Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Econometria
Econometria
Econometría I
Trabajo Final
1)
Introducción:
En el siguiente trabajo estimaremos un modelo de regresión lineal múltiple, en el cual, por medio
de datos de corte transversal para Colombia, intentaremos establecer la relación que existe entre
el consumo per cápita por hogar y las variables explicativas del modelo, las cuales en este caso
serán, el ingreso bruto, el desempleo y el crédito en el sector privado. Todos estos datos, fueron
obtenidos entre 1980 y 2013 en Colombia y fueron sacados correspondientemente de la
información en las bases de datos “Indicadores del desarrollo mundial del banco mundial”. Al final
del trabajo podremos realizar predicciones acerca del comportamiento de la variable explicada
ante cambios puntuales en las variables exógenas, así como proponer políticas económicas y
comprobar si el modelo construido con base en la teoría económica está explicando en buena
medida los comportamientos del consumo per cápita por hogar.
Por lo anterior, el modelo que plantearemos para éste trabajo será:
̂ + 𝜷𝟏
ConsumoHogarPerCapita = 𝜷𝒐 ̂ 𝒊𝒏𝒈𝒓𝒆𝒔𝒐𝒃𝒓𝒖𝒕𝒐 + 𝜷𝟐
̂ 𝒅𝒆𝒔𝒆𝒎𝒑𝒍𝒆𝒐 +
̂ 𝒄𝒓𝒆𝒅𝒊𝒕𝒐𝒔𝒆𝒄𝒕𝒐𝒓𝒑𝒓𝒊𝒗𝒂𝒅𝒐+ Ui
𝜷𝟑
Es importante tener en cuenta las unidades en éste modelo, las cuales serán para el consumo por
hogar per cápita en dólares, el ingreso bruto esta expresado en billones de pesos constantes, el
desempleo se encuentra en términos porcentuales y por último los créditos del sector privado se
evaluarán en relación porcentual al PIB del país.
Del test, podemos concluir que nuestro modelo está correctamente especificado ya que no
rechazamos nuestra hipótesis nula, la cual
Multicolinealidad: El supuesto de multicolinealidad plantea que no debe haber relación entre las
variables exógenas del modelo. Entre las consecuencias está que al existir una relación entre las
variables explicativas del modelo, el determinante de la matriz (𝑋 𝑇𝑋) será cercano a cero,
haciendo entonces que la matriz (𝑋 𝑇𝑋) tenga valores más altos, con esto, se asegura el aumento
de las varianzas, y por ende de las desviaciones estándar, de los parámetros o estimadores (𝑣𝑎𝑟(𝛽)
= 𝜎𝑢 2 ((𝑋 𝑇𝑋) −1 )). Ante un aumento en las desviaciones estándar de los parámetros, pueden
darse dos consecuencias: 1) Que los intervalos de confianza de los parámetros se hagan más
amplios y por ende se pierda confiabilidad en los parámetros y 2) que las pruebas de significancia
no sean confiables dado que se tiende a no rechazar la hipótesis nula (Ho: 𝛽𝑖 = 0) debido a que el T
calculado es más bajo de lo que sería en un modelo que tenga en cuenta la multicolinealidad,
desembocando en la posible eliminación de variables que pueden resultar significativas para el
modelo.
Se puede observar en la matriz de correlaciones que no existe ningun coeficiente mayor a 0,9 en
valor absoluto, por lo tanto, no hay sintomas de colinealidad en el modelo.
Referencias: