UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN

EXAMEN DE ECONOMETRIA

Apellidos y Nombres: Cañari Choquegonza, Isabel Samira código: 2016-106034

1. La base de datos es el siguiente:

Y X1 X2 X3
25.5 1.74 5.3 10.8
31.2 6.32 5.42 9.4
25.9 6.22 8.41 7.2
38.4 10.52 4.63 8.5
18.4 1.19 11.6 9.4
26.7 1.22 5.85 9.9
26.4 4.1 6.62 8
25.9 6.32 8.72 9.1
32 4.08 4.42 8.7
25.2 4.15 7.6 9.2
39.7 10.15 4.83 9.4
35.7 1.72 3.12 7.6
26.5 1.7 5.3 8.2

Luego con la base de datos expuesto se obtiene el modelo lineal:

Dependent Variable: Y
Method: Least Squares
Date: 05/09/18 Time: 15:17
Sample: 1 13
Included observations: 13

Variable Coefficient Std. Error t-Statistic Prob.

C 39.15735 5.887060 6.651427 0.0001

X1 1.016100 0.190895 5.322818 0.0005
X2 -1.861649 0.267325 -6.963979 0.0001
X3 -0.343260 0.617052 -0.556291 0.5916

R-squared 0.911724 Mean dependent var 29.03846

Adjusted R-squared 0.882299 S.D. dependent var 6.042425
S.E. of regression 2.073012 Akaike info criterion 4.543542
Sum squared resid 38.67640 Schwarz criterion 4.717373
Log likelihood -25.53302 Hannan-Quinn criter. 4.507812
F-statistic 30.98435 Durbin-Watson stat 1.567690
Prob(F-statistic) 0.000045

1
 UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN

MULTICOLINEALIDAD

Realizando la evaluación del problema de multicolinealidad en el modelo que nos ocupa el caso:

Evaluando los estadísticos T en el modelo

|𝑇𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑎|>|𝑇𝑡𝑒ó𝑟𝑖𝑐𝑎|

 GL = 13-4 = 11
 T teórica =2.201

T calculada de Gasto (Y) = 39.15735

T calculada de ingreso (X1) = 1.016100
T calculada de tamaño (X2) = -1.861649
T calculada de tamaño (X3) = -0.343260

Se puede concluir, que la T calculada es menor que la T teórica, por tanto, se puede decir
que, a partir del t estadístico, que el modelo tiene problemas de multicolinealidad.

2
 UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN

Evaluando las correlaciones parciales:

 Se observa correlaciones parciales

Bajo el criterio el modelo presenta una correlación moderada.

 𝑹𝟐 = 0.911724, bastante alto, mayor a 80%

Se puede concluir que el modelo presenta problemas de multicolinealidad, por lo tanto, se deben
aplicar los remedios correspondientes hasta obtener el modelo ideal.

REMEDIOS

Eliminando la variable X3 se obtiene el modelo siguiente:

 La T calculada es mayor a la T teórica (gl = 13 - 3 = 10, T teórica: 2.228)

 Las correlaciones parciales son moderadas
 R2 = 0.908689, moderadamente alta

3
 UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN

 Correlaciones Parciales:

Factor de la inflación de la varianza

Si el VIF de una variable es superior a 10, se dice que esa variable es muy colineal, en este nuevo
modelo podemos notar que no es el caso.

Con esto podemos concluir que el modelo no presenta problemas de multicolinealidad dando el
remedio correspondiente (Eliminar la variable X3)

HETEROCEDASTICIDAD

Mediante el problema gráfico

4
 UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN

 Variable dependiente (Y)

 Variable independiente (X1)

5
 UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN

 Variable independiente (X2)

 Prueba de WHITE

obs.*R squared 9.003353 tiene que ser menor a 0. 05, en este caso es mayor.

Con esto podemos concluir que el modelo presenta problemas de heterodasticidad.

6
 UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN

AUTOCORRELACION

 Prueba de Durbin Watson

El Durbin Watson debe estar entre 1.46 a 2.64, en el modelo no presenta problemas auto
correlación. Podemos ver que en este modelo es 1.487651

CONCLUSIÓN

Podemos concluir que el modelo no presenta problemas de multicolinealidad previamente

haciendo el remedio correspondiente, no presenta problemas autocorrelación, sin embargo,
presenta problemas de heterocedasticidad (remedio nueva muestra).

