Universidad Nacional de Colombia

Econometría I

Profesor: Héctor William Cárdenas

Daniel Bernal Aldana
Mauricio Rojas Alonso

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.

Regresión Preliminar y viabilidad del modelo:

Después de realizar la regresión del modelo por medio del paquete econométrico stata,
conseguimos la siguiente salida:
Análisis:
Constante: Estos resultados nos permiten decir que cuando el ingreso bruto, el desempleo, y los
créditos en el sector privado son iguales a 0, el consumo per cápita de un hogar será en promedio
de 1354,391 dólares.
Ingreso bruto: Para ésta variable, el estimador nos permite concluir que el ingreso bruto y el
consumo per cápita por hogar tienen una relación directa, por lo tanto, por cada unidad del
ingreso bruto que se aumente (ceteris paribus), el consumo per cápita por hogar en promedio
aumentara en 2,692648 dólares.
Desempleo: Con respecto al desempleo, la salida de stata nos deja concluir que el consumo per
cápita por hogar tiene una relación indirecta con esta variable exógena, ya que por cada punto
porcentual que aumente el desempleo (ceteris paribus), la variable endógena en promedio
disminuirá en 11,6501. Lo cual tiene sentido ya que cuando una persona se encuentra en situación
de desempleo, se ven afectados sus ingresos, por lo tanto, tiene menos capacidad de consumo.
Créditos en el sector privado: La variable endógena tiene una relación directa con ésta variable
exógena, ya que según el estimador por cada punto porcentual respecto al PIB que aumenten los
créditos en el sector privado (ceteris paribus), el consumo por hogar per cápita aumentará en
promedio 4,869399 dólares.
2) Pruebas de significancia individual.
Debido a los resultados arrojados por el programa econométrico, se puede concluir que todas las
variables exógenas del modelo son significativas con un nivel de significancia del 5% ya que, para
todos los parámetros el P value fue menor a 0,05. Por lo tanto, rechazo la hipótesis nula (Ho: 𝛽̂ 𝑖 =
0). El estadístico T, también para todos los parámetros fue mayor en valor absoluto que 1,96 (T de
las tablas) lo cual nos lleva a rechazar la hipótesis nula, así que también por medio de este método
se pudo comprobar que todas las variables exógenas son significativas.
3) Bondad de ajuste y significancia global.
El programa econométrico nos muestra un 𝑅 2 y un 𝑅 2 𝑎𝑗𝑢𝑠𝑡𝑎𝑑𝑜= 0,96 esto significa que nuestro
modelo está explicando en un 96% la variabilidad del consumo por hogar per cápita. También al
 ̂=
hacer la prueba de significancia global, se muestra que se rechaza la hipótesis nula (Ho: 𝛽1
̂ = 𝛽3
𝛽2 ̂ = 0), por lo tanto, éste modelo resulta significativo con un nivel de confianza del 95%.
4) Evaluación de supuestos.
Correcta especificación: El supuesto de correcta especificación se refiere a que en el modelo
deben estar bien definidas tanto las variables exógenas como la variable endógena y tener clara la
función de cada una de ellas y sus parámetros. Esto incluye que el modelo debe ser adecuado para
el tamaño de la muestra que se utilice y el tipo de datos, así como evitar tener variables que no
son significativas o que no están explicando en buena medida el modelo.
La cadena de consecuencias de errores de especificación, comienza con el aumento de los
residuos o errores sea porque se omiten variables relevantes o por tomar una forma funcional no
adecuada, un aumento en los errores desemboca en un aumento en la Suma de Residuos al
Cuadrado (SRC), lo cual aumenta la varianza de los errores, que en el caso de inclusión de variables
no relevantes aumenta debido al aumento en el número de parámetros k, este aumento en la
varianza de los errores aumenta las varianzas, y por ende las desviaciones estándar, de los
parámetros . 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). Para la detección de un
error de especificación del modelo, se usará la prueba RESET (Regression Specification Error Test)
de Ramsey.
En estadística, la prueba del error de especificación de la ecuación de regresión o prueba RESET
de Ramsey (RESET)(Ramsey, 1969) es una prueba general de especificación para el modelo de
regresión lineal. Más específicamente, esta prueba verifica si las combinaciones no lineales de los
valores ajustados ayudan a explicar la variable de respuesta. La intuición detrás de la prueba es
que, si las combinaciones no lineales de las variables explicativas tienen algún poder de
explicación sobre la variable de respuesta, entonces el modelo está mal especificado.
Test de Ramsey para nuestro modelo:

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:

1. Ramsey, J. B. (1969). «Tests for Specification Errors in Classical Linear Least

Squares Regression Analysis». Journal of the Royal Statistical Society Ramsey, J. B.
(1974). «Classical model selection through specification error tests». En Zarembka,
Paul. Frontiers in Econometrics. Nueva York: Academic Press. pp. 13-47.