relacionados., si no %a! $n
"lan de contingencia de riesgos ! "lan de meMoramiento contin$o&
b. *efina la variable de an#lisis en 3 ti"o, $nidad de medida, "eriodicidad,
Nmero de accidentes profesionales (variable endgena, numrica-cuantitativa,
anualizada), a travs del tiempo.
c. 7ealice $n an#lisis estadAstico descri"tivo de la variable de an#lisis d$rante el "eriodo
referido,
Los accidentes calificados en el Sistema General de Riesgos Profesionales pasaron de
136.767 accidentes, con una tasa de accidentalidad de 3,8 accidentes x 100 trabajadores
en 1994, a 328.382 accidentes, con una tasa de accidentalidad de 5,5 accidentes x 100
trabajadores en el 2007, equivale a un ndice de 140,1 y una variacin del 40,1% al
comparar los periodos en referencia. Ver tabla 2.1.
Tabla 2.1 accidentes calificados y tasas x 100 trabajadores 1994-2007
Periodo Ao Trabajadores Accidentes
ndice
1994=100
Trabajadores
variacin
base fija
ndice
1994=100
accidentes
variacin
base fija
tasa accidentes
profesionales x
100 trabajadores
121
1 1994 3622402 136767 100 0 100 0 3,1
2 1995 3650061 128081 100,1 0,1 93,( <(,' 3,
3 1996 3907113 97512 10),9 ),9 )1,3 <21,) 2,
' 1997 4053447 135327 111,9 11,9 91,9 <1,1 3,3
1998 3800187 145530 10',9 ',9 10(,' (,' 3,1
( 1999 3950957 182567 109,1 9,1 133, 33, ',(
) 2000 3788856 211189 10',( ',( 1',' ',' ,(
1 2001 4091427 223849 112,9 12,9 1(3,) (3,) ,
9 2002 4164975 230223 11,0 1,0 1(1,3 (1,3 ,
10 2003 4602468 279275 12),1 2),1 20',2 10',2 (,1
11 2004 4849754 229956 133,9 33,9 1(1,1 (1,1 ',)
12 2005 5104050 263316 1'0,9 '0,9 192, 92, ,2
13 2006 5637676 295052 1,( ,( 21,) 11,) ,2
1' 2007 5945653 328382 1(',1 (',1 2'0,1 1'0,1 ,
Fuente: Administradoras de Riesgos Profesionales (informacin reportada a Minproteccion Social Direccin Riesgos
Profesionales. Enfermedad Profesional en Colombia 2003-2005.
ndice base fija (1995=100) = Io
n
= (Xn Xo ) *100. Variacin = (ndice-100)
d.6orm$le $n modelo estadAstico de tendencia lineal del Nmero de Accidentes en el
SGRP a travUs del tiem"o,
El modelo estadstico de tendencia lineal del nmero de accidentes calificados como
profesionales en el SGRP a travs del tiempo, durante el periodo de estudio 1994-2007,
se formula como
u
t
e Xt Y + + 1
0

Donde:
t
Y = nmero de accidentes calificados como profesionales SGRP
t
X = tiempo (periodicidad anual: 1994-2007, n=14 aos).
o = coeficiente natural de accidentalidad,
-= la pendiente (,(@YtA@>t*=- o tasa marginal de accidentalidad anual
e. /stime el modelo estadAstico form$lado,
6oHtine ?5??I ,naliJa!G !eg!esi%nGmodelo linealGKa!iableLdependiente
(afiliados)GKa!iableLindependiente (tiempo)GestadsticosGcoeficientes de
!eg!esi%nGestimacionesGniKel MGa#Hste del modeloGcambio en 6 cHad!ado.
REGRESSION
122
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA
/CRITERIA!IN(.05) !OUT(.10)
/NOORIGIN
/"E!EN"ENT %88)'(*$(&
/MET#O"ENTER 7(,).'.