7
 UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN

2. Desarrollando el método matricial de Excel:

Y X1 X2
25.5 1.74 5.3
31.2 6.32 5.42
25.9 6.22 8.41
38.4 10.52 4.63
18.4 1.19 11.6
26.7 1.22 5.85
26.4 4.1 6.62
25.9 6.32 8.72
32 4.08 4.42
25.2 4.15 7.6
39.7 10.15 4.83
35.7 1.72 3.12
26.5 1.7 5.3

Por tanto, organizaremos las matrices como sigue:

25.5 1 1.74 5.3

31.2 1 6.32 5.42
25.9 1 6.22 8.41
38.4 1 10.52 4.63
18.4 1 1.19 11.6
26.7 1 1.22 5.85
Y 26.4 X 1 4.1 6.62
13x1 25.9 13x3 1 6.32 8.72
32 1 4.08 4.42
25.2 1 4.15 7.6
39.7 1 10.15 4.83
35.7 1 1.72 3.12
26.5 1 1.7 5.3

Determinación de los coeficientes del modelo lineal mediante el uso de mediante

el uso de matrices:

8
 UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN

𝛽 = (𝑋 ′ 𝑋)−1 𝑋 ′ 𝑌

2.1. Matriz transpuesta de X:

X' 1 1 1 1 1 1 1 1 1 1 1 1 1
3x13 1.74 6.32 6.22 10.52 1.19 1.22 4.1 6.32 4.08 4.15 10.15 1.72 1.7
5.3 5.42 8.41 4.63 11.6 5.85 6.62 8.72 4.42 7.6 4.83 3.12 5.3

2.2. Producto de matrices: (X’*X)

X'*X 13 59.43 81.82

3x3 59.43 394.7255 360.6621
81.82 360.6621 576.7264

2.3. Inversa de (X'*X)^-1:

(X'*X)^-1 1.01148008 -0.04940158 -0.11260456

-0.04940158 0.00832363 0.00180332
-0.11260456 0.00180332 0.01658137

2.4. Producto: ((X'*X)^-1)*X'

(X'*X)^-1*X' 0.32871717 0.08894537 -0.2428021 -0.02958369 -0.35352067 0.29247349

-0.02536089 0.01297772 0.01753728 0.04651233 -0.01857799 -0.02869735
-0.0215855 -0.01133654 0.03806144 -0.01686189 0.08188534 -0.01340347

0.06349141 -0.28264967 0.31220947 -0.04933113 -0.03382601 0.57518313 0.33069323

-0.00333675 0.01892867 -0.00747052 -0.00115332 0.04379325 -0.02945859 -0.02569384
0.00455775 0.043382 -0.03195735 0.02089766 -0.01421285 -0.05776896 -0.02165763

9
 UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN

2.5. Producto: ((X'*X)^-1)*X'*Y

(X'*X)^-1*X'*Y 36.0946783 b0
1.0305126 b1
-1.8696429 b2

De donde ya tenemos los coeficientes, calculados con el uso de operaciones con matrices
en Excel.

𝛽0 = 36.0946783
𝛽1 = 1.0305126
𝛽2 = -1.8696429

Comparando estos resultados del Eviews se tiene:

Expresión del modelo:

Y= 36.0946783 + 1.0305126 (X1) - 1.8696429 (X2) + E

Dependent Variable: Y
Method: Least Squares
Date: 05/09/18 Time: 15:30
Sample: 1 13
Included observations: 13

Variable Coefficient Std. Error t-Statistic Prob.

C 36.09468 2.011605 17.94322 0.0000

X1 1.030513 0.182482 5.647198 0.0002
X2 -1.869643 0.257558 -7.259127 0.0000

R-squared 0.908689 Mean dependent var 29.03846

Adjusted R-squared 0.890427 S.D. dependent var 6.042425
S.E. of regression 2.000157 Akaike info criterion 4.423502
Sum squared resid 40.00627 Schwarz criterion 4.553875
Log likelihood -25.75276 Hannan-Quinn criter. 4.396705
F-statistic 49.75777 Durbin-Watson stat 1.487651
Prob(F-statistic) 0.000006

3. Calculo de la varianza residual corregida:

10
 UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN

(𝑌 ′ 𝑌−𝐵 ′ 𝑋 ′ 𝑌)
𝑆𝑅2 =
𝑛−𝑘

Calculando con matrices:

