[Ao]

DETERMINANTES DEL GASTO DE

LOS HOGARES EN BOLIVIA

Contenido
1

OBJETIVOS ............................................................................................................................. 1
1.1

OBJETIVO GENERAL ....................................................................................................... 1

1.2

OBJETIVOS ESPECIFICOS ................................................................................................ 1

REFERENCIA TEORICA ............................................................................................................ 1

ESPECIFICACION DEL MODELO.............................................................................................. 1

ANALISIS DE LINEALIDAD....................................................................................................... 1

4.1

ANALISIS GRAFICO ......................................................................................................... 1

4.2

ANALISIS DE REGRESION ............................................................................................... 3

4.2.1

INTERPRETACION DE LOS COEFICIENTES ESTIMADOS .......................................... 3

4.2.2

INTERPRETACION DEL COEFICIENTE DE DETERMINACION ................................... 4

4.2.3

PRUEBAS DE HIPOTESIS NULA ............................................................................... 4

4.3

ANALISIS DE CORRELACION........................................................................................... 6

4.4

ANALISIS DE VARIANZA ................................................................................................. 6

ANALISIS DE NORMALIDAD ................................................................................................... 7

5.1

HISTOGRAMA DE RESIDUOS.......................................................................................... 7

5.2

DIAGRAMA DE CAJA ...................................................................................................... 8

5.3

GRAFICO Q-Q................................................................................................................. 8

5.4

PRUEBA JARQUE-BERA .................................................................................................. 9

ANLISIS DE AUTOCORRELACION ......................................................................................... 9

6.1

MTODO GRAFICO e = f(et_1) ................................................................................... 10

6.2

METODO GRAFICO e = f(t)........................................................................................... 10

6.3

REGRESION .................................................................................................................. 11

6.4

PRUEBA DURBIN WATSON .......................................................................................... 11

6.5

CORRECCION PRIMERAS DIFERENCIAS ....................................................................... 11

ANLISIS DE HETEROSCEDASTICIDAD ................................................................................. 13

7.1

METODO GRAFICO ...................................................................................................... 13

7.2

PRUEBA DE PARK ......................................................................................................... 14

7.3

PRUEBA DE GOLDFELD-QUANDT ................................................................................ 15

7.4

PRUEBA BREUSCH-PAGAN-GODFREY .......................................................................... 16

7.5

PRUEBA DE WHITE ...................................................................................................... 17

7.6

PRUEBA K-B .................................................................... Error! Marcador no definido.

7.7

CORRECCION POR MINIMOS CUADRADOS GENERALIZADOS ..................................... 18

7.8

CORRECCION APLICANDO LOGARITMOS .................................................................... 19

ANALISIS DE MULTICOLINEALIDAD ..................................................................................... 21

8.1

METODO GRAFICO ...................................................................................................... 21

8.2

ANALISIS DE REGRESION, CORRELACION Y VARIANZA ............................................... 22

8.2.1

REGRESION .......................................................................................................... 22

8.2.2

CORRELACION ..................................................................................................... 23

8.3
9

CORRECCION METODO PRIMERAS DIFERENCIAS ....................................................... 24

ANALISIS DE EXOGENEIDAD ................................................................................................ 24

9.1

METODO GRAFICO ...................................................................................................... 24

9.2

REGRESION .................................................................................................................. 25

CONCLUSIONES ........................................................................................................................... 26
BIBIOGRAFIA................................................................................................................................ 26
CONCLUSIONES ........................................................................................................................... 26

1 OBJETIVOS
1.1 OBJETIVO GENERAL
1.2 OBJETIVOS ESPECIFICOS

2 REFERENCIA TERICA

Pgina 1

3 ESPECIFICACION DEL MODELO

= 1 + 2 + 3 + 4 +
=Gasto de consumo final de los hogares (En miles de millones de US$ a precios
actuales)
=Producto Interno Bruto (En miles de Millones de US$ a precios actuales)
=Indice de Precios al Consumidor (Indice)
=Transferencias personales recibidas (balanza de pagos, En millones de US$ a
precios actuales)

4 ANALISIS DE LINEALIDAD
4.1 ANALISIS GRAFICO
Se realizaran para este anlisis 3 grficos de dispersin de la variable Y con cada
variable predeterminada (x2 x3 y x4)
12
11
10
9

8
7
6
5
4
3
4

12

16

20

24

28

X2

En el grafico se puede observar que existe una clara relacin positiva entre la variable
Y(Consumo) con la variable X2(PIB o Ingreso)

Pgina 1

12
11
10
9

8
7
6
5
4
3
20

40

60

80

100

120

140

X3

En el grafico se puede observar que existe una clara relacin positiva entre la variable
Y(Consumo) con la variable X3(ndice de Precios al Consumidor).