/!ARTIAL!LOT ALL
/RESI"UALS #IST(;RESI"). R,"#,(i+n
-C.*/0*$.1'(1'%$.&02 C34U&(,&45%67%6%8).&4".809(*$&4GUERL: LO!E;
!ALACIO4GAL!420104UNISALLE4ECONOMETRIAU*.4SGR!.&%+

Xt Y
t
058 . 16 776 . 85 +
ee (12867* (1511*
t 0,666 -&,626
p = 0.00 p = 0.000
R = 89,6% F= 112,19 p = 0,000
Los resultados permiten interpretar que la accidentalidad natural calificada durante el
periodo de estudio 1994-2007 al SGRP, es de 85.776 accidentes y la tasa marginal de
accidentalidad calificada anual al SGRP en este mismo periodo de estudio 1994-2007 es
de 16.058 accidentes, parmetros estadsticamente significativos y confiables,
comprobados mediante prueba de hiptesis de significancia estadstica t-Student, p< 0.05.
Ver tabla 2.1, ver grfica 2.1 y grfica 2.2.
C&,6ici,n),(
a
Modelo
Coeficientes no estandarizados
Coeficientes
tipificados
t Sig. B Error tp. Beta
1 (Constante) 85776.560 12867.454 6.666 .000
periodo 16058.611 1511.206 .951 10.626 .000
a. Variable dependiente: accidentes
f. *esarrolle el test de %i"+tesis de significancia de los "ar#metros estimados del modelo
! concl$!a sobre el coeficiente nat$ral de accidentalidad ! la tasa marginal de
accidentalidad an$al,
Se realizan las <#*,'a( d, >i<+),(i( de significancia estadstica a los
<a#[$,)#&( estimados 0 !
1
, de la siguiente manera.
i.Se plantea la >i<+),(i( n*%a ?&: i= *
Y la hiptesis alterna, H1: i *
123

ii.Se escoge un ni/,% d, (i"ni6icancia estadstico ( 05 . 0 ),
iii.Se selecciona la ,()ad;()ica d, <#*,'a
i
i i
eeb
b
T

obtenida a partir de las observaciones de muestra real, y se compara con el valor


tabulado en la tabla estadstica ) ()*d,n) (para muestra pequea < 30
observaciones) o en la tabla estadstica de la distribucin N&#$a% ,()anda#i7ada
(para muestra grande > 30 observaciones),
iv.Decision: rechazar o no rechazar la hiptesis nula a un nivel de significancia (
05 . 0 ),
(valor tabulado en la distribucin estadstica T Student (n < 30) o Normal
estandarizada (n>30), con =0.05 bilateral)
0 " Tcalculado = 6.666 > t tabulado con n-k (14-2=12) grados de libertad

1
: :calc$lado = 10.626 B t tab$lado con n<N 01'<2=12. grados de libertad
Por tanto, se concl$!e ,$e los "ar#metros
0
y
1
, son estadAsticamente significativos3
"J0&0001
g. *esarrolle el test de %i"+tesis de aM$ste del modelo 0distrib$ci+n 6. ! concl$!a sobre el
modelo de tendencia estimado,
De acuerdo con la tendencia del numero de accidentes en el SGRP, se requiere
determinar el mejor ajuste (best model, aquel ajuste que arroje los mejores
estimados que minimizan el error entre los valores reales observados y los valores
estimados a travs del modelo: ajuste lineal, potencia, reciproco, exponencial,
ajuste logaritimico, otros)
El anlisis estadstico de varianza (ANO.A) permite a travs de la distribucin F,
concluir sobre la /a%id,7 d,% )i<& d, aO*(), del modelo.
i.Se plantea la >i<+),(i( n*%a ?&: El modelo se ajusta lineal
Y la hiptesis alterna, H1: el modelo no se ajusta lineal

ii.Se escoge un ni/,% d, (i"ni6icancia estadstico ( 05 . 0 ),
iii.Se selecciona la ,()ad;()ica d, <#*,'a
Distribucin F = cociente de chi cuadrado
obtenida a partir de las observaciones de muestra real, y se compara con el valor
tabulado en la tabla estadstica ! con numerador= (k-1= 2-1=1) y denominador =
(n-k - 1)= (14-2-1) = 12 grados de libertad
iv. Decisin: rechazar o no rechazar la hiptesis nula a un nivel de significancia (
05 . 0 ),
P < 0.0001, rechazar la hiptesis nula
Por tanto, se concluye que el nmero de accidentes en el SGRP no se distribuye
Lineal.
