}

MODELO 2 MODELO 3 MODELO 4

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