12
11
10
9

8
7
6
5
4
3
0

400

800

1,200

X4

En este grafico aunque no es mu clara se puede observar que existe relacin positiva
entre la variable Y(Consumo) con la variable X4 (Transferencias).

Pgina 2

4.2 ANALISIS DE REGRESION

En este apartado se proceder a estimar el modelo propuesto a travs de una
regresin por el mtodo de MCO (Mnimos Cuadrados Ordinarios).

= 1 + 2 + 3 + 4 +
Los resultados del modelo estimado son los siguientes:
Dependent Variable: Y
Method: LeastSquares
Date: 04/06/14 Time: 13:30
Sample: 1990 2011
Includedobservations: 22
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
X2
X3
X4

2.216912
0.191251
0.028322
0.000669

0.448093
0.060219
0.009939
0.000571

4.947439
3.175908
2.849581
1.172135

0.0001
0.0052
0.0106
0.2564

R-squared
Adjusted R-squared
S.E. of regression
Sum squaredresid
Log likelihood
F-statistic
Prob(F-statistic)

0.961978
0.955641
0.424537
3.244167
-10.16063
151.8024
0.000000

Mean dependentvar
S.D. dependentvar
Akaikeinfocriterion
Schwarzcriterion
Hannan-Quinncriter.
Durbin-Watson stat

6.490455
2.015687
1.287330
1.485701
1.334060
1.491400

= 1 + 2 2 + 3 3 + 4 4
= 2.22 + 0.192 + 0.033 + 0.00074
4.2.1

INTERPRETACION DE LOS COEFICIENTES ESTIMADOS

1 = 2.22
Independientemente de lo que pase en las otras variables el Gasto de Consumo de los
Hogares (Y) ser al menos de 2.2 mil millones de $us a precios actuales.

2 = 0.19
Si la variable X2 (Producto Interno Bruto) aumenta en mil millones de $us a precios
actuales, entonces la variable Y(Consumo de lo Hogares) aumentara en 190 millones
de $us a precios actuales. Manteniendo constante la variable X3 y X4 (CeterisParibus).

Pgina 3

3 = 0.03
Si la variable X3 (IPC) aumenta en una unidad, entonces la variable Y (Consumo de lo
Hogares) aumentara en aproximadamente 30 millones de $us a precios actuales.
Manteniendo constante la variable X2 y X4 (CeterisParibus).

4 = 0.0007
Si la variable X4 (Transferencias) aumenta en un milln de dlares a precios actuales,
entonces la variable Y (Consumo de lo Hogares) aumentara en aproximadamente 700
mil $us a precios actuales. Manteniendo constante la variable X3 y X4 (CeterisParibus).

4.2.2

INTERPRETACION DEL COEFICIENTE DE DETERMINACION

2 = 96.20%
Las variaciones de la variable Y (Consumo) esta explicada en un 96.20% por las
variaciones en las variables X2, X3, X4; Un coeficiente de Determinacin Ajustado de
96.20% es una buena medida para cualquier modelo.
4.2.3

PRUEBAS DE HIPOTESIS NULA

PARA LA VARIABLE X2 (PRODUCTO INTERNO BRUTO)

Ho:
2 = 0
No existe relacin lineal entre la variable Y y la variable X2,
manteniendo constante la variable X3 y X4
Ha:
2 0
Existe relacin lineal entre la variable Y y la variable X2,
manteniendo constante la variable X3 y X4

2.1

-2.1

3.18

Al 95% de confianza y 18 grados de libertad se rechaza la

Pgina 4

hiptesis

nula,

por tanto el test T de student es estadsticamente significativo, eso quiere decir que
existe relacin lineal entre la variable Y y la variable X2. Manteniendo constante X3 y
X4.
PARA LA VARIABLE X3 (INDICE DE PRECIOS AL CONSUMIDOR)
Ho:
2 = 0
No existe relacin lineal entre la variable Y y la variable X2,
manteniendo constante la variable X3 y X4
Ha:
2 0
Existe relacin lineal entre la variable Y y la variable X2,
manteniendo constante la variable X3 y X4