12'
ANO.A
'
Modelo
Suma de
cuadrados gl Media cuadrtica F Sig.
1 Regresin 5.867E10 1 5.867E10 112.919 .000
a
Residual 6.235E9 12 5.196E8
Total 6.490E10 13
a. Variables predictoras: (Constante), periodo
b. Variable dependiente: accidentes
g. concl$!a sobre el coeficiente de determinaci+n del modelo estimado,
El c&,6ici,n), d, d,),#$inaci+n 0,5 3 permite inferir en que porcentaje (%) el
nmero de trabajadores afiliados al SGRP se explica a travs del tiempo en el
modelo formulado, considerndose R? > 0.80 muy aceptable.
El modelo estimado se explica en un 81.5%,
b. Variable dependiente: accidentes
R,(*$,n d,% $&d,%&
'
Modelo R R cuadrado
R cuadrado
corregida
Error tp. de la
estimacin
1 .951
a
.904 .896 22793.674
a. Variables predictoras: (Constante), periodo
b. Variable dependiente: accidentes
0. 4oncl$!a sobre los %allazgos&
12
GRA!ICA 2.1 ACCIDENTES CALI!ICADOS COMO PRO!ESIONALES 1884-200L
GRA!ICA 2.2 TASA DE ACCIDENTES PRO!ESIONALES
12(
Los accidentes laborales se incrementan significativamente en el periodo 1995 cuando ya
entro en vigencia la ley 100, la accidentalidad presenta un aumento sostenido hasta el
periodo 2000; despus de este periodo se mantiene estable, por lo que se concluye que
se ha a aumentado la cobertura, pero as mismo el nivel de accidentalidad ha aumentado,
no siendo eficientes las estrategias adoptadas en el SGRP. Ver grafico 2.1 y grafico y 2.2

12)
Serie estadstica temporal del Sistema General de Riesgos Profesionales (SGRP) en Colombia 1994-2007, Nmero de afiliados al
SGRP, Nmero de Accidentes calificados como profesionales.
Ao 199' 199 199( 199) 1991 1999 2000 2001 2002 2003 200' 200 200( 200)
Afiliados 3622402 3650061 3907113 4053447 3800187 3950957 3788856 4091427 4164975 4602468 4849754 5104050 5637676 5945653
Accidentes 136767 128081 97512 135327 145530 182567 211189 223849 230223 279275 229956 263316 295052 328382
Fuente: Minproteccin Social. Direccin General de Riesgos Profesionales.
Serie estadstica temporal nflacin (PC) y tasa de desempleo (fin de periodo) en Colombia 2001-2009. Fuente DANE.
a8o
200
1
200
2
200
3
200
'
200

200
(
200
)
200
1 2009
IP4 ),( (,99 (,' , ',1 ','1 ,(9 ),() 3
desem"leo 11,2 1),( 1(,) 1,' 13,9 13 11,' 10,( 11,)
Fuente: DANE.
a. /stime el modelo sim"le lineal
u
t
e tiempot *+iliados + + 1
0
y el modelo simple lineal
u
t
e tiempot *ccidentes + + 1
0
y el
modelo simple inverso
u
t
e t desempleo lacion + + ) / 1 .( 1 inf
0
y Obtenga mediante el software SPSS, el Intervalo de confianza al
90%, al 9% ! al 99% "ara los "ar#metros estimados, en los modelos form$lados e inter"rete los %allazgos&
6oHtine ?5?? afiliados" accidentesI ,naliJa!G !eg!esi%nGmodelo linealGKa!iableLdependienteGKa!iableL
independienteGestadsticosGcoeficientes de !eg!esi%nGestimacionesGniKel MGa#Hste del modeloGcambio en 6 cHad!ado.
