Tarea 2

Aplicaciones de Probabilidades y Estadstica

en Gestin.

Integrantes: Josefa Cerda.

Delphine Faller.
Moiss Hernndez.
Luis Meza.

Profesor: Rolando De La Cruz

Fecha: 5 de Julio de 2013

Pregunta 1.

Parte A.
Para realizar una estimacin del modelo requerido a travs de MCO en el programa STATA se utiliza
el comando reg, que es el de regresin lineal, y se le dan como argumento las variables que se
quieren estimar en el modelo, en primer lugar la variable dependiente, en este casi cigs, luego las
variables explicativas como sigue: reg cigs lincome lcigpric educ age age2 (age_2) restaurn, con
lo que se busca obtener una estimacin de la siguiente forma

1 +
= 2 +
3 +
4 +
5 +
6 2 +
7

Con los datos entregados se obtienen los siguientes valores para la estimacin.
. reg cigs lincome lcigpric educ age age_2 restaurn

Source SS df MS Number of obs = 807

F( 6, 800) = 7.42
Model 8003.02506 6 1333.83751 Prob > F = 0.0000
Residual 143750.658 800 179.688322 R-squared = 0.0527
Adj R-squared = 0.0456
Total 151753.683 806 188.280003 Root MSE = 13.405

cigs Coef. Std. Err. t P>|t| [95% Conf. Interval]

lincome .8802689 .7277838 1.21 0.227 -.5483223 2.30886

lcigpric -.7508498 5.773343 -0.13 0.897 -12.08354 10.58184
educ -.5014982 .1670772 -3.00 0.003 -.8294597 -.1735368
age .7706936 .1601223 4.81 0.000 .456384 1.085003
age_2 -.0090228 .001743 -5.18 0.000 -.0124443 -.0056013
restaurn -2.825085 1.111794 -2.54 0.011 -5.007462 -.6427079
_cons -3.639884 24.07866 -0.15 0.880 -50.9047 43.62493

La estimacin da como resultado la siguiente regresin:

= 3,64 + 0,88 0,75 0,5 + 0,77
0,01 2 2,82

Parte B.

Para realizar un contraste de WHITE en STATA se utiliza el comando imtest, White, este comando
estima la misma regresin anterior, pero la diferencia es que no sigue el supuesto de que la varianza
de los errores es homocedstica, por lo que ocupa la varianza de White, con lo que se puede usar
MCO para estimar esta regresin aunque la varianza de los errores no sea homocedstica. El
constraste de White tiene las siguientes hiptesis:

0 =
1 =
El resultado del contraste de White se puede ver a continuacin:
White's test for Ho: homoskedasticity
against Ha: unrestricted heteroskedasticity

chi2(25) = 52.17
Prob > chi2 = 0.0011

Cameron & Trivedi's decomposition of IM-test

Source chi2 df p

Heteroskedasticity 52.17 25 0.0011

Skewness 58.59 6 0.0000
Kurtosis 7.24 1 0.0071

Total 117.99 32 0.0000

EL contraste dice que el p-valor del test de White es de 0.001, y al 95% de confianza se tiene
evidencia estadstica para rechazar 0 a favor de 1 , por lo cual el modelo presenta
heterocedasticidad.

El contraste Breush-Pagan se utiliza para ver si la varianza estimada de los residuos de una regresin
depende de los valores de las variables explicativas. El test de hiptesis esta dado por:
0 =
1 =
Para realizar el contraste Breush-Pagan en STATA se utiliza el comando hettest y como argumento
van las variables explicativas usadas en la estimacin del primer modelo estimado (en la parte A), el
comando se usa de la siguiente manera: hettest lincome lcigpric educ age age_2 restaurn, el
resultado es el que se detalla a continuacin.

Breusch-Pagan / Cook-Weisberg test for heteroskedasticity

Ho: Constant variance
Variables: lincome lcigpric educ age age_2 restaurn

chi2(6) = 69.26
Prob > chi2 = 0.0000

Como resultado se obtuvo un p-valor=0.0, por lo que al 95% de confianza se rechaza la hiptesis
nula a favor de la alternativa de homocedasticidad, por lo que al menos una de las variables
explicativas del modelo tiene influencia en la varianza de los residuos.

Parte C.