2.1

-2.1

2.85

Al 95% de confianza y 18 grados de libertad se rechaza la hiptesis nula, por tanto el

test T de student es estadsticamente significativo, eso quiere decir que existe relacin
lineal entre la variable Y y la variable X3. Manteniendo constante X2 y X4.
PARA LA VARIABLE X2 (TRANSFERENCIAS PERSONALES)
Ho:
4 = 0
No existe relacin lineal entre la variable Y y la variable X4,
manteniendo constante la variable X2 y X3
Ha:
4 0
Existe relacin lineal entre la variable Y y la variable X4,
manteniendo constante la variable X2 y X3

2.1

-2.1

1.17
Pgina 5

Al 95% de confianza y 18 grados de libertad se acepta la hiptesis nula, por tanto el

test T de student no es estadsticamente significativo, eso quiere decir que en este
caso no existe relacin lineal entre la variable Y y la variable X4. Manteniendo
constante X2 y X3.

4.3 ANALISIS DE CORRELACION

Se determinara una matriz de correlaciones a modo de ver si existe relacin lineal de la
variable Y con cada variable X.

Y
X2
X3
X4

Y
1.000000
0.967907
0.957907
0.924256

X2
0.967907
1.000000
0.935061
0.918376

X3
0.957907
0.935061
1.000000
0.893706

X4
0.924256
0.918376
0.893706
1.000000

El coeficiente de correlacin entre X2 y Y es de 0.9679, es cercano a uno, lo que quiere

decir que hay una fuerte asociacin lineal positiva entre Y y X2
El coeficiente de correlacin entre X3 y Y es de 0.9579, es cercano a uno, lo que quiere
decir que hay una fuerte asociacin lineal positiva entre Y y X3
El coeficiente de correlacin entre X4 y Y es de 0.9242, es cercano a uno, lo que quiere
decir que hay una fuerte asociacin lineal positiva entre Y y X4

4.4 ANALISIS DE VARIANZA

Regresin
Residuos
Total

Grados de
libertad
3
18
21

Suma de
cuadrados Promedio de los cuadrados
82.0689604
27.35632013
3.23257646
0.179587581
85.3015368

Valor crtico de
F
F
152.328574
5.58239E-13

Ho: 2 = 3 = 4 = 0
X3 y X4 hacia la variable Y

No existe relacin lineal CONJUNTA de las variables X2

Ha: 2 3 4 0
X3 y X4 hacia la variable Y

No existe relacin lineal CONJUNTA de las variables X2

Pgina 6

3.16

152.33

Al 95% de confianza, 3 grados de libertad en el numerador y 18 grados de libertad en

el denominador se rechaza la hiptesis nula, por tanto el test F de Fischer es
estadsticamente significativo, eso quiere decir que existe relacin lineal conjunta
entre la variable Y y la variables X2, X3 y X4.

5 ANALISIS DE NORMALIDAD
5.1 HISTOGRAMA DE RESIDUOS
Para el mtodo grafico se realizara un histograma de los residuos del modelo estimado
lo que se espera es que la media sea igual a 0.
U
7
6

Frequency

5
4
3
2
1
0
-0.8

-0.4

0.0

0.4

0.8

1.2

1.6

En el histograma se puede observar que la los alores del residuo estn concentrados
en torno a la media que es igual a 0.

Pgina 7

5.2 DIAGRAMA DE CAJA

En el grafico de caja se puede

observar que los residuos estn
distribuidos normalmente, por
tanto la media tiende a cero
entonces existe normalidad en el
modelo

5.3 GRAFICO Q-Q

Theoretical Quantile-Quantile
3

Normal Quantile

2
1
0
-1
-2
-3
-.6

-.4

-.2

.0

.2

.4

.6

En el grafico se puede observar que la dispersin se encuentra alrededor prximo de la lnea

de regresin, por tanto se asume que a travs de este mtodo el modelo cumple el supuesto
de normalidad.

Pgina 8

5.4 PRUEBA JARQUE-BERA

Para realizar esta prueba se analiza solo el test Jarque-Bera y se observa si cae en zona de
rechazo o aceptacin.
7

Series: Residuals
Sample 1990 2011
Observations 22

6
5
4
3
2
1

Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis

9.97e-17
-0.046252
1.046573
-0.706367
0.393045
0.678624
3.614480

Jarque-Bera
Probability

2.034733
0.361546

0
-0.5

Ho:

0.0

0.5

1.0

() = 0Los residuos estn distribuidos normalmente (NORMALIDAD)

Ha:
() 0Los residuos no estn distribuidos normalmente (NO
NORMALIDAD)

El test Jarque-Bera tiene una probabilidad de 0.3615 por tanto no es estadsticamente

significativo, es decir se Acepta la hiptesis nula de que los residuos se distribuyen de
una manera normal, eso quiere decir que en el modelo estimado se cumple el
SUPUESTO ECONOMETRICO DE NORMALIDAD

6 ANLISIS DE AUTOCORRELACION
Dentro de este anlisis se verificara si en el modelo economtrico planteado existe el
problema de autocorrelacin.

Pgina 9

6.1 MTODO GRAFICO e = f(et_1)

1.2

0.8

0.4

0.0

-0.4

Puntos atpicos

-0.8
-0.8

-0.4

0.0

0.4

0.8

1.2

U_1

En el grafico anterior se realiza un grafico de dispersin de el termino estocstico (u) y

su respectivo rezago (u_1), si no existieran 2 puntos atpicos sealados en el grafico
existira una clara relacin positiva entre las variables, por tanto seria mas que
suficiente afirmar que en el modelo existe el problema de AUTOCORRELACION

6.2 METODO GRAFICO e = f(t)

.8

.4

.0

-.4

-.8
90

92

94

96

98

00

02

04

06

08

10

En el grafico no se puede establecer una tendencia por lo cual se asume que los residuos no
estn en funcin del tiempo, por tanto no existe autocorrelacin.

Pgina
10

6.3 REGRESION
En este apartado se realizara una regresin del residuo en funcin de su rezago, para
ver si es estadsticamente significativa la relacin lineal entre estas 2 variables

= ( )
Dependent Variable: U
Method: Least Squares
Date: 04/06/14 Time: 17:34
Sample (adjusted): 1991 2011
Included observations: 21 after adjustments
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
U_1

0.015276
0.240459

0.086224
0.219755

0.177171
1.094214

0.8612
0.2875

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.059280
0.009769
0.395095
2.965897
-9.245608
1.945313

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

0.014063
0.397039
1.071010
1.170489
1.197305
0.287540

El coeficiente del rezago del residuo no es estadsticamente significativo, lo que nos

quiere decir que no existe relacin lineal entre las variables U y U_1, por tanto segn
este mtodo no existe AUTOCORRELACION en el modelo.

6.4 PRUEBA DURBIN WATSON

El estadstico Durbin Watson es la prueba ms conocida para detectar correlacin seria
comnmente conocida como estadstico d. es un estadstico que toma valores entre 0
y 4, lo que se quiere es que el estadstico d tome un valor cercano a 2, pues si toma un
valor cercano a 0 o 4 se presume de la existencia de autocorrelacin serial positiva o
negativa, sin embargo si esta alrededor de 2 no existe autocorrelacin serial.
ESTADISTICOS DEL MODELO ORIGINAL
R-squared
Adjusted R-squared
S.E. of regression
Sum squaredresid
Log likelihood
F-statistic
Prob(F-statistic)

0.961978
0.955641
0.424537
3.244167
-10.16063
151.8024
0.000000

Mean dependentvar
S.D. dependentvar
Akaikeinfocriterion
Schwarzcriterion
Hannan-Quinncriter.
Durbin-Watson stat

Pgina
11

6.490455
2.015687
1.287330
1.485701
1.334060
1.491400

 D = 1.49 que es ms cercano a 2 que a 0 o 4 por tanto podramos afirmar que en el

modelo no existe autocorrelacin serial entre los residuos, sin embargo para
asegurarnos de dicha conclusin observamos los intervalos establecidos en una tabla
para el estadstico Durbin-Watson:

dL = 1.63 ; dU = 1.71

dl= 1.63

du= 1.71

2.29

2.37

D = 1.49

En el grafico podemos observar que el estadstico D = 1.49 cae dentro de los intervalos
0 y dl, situndose en el rea de Autocorrelacin serial positiva, por tanto se proceder
a un mtodo de correccin del problema economtrico