6oHtine ?5?? inflaci%n" desempleoI ,naliJa!G !eg!esi%nGmodelo inKe!so GKa!iableLdependienteGKa!iableL
independienteGestadsticosGcoeficientes de !eg!esi%nGestimacionesGniKel MGa#Hste del modeloGcambio en 6 cHad!ado.
D,(a##&%%&5 /stime el modelo sim"le lineal
u
t
e tiempot *+iliados + + 1
0
y Obtenga mediante el software SPSS, el Intervalo de
confianza al 90%, al 9% ! al 99% "ara los "ar#metros estimados, en los modelos form$lados e inter"rete los %allazgos&
In),#/a%& d, C&n6ian7a a% 80:
GET FLE='C:\Users\galpalacios\Documents\GUERLY LOPEZ PALACO\UNSALLE\ECONOMETRAUno\SGRP.sav'.
REGRESSON /MSSNG LSTWSE /STATSTCS COEFF OUTS C(90) R ANOVA /CRTERA=PN(.05) POUT(.10)
/NOORGN /DEPENDENT trabajadores /METHOD=ENTER periodo.
R,"#,(i+n
121
[Conjunto_de_datos1] C:\Users\galpalacios\Documents\GUERLY LOPEZ PALACO\UNSALLE\ECONOMETRAUno\SGRP.sav
C&,6ici,n),(
a
Modelo
Coeficientes no estandarizados Coeficientes tipificados
t Sig.
ntervalo de confianza de 90,0% para B
B Error tp. Beta Lmite inferior Lmite superior
1 (Constante) 3159842.956 189114.361 16.709 .000 2822786.785 3496899.127
Periodo 161249.758 22210.355 .903 7.260 .000 121664.518 200834.998
a. Variable dependiente: trabajadores
u
t
e Xt Y + + 1
0
Donde:
t
Y = nmero de trabajadores afiliados al SGRP
t
X = tiempo (periodicidad anual: 1994-2007, n=14 aos).
o = coeficiente natural de afiliacin (punto de corte de la ordenada-afiliacin en el origen-sin considerar el tiempo) y,
-= la pendiente (,(@YtA@>t*=- o tasa marginal de afiliacin anual. Xt Y
t
249 . 161 842 . 159 . 3 +
La afiliacin natural durante el periodo 1994-2007 al SGRP, es de 3.159.842 trabajadores y una estimacin por intervalo al 90%,
permite estimar la afiliacin natural entre 2.822.786 trabajadores y 3.496.899 trabajadores estadsticamente significativos y confiables,
comprobados mediante prueba de hiptesis de significancia estadstica t-Student, p< 0.0001. La tasa marginal de afiliacin anual al
SGRP en el periodo 1994-2007 es de 161.249 trabajadores, y una estimacin por intervalo al 90%, permite estimar la tasa marginal
anual de afiliacin entre 121.664 trabajadores y 200.834 trabajadores estadsticamente significativos y confiables, comprobados
mediante prueba de hiptesis de significancia estadstica t-Student, p< 0.0001.
In),#/a%& d, C&n6ian7a a% 89:
129
REGRESSION /MISSING LISTWISE /STATISTICS COEFF OUTS CI(95) R ANOVA
/CRITERIA!IN(.05) !OUT(.10) /NOORIGIN /"E!EN"ENT $,%B%/%'.,(& /MET#O"ENTER 7(,).'..