Como en la parte B se rechaz que el supuesto de homocedasticidad de los los errores por medio
de dos contraste diferentes ya no se puede estimar una regresin lineal por MCO, pues no se cumple
un supuesto, lo que se puede hacer es estimar una regresin lineal robusta, con la cual se evita el
problema de que los errores no sean homocedsticos.
Para realizar una regresin lineal robusta se ocupa el siguiente comando en STATA:
reg cigs lincome lcigpric educ age age_2 restaurn, robust
Con el cual se obtienen los siguientes valores para la regresin:

Linear regression Number of obs = 807

F( 6, 800) = 10.81
Prob > F = 0.0000
R-squared = 0.0527
Root MSE = 13.405

Robust
cigs Coef. Std. Err. t P>|t| [95% Conf. Interval]

lincome .8802689 .5960118 1.48 0.140 -.2896627 2.050201

lcigpric -.7508498 6.035403 -0.12 0.901 -12.59795 11.09625
educ -.5014982 .1623935 -3.09 0.002 -.8202659 -.1827305
age .7706936 .1382841 5.57 0.000 .499251 1.042136
age_2 -.0090228 .0014622 -6.17 0.000 -.011893 -.0061526
restaurn -2.825085 1.008033 -2.80 0.005 -4.803786 -.8463838
_cons -3.639884 25.61647 -0.14 0.887 -53.92331 46.64354

Se puede observar que en este caso los estimadores de los coeficientes no cambian, por lo que se
tiene la misma regresin estimada que en la parte A.

= 3,64 + 0,88 0,75 0,5 + 0,77
0,01 2 2,82

Donde se observa que hay una variacin con respecto a la primera regresin lineal es en los errores
estndar de los estimadores, como se observa a continuacin

Variable Error Estndar Error Estndar Robusto

Lincome 0.727 0.596
Lcigpric 5.773 6.035
Educ 0.167 0.162
Age 0.160 0.138
Age_2 0.0017 0.0014
Restaurn 1.111 1.001
constante 24.078 25.616

FALTA COMENTARIO

FALTA PARTE D.
Pregunta 2.

Parte A.

Para estimar un modelo de regresin lineal por medio de MCO en STATA, como el que se pide en el
enunciado, se ocupa el comando reg, y como argumento se le dan la variable dependiente seguido
por las variables independientes, y con los datos se obtiene la siguiente regresin.
Source SS df MS Number of obs = 24
F( 4, 19) = 121.96
Model 1059.17325 4 264.793312 Prob > F = 0.0000
Residual 41.2528936 19 2.17120493 R-squared = 0.9625
Adj R-squared = 0.9546
Total 1100.42614 23 47.8446149 Root MSE = 1.4735

ingpub Coef. Std. Err. t P>|t| [95% Conf. Interval]

log_pib 7.24667 .6722685 10.78 0.000 5.839596 8.653744

log_ahorro 3.476032 7.766046 0.45 0.660 -12.77849 19.73055
log_imp -1.517759 4.015198 -0.38 0.710 -9.921665 6.886147
log_exp -1.57932 3.510536 -0.45 0.658 -8.926956 5.768317
_cons 9.873847 29.38071 0.34 0.741 -51.62069 71.36839

Con lo que se obtiene el siguiente modelo estimado:

= 9,87 + 7,24 log( ) + 3,47 log( ) 1,51 log( ) 1,57 log(exp )

Para testear la significancia individual de las variables se puede ver con el intervalo de confianza que
nos entrega la tabla, este mtodo dice que si en el intervalo de confianza de la variable se encuentra
el 0, entonces la variable no es significativa, a travs de este mtodo se tiene que la nica variable
significativa es log(pib), pues en todas las dems variables el 0 est en su intervalo de confianza.

El parmetro asociado a la variable ahorro indica que si se aumenta en un 1% el ahorro el ingreso

pblico aumenta en 3,47 millones de euros.

Parte B.
En este caso se tiene que el valor de los residuos disminuye a medida que aumenta el tiempo desde
el ao 1985 hasta el ao 1995, luego desde este ao, 1995, el valor de los residuos comienza a
aumentar, por lo que se podra deber a un cambio estructural en los datos, y tambin se aprecia
una disminucin de la dispersin a medida que aumenta el tiempo desde 1995-2010.