6.5 CORRECCION PRIMERAS DIFERENCIAS

= 1 + 2 2 + 3 3 + 4 4 +
Dependent Variable: DY
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
DX2
DX3
DX4

-0.340364
0.268021
0.082527
0.001360

0.182875
0.135260
0.050948
0.000856

-1.861184
1.981527
1.619822
1.588471

0.0801
0.0639
0.1237
0.1306

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.718705
0.669064
0.428595
3.122799
-9.786884
2.341320

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

Pgina
12

0.359524
0.745033
1.313037
1.511993
14.47824
0.000062

 D = 2.34 que es ms cercano a 2 que a 0 o 4 por tanto podramos afirmar que en el

modelo no existe autocorrelacin serial entre los residuos, sin embargo para
asegurarnos de dicha conclusin observamos los intervalos establecidos en una tabla
para el estadstico Durbin-Watson:

dL = 1.63 ; dU = 1.71

dl= 1.63

du= 1.71

2.29

2.37

D = 2.34

Aplicando primeras diferencias, se corrigi en alguna medida el problema de

autocorrelacin debido a que ahora se cae en zona de indecision

7 ANLISIS DE HETEROSCEDASTICIDAD
7.1 METODO GRAFICO

1.2
1.0
0.8

U2

En el grafico se realiza una dispersin

de el residuo elevado al cuadrado y la
variable Y estimada, no existe relacin
lineal en el grafico por lo cual no existe
el problema de HETEROSCEDASTICIDAD

0.6
0.4
0.2
0.0
2

8
YF

Pgina
13

10

12

7.2 PRUEBA DE PARK

Lnet2 2 LnX 2t 3 LnX 3t 4 LnX 4t vt

Dependent Variable: LNU2
Method: Least Squares
Date: 04/07/14 Time: 23:02
Sample (adjusted): 1990 2010
Included observations: 21 after adjustments
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
LNX2
LNX3
LNX4

-1.083986
5.408850
-3.158146
-0.141081

9.366929
2.073682
3.014243
0.450296

-0.115725
2.608331
-1.047741
-0.313308

0.9092
0.0184
0.3094
0.7579

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.381503
0.272356
1.239678
26.12562
-32.09085
2.225306

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

-3.408835
1.453281
3.437224
3.636180
3.495329
0.038554

HO: = 0 Problema de heteroscedasticidad

HA: 0 Problema de heteroscedasticidad

2.1

-2.1
T3 = -0.31
T4 = -1.04

T2 = 2.6

Al 5% de significancia para X2t se rechaza la hiptesis nula, afirmando la posibilidad de

existencia del problema de heteroscedasticidad

Pgina
14

Es de hacer notar que mediante la prueba de Park, la variable explicativa X 3t y X4t no es

significativa, cae en la zona no rechazo negando la posibilidad de heteroscedasticida.

7.3 PRUEBA DE GOLDFELD-QUANDT

Se omitirn c = 4 datos
REGRESIN DEL PRIMER ESTRATO
Dependent Variable: Y1
Method: Least Squares
Date: 04/07/14 Time: 23:14
Sample: 1 9
Included observations: 9
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
X21
X31
X41

-0.338885
1.125816
-0.030770
-0.003703

0.538571
0.189513
0.015921
0.002150

-0.629230
5.940577
-1.932592
-1.722342

0.5568
0.0019
0.1111
0.1456

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.976140
0.961824
0.149125
0.111191
7.001322
1.821264

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

5.169242
0.763228
-0.666960
-0.579305
68.18489
0.000178

REGRESIN DEL SEGUNDO ESTRATO

Dependent Variable: Y2
Method: Least Squares
Date: 04/07/14 Time: 23:15
Sample: 1 9
Included observations: 9
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
X22
X32
X42

2.165509
0.854367
-0.040903
0.000272

2.933670
0.168554
0.056251
0.001085

0.738157
5.068803
-0.727147
0.250716

0.4936
0.0039
0.4997
0.8120

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid

0.987872
0.980595
0.548362
1.503507

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion

Pgina
15

10.50473
3.936542
1.937342
2.024997

Log likelihood
Durbin-Watson stat

-4.718037
2.587121

F-statistic
Prob(F-statistic)