R,"#,(i+n
-C.*/0*$.1'(1'%$.&12 C34U&(,&45%67%6%8).&4".809(*$&4GUERL: LO!E; !ALACIO4UNISALLE4ECONOMETRIAU*.4SGR!.&%+
C&,6ici,n),(
a
Modelo
Coeficientes no estandarizados Coeficientes tipificados
t Sig.
ntervalo de confianza de 95,0% para B
B Error tp. Beta Lmite inferior Lmite superior
1 (Constante) 3159842.956 189114.361 16.709 .000 2747798.161 3571887.751
Periodo 161249.758 22210.355 .903 7.260 .000 112857.551 209641.965
a. Variable dependiente: trabajadores
La afiliacin natural durante el periodo 1994-2007 al SGRP, es de 3.159.842 trabajadores y una estimacin por intervalo al 95%,
permite estimar la afiliacin natural entre 2.747.798 trabajadores y 3.571.887 trabajadores estadsticamente significativos y confiables,
comprobados mediante prueba de hiptesis de significancia estadstica t-Student, p< 0.0001. La tasa marginal de afiliacin anual al
SGRP en el periodo 1994-2007 es de 161.249 trabajadores, y una estimacin por intervalo al 95%, permite estimar la tasa marginal
anual de afiliacin entre 112.857 trabajadores y 209.641 trabajadores estadsticamente significativos y confiables, comprobados mediante
prueba de hiptesis de significancia estadstica t-Student, p< 0.0001.
In),#/a%& d, C&n6ian7a a% 88:
130
REGRESSION
/MISSING LISTWISE /STATISTICS COEFF OUTS CI(99) R ANOVA /CRITERIA!IN(.05) !OUT(.10)
/NOORIGIN /"E!EN"ENT $,%B%/%'.,(& /MET#O"ENTER 7(,).'..
R,"#,(i+n
-C.*/0*$.1'(1'%$.&12 C34U&(,&45%67%6%8).&4".809(*$&4GUERL: LO!E; !ALACIO4UNISALLE4ECONOMETRIAU*.4SGR!.&%+
C&,6ici,n),(
a
Modelo
Coeficientes no estandarizados Coeficientes tipificados
t Sig.
ntervalo de confianza de 99,0% para B
B Error tp. Beta Lmite inferior Lmite superior
1 (Constante) 3159842.956 189114.361 16.709 .000 2582185.655 3737500.257
periodo 161249.758 22210.355 .903 7.260 .000 93407.349 229092.168
a. Variable dependiente: trabajadores
La afiliacin natural durante el periodo 1994-2007 al SGRP, es de 3.159.842 trabajadores y una estimacin por intervalo al 99%,
permite estimar la afiliacin natural entre 2.582.185 trabajadores y 3.737.500 trabajadores estadsticamente significativos y confiables,
comprobados mediante prueba de hiptesis de significancia estadstica t-Student, p< 0.0001. La tasa marginal de afiliacin anual al
SGRP en el periodo 1994-2007 es de 161.249 trabajadores, y una estimacin por intervalo al 99%, permite estimar la tasa marginal
anual de afiliacin entre 93.407 trabajadores y 229.092 trabajadores estadsticamente significativos y confiables, comprobados mediante
prueba de hiptesis de significancia estadstica t-Student, p< 0.0001.
131
Estime el modelo simple lineal
u
t
e tiempot *ccidentes + + 1
0
y Obtenga mediante el software SPSS, el Intervalo de confianza al
90%, al 9% ! al 99% "ara los "ar#metros estimados, en los modelos form$lados e inter"rete los %allazgos&
In),#/a%& d, C&n6ian7a a% 80:
REGRESSION /MISSING LISTWISE /STATISTICS COEFF OUTS CI(90) R ANOVA /CRITERIA!IN(.05) !OUT(.10)
/NOORIGIN /"E!EN"ENT %88)'(*$& /MET#O"ENTER 7(,).'..