Se aprecia que medida que aumenta el ahorro (log(ahorro)) aumenta la dispersin de los residuos,
por lo que puede haber presencia de heterocedasticidad.
Este grfico es muy similar al de residuos vs tiempo, por lo que a medida que aumenta el pib, desde
los 7,8 hasta 9,4 millones aproximadamente, el valor de los residuos disminuye, y desde los 9,5
hasta los 11 millones aproximadamente el valor de los residuos aumenta, pero la dispersin de los
datos en este tramo disminuye, por lo que puede haber heterocedasticidad y tambin un cambio
estructural en los datos.

Se aprecia que la dispersin de los datos disminuye hasta los 2,8 millones y luego desde este punto
comienza a aumentar la dispersin, por lo que puede haber heterocedasticidad.
Se aprecia que la dispersin de los datos disminuye a medida que aumentan las exportaciones, por
lo que puede haber presencia de heterocedasticidad en los datos.

Parte E.

Para ver la presencia de un proceso autoregresivo en los datos se ocupa el test de Durbin-Watson,
en STATA, es el comando dwstat, para poder utilizar este comando primero hay que obtener la serie
de tiempo, que en este caso son los aos, y esto se obtiene con el comando tsset, y como argumento
se le pasa la variable obs que contiene los aos, por lo que el comando es tsset obs, luego se ocupa
el comando dwstat, para esto se tiene que haber realizado la regresin lineal de la parte a de esta
pregunta. Al calcular el estadstico de Durbin-Watson se obtiene lo siguiente:
Durbin-Watson d-statistic( 5, 24) = .5726298
Por lo que el valor del estadstico es de 0,57, y el lmite inferior (dL) del estadstico DW terico al 5%
de significancia con 5 variables y 24 observaciones es de 0,95 aproximadamente, por lo que se tiene
en este caso que el proceso es autoregresivo posivo, >0.
Adicionalmente se puede realizar un test de Durbin-Watson alternativo en STATA, que es un test de
hiptesis, el cual dice si se aprueba o rechaza la hiptesis nula, la cual es que no existe
autocorrelacin en los datos, el comando es estat durbina, en este caso este test da:
Durbin's alternative test for autocorrelation

lags(p) chi2 df Prob > chi2

1 14.712 1 0.0001

H0: no serial correlation

Por lo que al 5% de significancia se rechaza la hiptesis nula de no correlacin, pues el p-valor es de
0,001<0,05.

Parte G.

Se realiza la regresin pedida, para esto se crea la variable dummy=1 si el ao es mayor a 1995, y
dummy=0 si el ao es menos o igual a 1995, y luego se realiza el modelo ocupando el comando reg
en STATA y como argumento la variable dependiente, ingpub, y las variables independiente ms la
variable dummy y la ueva variable, d*log(pib), con los datos se obtiene la siguiente regresin.

Source SS df MS Number of obs = 24

F( 6, 17) = 883.88
Model 1096.90992 6 182.81832 Prob > F = 0.0000
Residual 3.51622074 17 .206836514 R-squared = 0.9968
Adj R-squared = 0.9957
Total 1100.42614 23 47.8446149 Root MSE = .45479

ingpub Coef. Std. Err. t P>|t| [95% Conf. Interval]

log_ahorro -9.038253 2.68738 -3.36 0.004 -14.70813 -3.368377

log_pib 3.166008 .3814084 8.30 0.000 2.361306 3.970709
log_exp 1.771452 1.29575 1.37 0.189 -.9623415 4.505245
log_imp -4.29254 1.281931 -3.35 0.004 -6.997178 -1.587901
d -53.3826 3.973154 -13.44 0.000 -61.76522 -44.99998
newlog_pib 5.718794 .4234274 13.51 0.000 4.82544 6.612148
_cons 82.44508 10.55368 7.81 0.000 60.17876 104.7114

Parte I.

Para realizar el test de Breush-Pagan en STATA se ocupa el comando hettest y como argumento la
variable que se quiere analizar si es la causante de la heterocedasticidad, en este caso es log(ahorro),
y como resultado se obtiene lo siguiente:
. hettest log_ahorro

Breusch-Pagan / Cook-Weisberg test for heteroskedasticity

Ho: Constant variance
Variables: log_ahorro

chi2(1) = 1.60
Prob > chi2 = 0.2053

Da que el p-valor es de 0,20 y al 5% de significancia se tiene que p-valor=0,2>0,05, por lo que se no

se pude rechazar la hiptesis nula de homocedasticidad.