135.7575
0.000033

SRC 2 1.503507

13 ,5218
SRC 1 0.11191
13.5218 F% 6 ,388

6.38
8

13.52

El valor critico para 4 g de l. en el numerador y 4 g de l. en el denominador a un 5% de

significancia es 6,388. Puesto que nuestro valor = 15,7035 excede al valor critico, se
puede concluir que hay presencia de heteroscedasticidad en el modelo

7.4 PRUEBA BREUSCH-PAGAN-GODFREY

Se obtiene:

e
t

et2
Luego construimos la variable pi que se definen por pt ~ 2

Corremos la regresin:

pt 2 Z 2t 3 Z3t 4 Z 4t vt

Pgina
16

Dependent Variable: P
Method: Least Squares
Date: 04/07/14 Time: 23:22
Sample (adjusted): 1990 2010
Included observations: 21 after adjustments
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
X2
X3
X4

3.211697
-0.407973
-0.009653
0.007760

1.272400
0.236142
0.027522
0.001767

2.524125
-1.727658
-0.350758
4.391180

0.0218
0.1022
0.7301
0.0004

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

SEC
2

0.688861
0.633954
1.082681
19.92739
-29.24722
2.160434

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

1.000000
1.789505
3.166402
3.365359
12.54599
0.000143

1.08681
1.04341 2m 1
2

= 14.806 sigue asintticamente la distribucin ji cuadrada con 3 g de l., el

valor critico ji cuadrada al 5% de significancia es 7.81473, por tanto afirmamos
que segn esta prueba no existe heteroscedasticidad aunque no es
contundente la prueba.

7.5 PRUEBA DE WHITE

Para realizar la prueba de White lo primero que se debe hacer es estimar el siguiente
modelo y hallar su coeficiente de determinacion
2
2
2
2 = 0 + 1 2 + 2 3 + 3 4 + 4 2
+ 5 3
+ 6 4
+ 7 2 3 + 8 2 4
+ 9 3 4 +

Dependent Variable: U2
Method: Least Squares
Date: 04/06/14 Time: 20:26
Sample: 1990 2011
Included observations: 22

Pgina
17

Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
X2
X3
X4
X2_2
X3_2
X4_2
X2X3
X2X4
X3X4

-5.721950
2.062555
-0.057851
-0.011257
0.068729
0.002975
-3.87E-06
-0.045751
0.001117
3.44E-05

2.166852
0.651012
0.035330
0.004967
0.040287
0.001015
2.03E-06
0.017630
0.000469
9.21E-05

-2.640674
3.168228
-1.637470
-2.266199
1.705990
2.929732
-1.909888
-2.595033
2.381309
0.373920

0.0215
0.0081
0.1275
0.0427
0.1137
0.0126
0.0803
0.0234
0.0347
0.7150

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

2 = 0.833132

0.833132
0.707980
0.131881
0.208710
20.01973
1.532424

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

0.147462
0.244048
-0.910884
-0.414956
6.656998
0.001706

2 = 18.26

= 22
n*R2 es igual a 18.26 que tiene asintticamente una distribucin ji cuadrada con 9
grados de libertad. El valor ji cuadrada critico al 5% de significancia para 9 grados de
libertad es 16.919, por tanto se puede concluir con base en la Prueba White que hay
HETEROSCEDASTICIDAD

7.6 CORRECCION POR MINIMOS CUADRADOS GENERALIZADOS

Dependent Variable: YM
Method: Least Squares
Date: 04/07/14 Time: 23:36
Sample: 1990 2011
Included observations: 22
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
X2M
X3M
X4M

0.513709
0.259680
0.012175
-0.001445

0.192244
0.182868
0.005649
0.000381

2.672165
1.420045
2.155258
-3.796412

0.0155
0.1727
0.0449
0.0013

Pgina
18

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.739758
0.696384
0.031463
0.017818
47.08759
0.824661

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

0.933500
0.057100
-3.917054
-3.718682
17.05544
0.000017

White Heteroskedasticity Test:

F-statistic
Obs*R-squared

3.042208
15.29607

Probability
Probability

0.037997
0.083118

Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 04/07/14 Time: 23:37
Sample: 1990 2011
Included observations: 22
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
X2M
X2M^2
X2M*X3M
X2M*X4M
X3M
X3M^2
X3M*X4M
X4M
X4M^2

0.858437
-1.578027
0.685291
-0.014151
-0.000747
0.025250
-0.000327
2.84E-05
0.000589
7.11E-07

0.341703
0.633614
0.277214
0.007580
0.000577
0.011786
0.000135
1.34E-05
0.000778
5.14E-07

2.512233
-2.490517
2.472061
-1.866872
-1.295121
2.142452
-2.430886
2.121954
0.756929
1.383317

0.0273
0.0284
0.0294
0.0865
0.2196
0.0534
0.0317
0.0553
0.4637
0.1918

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.695276
0.466733
0.000601
4.34E-06
138.6187
2.679439

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

0.000810
0.000823
-11.69261
-11.19668
3.042208
0.037997

con la correccin por MCG se soluciono el problema de heteroscedasticidad

7.7 CORRECCION APLICANDO LOGARITMOS

Dependent Variable: LNY
Method: Least Squares
Date: 04/07/14 Time: 23:31
Sample (adjusted): 1990 2010
Included observations: 21 after adjustments

Pgina
19

Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
LNX2
LNX3
LNX4

0.262355
1.088339
-0.153901
-0.015419

0.283935
0.062859
0.091369
0.013650

0.923996
17.31410
-1.684384
-1.129664

0.3684
0.0000
0.1104
0.2743

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.989826
0.988031
0.037578
0.024006
41.32923
2.263414

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

1.888462
0.343474
-3.555164
-3.356208
551.3053
0.000000

White Heteroskedasticity Test:

F-statistic
Obs*R-squared

2.635766
14.34714

Probability
Probability

0.066260
0.110502

Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 04/07/14 Time: 23:32
Sample: 1990 2010
Included observations: 21
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
LNX2
LNX2^2
LNX2*LNX3
LNX2*LNX4
LNX3
LNX3^2
LNX3*LNX4
LNX4
LNX4^2

0.199729
0.649106
0.054902
-0.233499
0.025381
-0.412389
0.111980
-0.012873
0.004716
-0.000260

0.243087
0.473228
0.050468
0.165465
0.014407
0.284594
0.072618
0.008506
0.036704
0.001444

0.821634
1.371657
1.087856
-1.411164
1.761747
-1.449043
1.542032
-1.513434
0.128488
-0.179669

0.4287
0.1975
0.2999
0.1858
0.1058
0.1752
0.1513
0.1584
0.9001
0.8607

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.683197
0.423995
0.001350
2.01E-05
115.7506
2.959096

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

0.001143
0.001779
-10.07148
-9.574090
2.635766
0.066260

Sigue existiendo heteroscedasticidad pero se corrigio en alguna medida

Pgina
20

8 ANALISIS DE MULTICOLINEALIDAD
El problema de multicolinealidad consiste en la correlacion de las variables
predeterminadas, si estas estn correlacionadas pueden provocar estimaciones poco
precisas.

8.1 METODO GRAFICO

28
24

X2

20
16
12
8
4
20

40

60

80

100

120

140

X3

En el anterior grafico se ve una clara relacin positiva entre las variables X2 y X3 por lo
cual existe multicolinealidad.

Pgina
21

28
24

X2

20
16
12
8
4
0

200

400

600

800

1000 1200

X4

En el anterior grafico se ve una clara relacin positiva entre las variables X3 y X4 por lo
cual existe multicolinealidad.
140
120

X3

100
80
60
40
20
0

200

400

600

800

1000 1200

X4

En el anterior grafico se ve una clara relacin positiva entre las variables j3 y X4 por lo
cual existe multicolinealidad.

8.2 ANALISIS DE REGRESION, CORRELACION Y VARIANZA

8.2.1

REGRESION
2 = (3 )
Variable

Coefficient

Std. Error

Pgina
22

t-Statistic

Prob.

C
X3

-3.281096
0.174980

1.190555
0.014833

-2.755939
11.79651

0.0122
0.0000

El coeficiente de la regresin es estadsticamente significativo lo cual quiere decir que

existe relacin lineal entre la variable X2 y X3
2 = (4 )
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
X4