R,"#,(i+n
-C.*/0*$.1'(1'%$.&12 C34U&(,&45%67%6%8).&4".809(*$&4GUERL: LO!E; !ALACIO4UNISALLE4ECONOMETRIAU*.4SGR!.&%+
C&,6ici,n),(
a
Modelo
Coeficientes no estandarizados Coeficientes tipificados
t Sig.
ntervalo de confianza de 90,0% para B
B Error tp. Beta Lmite inferior Lmite superior
1 (Constante) 85776.560 12867.454 6.666 .000 62843.056 108710.064
periodo 16058.611 1511.206 .951 10.626 .000 13365.208 18752.014
a. Variable dependiente: accidentes
El modelo estadstico de tendencia lineal del nmero de accidentes en el SGRP a travs del tiempo, en el periodo 1994-2007, se
formula como
u
t
e Xt Y + + 1
0
Donde:
t
Y = nmero de accidentes SGRP
t
X = tiempo (periodicidad anual: 1994-2007, n=14
aos). o = coeficiente natural de accidentalidad, -= la pendiente (,(@YtA@>t*=- o tasa marginal de accidentalidad anual
Xt Y
t
058 . 16 776 . 85 +
La accidentalidad natural en el periodo 1994-2007 en el SGRP, es de 85.776 accidentes y una estimacin por intervalo al 90%,
permite estimar la accidentalidad natural entre 62.843 accidentes y 108.710 accidentes, estadsticamente significativos y confiables,
comprobados mediante prueba de hiptesis de significancia estadstica t-Student, p< 0.0001. La tasa marginal de accidentalidad
anual en el SGRP en el periodo 1994-2007 es de 16.058 accidentes y una estimacin por intervalo al 90%, permite estimar la tasa
marginal de accidentalidad anual entre 13365 accidentes y 18.752 accidentes, estadsticamente significativos y confiables, parmetros
estadsticamente significativos y confiables, comprobados mediante prueba de hiptesis de significancia estadstica t-Student, p<
0.05.
132
In),#/a%& d, C&n6ian7a a% 89:
REGRESSION
/MISSING LISTWISE /STATISTICS COEFF OUTS CI(95) R ANOVA /CRITERIA!IN(.05) !OUT(.10)
/NOORIGIN /"E!EN"ENT %88)'(*$(& /MET#O"ENTER 7(,).'..
R,"#,(i+n
-C.*/0*$.1'(1'%$.&12 C34U&(,&45%67%6%8).&4".809(*$&4GUERL: LO!E; !ALACIO4UNISALLE4ECONOMETRIAU*.4SGR!.&%+
C&,6ici,n),(
a
Modelo
Coeficientes no estandarizados Coeficientes tipificados
t Sig.
ntervalo de confianza de 95,0% para B
B Error tp. Beta Lmite inferior Lmite superior
1 (Constante) 85776.560 12867.454 6.666 .000 57740.786 113812.335
periodo 16058.611 1511.206 .951 10.626 .000 12765.976 19351.246
a. Variable dependiente: accidentes
La accidentalidad natural en el periodo 1994-2007 en el SGRP, es de 85.776 accidentes y una estimacin por intervalo al 95%,
permite estimar la accidentalidad natural entre 57.740 accidentes y 113.812 accidentes, estadsticamente significativos y confiables,
comprobados mediante prueba de hiptesis de significancia estadstica t-Student, p< 0.0001. La tasa marginal de accidentalidad
anual en el SGRP en el periodo 1994-2007 es de 16.058 accidentes y una estimacin por intervalo al 95%, permite estimar la tasa
marginal de accidentalidad anual entre 12.765 accidentes y 19.351 accidentes, estadsticamente significativos y confiables, parmetros
estadsticamente significativos y confiables, comprobados mediante prueba de hiptesis de significancia estadstica t-Student, p<
0.05.
133
In),#/a%& d, C&n6ian7a a% 88:
REGRESSION
/MISSING LISTWISE /STATISTICS COEFF OUTS CI(99) R ANOVA /CRITERIA!IN(.05) !OUT(.10)
/NOORIGIN /"E!EN"ENT %88)'(*$& /MET#O"ENTER 7(,).'..
