MODELO 1 GCPt = α0 + α1 SYSt + α2 GCPt−1 + ut GCPt = β0 + β1 SYSt + β2 R t + ut GCPt = β0 + β1 IPDt + β2 GCPt−1 + ut GCPt = β0 + β1 IPDt + β2 R t + β3 GCPt−1 + ut EVIEW STATA GRETL STATA I. Estimar por MCO I. Estimar por MCO I. Estimar por MCO I: Estimar por MCO ls gcp c sys gcp(-1) reg gcp sys r l.gcp Modelo - MCO reg gcp ipd r l.gcp II. Verificar Autocorrelación II. Verificar Autocorrelación II: Verificar Autocorrelación II: Verificar Autocorrelación (a) Durbin-Watson (a) Durbin Watson (b) Durbin Watson estat dwatson (a) Durbin Watson estat dwatson gen m2h=(1*1.997/2)*sqrt(148/(1- File – Open – Program – Durbin 1 y Durbin gen h=(1-1.6791/2)*sqrt(148/(1-148*.030855^2)) 148*0.023^2)) .h < N Acepta H0 edit h h < N Acepta H0 edit m2h h < N Acepta H0 (b) Breush-Godfrey (c) Breush-Godfrey (e) Breush-Godfrey predict u2, res ; edit u2 (d) Breush-Godfrey estat bgodfrey, lags(1,2) View – Residual Test - Serial: 1 luego 2 estat bgodfrey, lags(1,2) Contraste: 1 luego 2 predict u4, res 2 2 2 𝑇𝑅1,2 < 𝜒1,2 Acepta H0 𝑇𝑅1,2< 𝜒1,2 Acepta H0 𝑇𝑅1,2< 𝜒1,2 Acepta H0 (f) Box Pierce (g) Box Pierce (c) Box Pierce (h) Box Pierce corrgram u2, lags(2) Gráfico – Correlograma: 2 corrgram u4, lags(2) View – Residual Test – Correlogram: 2 gen m2q1=148*(-0.0023)^2) Para poder evaluar: gen q1=148*0.1601^2 m1: genr mod1q1=148*0.001^2 edit m2q1 Añadir – Definir nueva variable edit q1 m2: genr mod1q2=148*(0.001^2+0.083^2) gen m2q2=148*((-0.0023)^2+0.0878^2) m2q1=148*0.1449*.1449 gen q2=148*(0.1601^2+0.18^2) 𝑄1,2 < 𝜒 2 Acepta H0 edit m2q2 𝑄1,2 < 𝜒 2 Acepta H0 m2q2=148*(.1449*.1449+168*.168) edit q2 𝑄1,2 < 𝜒 2 Acepta H0 III. Multiplicadores III: Multiplicadores III: Estimar MVI o MC2E Modelo – Var. Instrumentales – MC2E III: Estimar MVI o MC2E (a) Impacto (a) Impacto Ir a Retardos – Seleccionar Retardos V. ivregress 2sls gcpipd r (l.gcp=ipd r l.ipdl.r) Depend 1a1, 0a0, 0a1 (b) Dinámicos IV: Hausman (b) Dinámicos Con 1 retardo: Contraste de Hausman reg gcp ipd r l.gcp gen m2md1rsys= edit m2md1rsys (de la estimación) H0: los estimates store mco gen m2md1rr= edit m2md1rr estimadores de MCO son consistentes ivregress 2sls gcp ipd r (l.gcp=ipd r l.ipd l.r) Genr mod1md1=mod1.c(2)*mod1.c(3) Con 2 retardos: Chi-cuadrado (1) =8.60356 estímate store mc2e Genr mod1md2=mod1.c(2)*mod1.c(3)^2 gen m2md2rsys= Hausman=8.60356 > 𝜒12 Rechazo H0 edit m2md2rsys hausman mc2e mco gen m2md2rr= edit m2md2rr Hausman=0.17 < 𝜒32 Acepto H0
(c) Total de Largo Plazo (c) Total de Largo Plazo
gen m2mtsys= edit m2mtsys EVIEW Genr mod1mt=mod1.c(2)/(1-mod1.c(3)) gen m2mtr= edit m2mtr GRETL I: Estimar MCO I. Estimar por MCO II: Autocorrelación Seleccionar “Retardo V. dependiente” 1a1 a) D-W II. Verificar Autocorrelación b) B-G c) B-P (a) Durbin-Watson III: Estimar por MVI Se obtiene en la estimación Open – Program – MVI Run – ok IV: regresionamos TSLS (b) Breush-Godfrey tsls gcp c ipd gcp(-1) @ c ipd ipd(-1) Contraste – Autocorrelación: 1 luego 2 2 TR < 𝜒1,2 Acepta H0 y lo comparamos con MVI. Y su t- statistic lo comparamos son M3TC (c) Box Pierce Gráfico – V: Hausman. File – Open – Correlograma de Residuos: 2 calcular Program – hausman y wu