6.343328
0.011024

0.561511
0.001062

11.29690
10.37913

0.0000
0.0000

El coeficiente de la regresin es estadsticamente significativo lo cual quiere decir que

existe relacin lineal entre la variable X2 y X4

3 = (4 )
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
X4

56.87176
0.057328

3.402086
0.006435

16.71673
8.908407

0.0000
0.0000

El coeficiente de la regresin es estadsticamente significativo lo cual quiere decir que

existe relacin lineal entre la variable X3 y X4
8.2.2

CORRELACION

Se obtiene la siguiente matriz de correlaciones

Y
X2
X3
X4

Y
1.000000
0.967907
0.957907
0.924256

X2
0.967907
1.000000
0.935061
0.918376

X3
0.957907
0.935061
1.000000
0.893706

X4
0.924256
0.918376
0.893706
1.000000

los nmeros sealados con color rojo indican las correlaciones que existen entre las
variables predeterminadas, todos son cercanas a uno eso quiere decir que hay una
fuerte asociacin lineal positiva entre todas las variables predeterminadas, por tanto
en el modelo estimado existe MULTICOLINEALIDAD.

Pgina
23

8.3 CORRECCION METODO PRIMERAS DIFERENCIAS

= 1 + 2 2 + 3 3 + 4 4 +
Dependent Variable: DY
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
DX2
DX3
DX4

-0.340364
0.268021
0.082527
0.001360

0.182875
0.135260
0.050948
0.000856

-1.861184
1.981527
1.619822
1.588471

0.0801
0.0639
0.1237
0.1306

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.718705
0.669064
0.428595
3.122799
-9.786884
2.341320

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

0.359524
0.745033
1.313037
1.511993
14.47824
0.000062

Se corri el modelo con primeras diferencias, lo que ese espera es que se haya
solucionado el problema de multicolinealidad, para ello se comprobara a travs de una
matriz de correlaciones.

DY
DX2
DX3
DX4

DY
1.000000
0.788774
0.775417
0.459604

DX2
0.788774
1.000000
0.808380
0.304333

DX3
0.775417
0.808380
1.000000
0.312085

DX4
0.459604
0.304333
0.312085
1.000000

Evidentemente la multicolinealidad con el nuevo modelo no es tan latente o notorio

como en el anterior modelo, sin embargo las correlaciones principales de las variables
X con la variable Y tambin disminuyeron, en este modelo de primeras diferencias NO
EXISTE MULTICOLINEALIDAD.

9 ANALISIS DE EXOGENEIDAD
9.1 METODO GRAFICO

Pgina
24

1200

24

120

1000

20

100

800

16

80

600

X4

140

X3

X2

28

12

60

400

40

200

4
-0.8

-0.4

0.0

0.4

0.8

1.2

20
-0.8

-0.4

0.0

0.4

0.8

1.2

0
-0.8

-0.4

0.0

0.4

0.8

1.2

En los grficos anteriores se muestra las dispersiones de cada variable X2 X3 y X4 con

la variable U (residuo), en ninguna se puede apreciar una relacin lineal positiva o
negativa, por tanto en ningn caso se puede evidenciar que exista el problema de
EXOGENEIDAD.

9.2 REGRESION
= (2 )
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
X2

8.91E-15
-8.86E-16

0.192717
0.017298

4.62E-14
-5.12E-14

1.0000
1.0000

El coeficiente de la variable X2 no es estadsticamente significativo lo cual sugiere que

no existe relacin lineal entre la variable U y X2, por tanto no existe el problema de
EXOGENEIDAD.
= (3 )

Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
X3

1.54E-14
-2.02E-16

0.259809
0.003237

5.92E-14
-6.24E-14

1.0000
1.0000

El coeficiente de la variable X3 no es estadsticamente significativo lo cual sugiere que

no existe relacin lineal entre la variable U y X3, por tanto no existe el problema de
EXOGENEIDAD.
= (4 )

Pgina
25

Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
X4

7.67E-16
-2.10E-18

0.109771
0.000208

6.99E-15
-1.01E-14

1.0000
1.0000

El coeficiente de la variable X3 no es estadsticamente significativo lo cual sugiere que

no existe relacin lineal entre la variable U y X3, por tanto no existe el problema de
EXOGENEIDAD.

CONCLUSIONES
En la siguiente tabla se muestra un resumen de todos los problemas economtricos
encontrados.
LINEALIDAD
NORMALIDAD
AUTOCORRELACION
HETEROSCEDASTICIDAD
MULTICOLINEALIDAD
EXOGENEIDAD

BIBIOGRAFIA
CONCLUSIONES

Pgina
26

Existe
Existe
No Existe
Existe y corregido
Existe y corregido
No Existe