R,"#,(i+n
-C.*/0*$.1'(1'%$.&12 C34U&(,&45%67%6%8).&4".809(*$&4GUERL: LO!E; !ALACIO4UNISALLE4ECONOMETRIAU*.4SGR!.&%+
C&,6ici,n),(
a
Modelo
Coeficientes no estandarizados Coeficientes tipificados
t Sig.
ntervalo de confianza de 99,0% para B
B Error tp. Beta Lmite inferior Lmite superior
1 (Constante) 85776.560 12867.454 6.666 .000 46472.411 125080.710
periodo 16058.611 1511.206 .951 10.626 .000 11442.573 20674.649
a. Variable dependiente: accidentes
La accidentalidad natural en el periodo 1994-2007 en el SGRP, es de 85.776 accidentes y una estimacin por intervalo al 99%,
permite estimar la accidentalidad natural entre 46.472 accidentes y 125.080 accidentes, estadsticamente significativos y confiables,
comprobados mediante prueba de hiptesis de significancia estadstica t-Student, p< 0.0001. La tasa marginal de accidentalidad
anual en el SGRP en el periodo 1994-2007 es de 16.058 accidentes y una estimacin por intervalo al 99%, permite estimar la tasa
marginal de accidentalidad anual entre 11.442 accidentes y 20.674 accidentes, estadsticamente significativos y confiables, parmetros
estadsticamente significativos y confiables, comprobados mediante prueba de hiptesis de significancia estadstica t-Student, p<
0.05.
13'
ESTIMACI\N DE LOS ERRORES
0MODELO A!ILIACI\N AL SGRP3
R&*)in,5 Transformar / calcular variable / variable de destino (BoTrabajador)= expresin numrica
(3159842.956) / aceptar
COMPUTE Botrabajador=3159842.956.
EXECUTE.
R&*)in,5 Transformar / calcular variable / variable de destino (B1Trabajador)= expresin numrica
(161249.758) / aceptar
COMPUTE B1trabajador=161249.758.
EXECUTE.
R&*)in,5 Transformar / calcular variable / variable de destino (TrabajadorEstimado) = Botrabajador
+ ((B1trabajador) * (periodo)) / aceptar
COMPUTE TrabajadorEstimado=Botrabajador+((B1trabajador)*(periodo)).
EXECUTE.
R&*)in,5 Transformar / calcular variable / variable de destino (Error) = trabajadores -
trabajadorEstimado / aceptar
COMPUTE Error=trabajadores - TrabajadorEstimado.
EXECUTE.
Periodo ao trabajadores accidentes Bo B1 TrabajadorEstimado error
13
1 1994 3622402 136767 3159842.96 161249.76 3321092.71
301309.29
2 1995 3650061 128081 3159842.96 161249.76 3482342.47
167718.53
3 1996 3907113 97512 3159842.96 161249.76 3643592.23
263520.77
4 1997 4053447 135327 3159842.96 161249.76 3804841.99
248605.01
5 1998 3800187 145530 3159842.96 161249.76 3966091.75 -
165904.75
6 1999 3950957 182567 3159842.96 161249.76 4127341.50 -
176384.50
7 2000 3788856 211189 3159842.96 161249.76 4288591.26 -
499735.26
8 2001 4091427 223849 3159842.96 161249.76 4449841.02 -
358414.02
9 2002 4164975 230223 3159842.96 161249.76 4611090.78 -
446115.78
10 2003 4602468 279275 3159842.96 161249.76 4772340.54 -
169872.54
11 2004 4849754 229956 3159842.96 161249.76 4933590.29 -
83836.29
12 2005 5104050 263316 3159842.96 161249.76 5094840.05
9209.95
13 2006 5637676 295052 3159842.96 161249.76 5256089.81
381586.19
14 2007 5945653 328382 3159842.96 161249.76 5417339.57
528313.43
13(
13)