3.1. Matriz transpuesta de Y:

Y' 25.5 31.2 25.9 38.4 18.4 26.7 26.4 25.9 32 25.2 39.7 35.7 26.5

3.2. Producto de matrices: (Y’*Y)

Y'*Y 11400.15

3.3. Matriz transpuesta de B:

B' 36.09467833 1.0305126 -1.8696429

3.4. Producto de matrices (B’*X’)

B'*X' 27.97866288 32.4740534 26.7807699 38.2792243 15.6331307 26.4144927

27.942744 26.3042319 32.0353481 26.1620196 37.524006 32.0338742 27.9374424

3.5. Producto de matrices (B'*X'*Y)

B'*X'*Y 11360.14373

De donde:

𝑌 ′ 𝑌 = ∑ 𝑌𝑖2 = 11400.15

B’X’Y = 11360.14373

(11400.15−11360.14373)
𝑆𝑅2 = = 4.00063
13−3

11
 UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN

Calculo de la fiabilidad de los parámetros: Las varianzas de los parámetros y luego

la desviación estándar de cada uno de ellos.
𝑉𝑎𝑟(𝐵) = 𝑆𝑅2 (𝑋′𝑋)−1

b0 b1 b2
4.046557546 -0.19763746 -0.45048917
-0.19763746 0.03329975 0.00721441
-0.45048917 0.00721441 0.06633595

Con lo que se obtiene:

2 2 2
𝑆𝑏0 = 4.046557546 𝑆𝑏1 = 0.03329975 𝑆𝑏2 = 0.06633595

𝑆𝑏0 = 2.011605713 𝑆𝑏1 = 0.1824822 𝑆𝑏2 = 0.25755766

MODELO DE REGRESION MULTIPLE

Y = 36.09468 + 1.030513(X1) – 1.869643(X2) + E

4. CALCULO DE LAS VARIANZAS

4.1. Varianza del modelo de error 𝝑𝟐

Grados de libertad = n-k = 13-3 = 10
𝜗𝜀2 = 40.00627/10 = 4.000627

 Desviación del modelo de error 𝜗𝜀

√4.000627 = 2.000156744

4.2. Varianza del estimador 𝛽0

2
𝜗𝛽0 = 4.046554676

 Desviación del estimador 𝜗𝛽0

𝜗𝛽0 = 2.011605

12
 UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN

4.3. Varianza del estimador 𝛽1

2
𝜗𝛽1 = 0.033299680

 Desviación del estimador 𝛽1

𝜗𝛽1 = 0.182482

4.4. Varianza del estimador 𝛽2

2
𝜗𝛽2 = 0.066336123

 Desviación del estimador 𝛽2

𝜗𝛽2 = 0.257558

5. INTERVALO DE CONFIANZA

 Intervalo de confianza del error de modelo

𝜗𝜀2 𝜗𝜀2
𝑃𝑟 [(𝑛 − 𝑘) ≤ 𝜗𝜀2 ≤ (𝑛 − 𝑘) ]=1−𝛼
𝑥𝑥2 2
𝑥1−𝑥/2
2

Grados de libertad= n-k = 13-3 = 10

Para 0.025 Para 0.975

2 2
𝑋𝑥 = 20.48 𝑋1−𝛼/2 = 3.25
2

4.000627 4.000627
(13 − 3) ≤ 𝜗𝜀2 ≤ (13 − 3)
20.48 3.25

1.953431152 ≤ 𝜗𝜀2 ≤ 12.30962154

 Intervalo de confianza del estimador 𝛽0

Grados de libertad = n-k = 13-3 = 10

T teórica = 2.228
𝑃𝑟 [𝛽0 ± (𝑡𝛼 ∗ 𝜎𝛽0 )] = 1 − 𝛼
2

13
 UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN

𝑃𝑟[36.09468 ± (2.228 ∗ 2.011605)] = 1 − 0.025

31.61282406 ≤ 𝛽0 ≤ 40.57653594
El 𝛽0 tiene la probabilidad de 95% para ubicarse en el intervalo de 31.61282406 a
40.57653594

 Intervalo de confianza del estimador 𝛽1

Grados de libertad = n-k = 13-3 = 10

T teórica 2.228
𝑃𝑟 [𝛽1 ± (𝑡𝛼 ∗ 𝜎𝛽1 )] = 1 − 𝛼
2

𝑃𝑟[1.030513 ± (2.228 ∗ 0.182482)] = 1 − 0.025

0.623943104 ≤ 𝛽1 ≤ 1.437082896
El 𝛽1 tiene la probabilidad de 95% para ubicarse en el intervalo de 0.623943104 a
1.437082896

 Intervalo de confianza del estimador 𝛽2

Grados de libertad = n-k = 13-3 = 10

T teórica = 2.228

𝑃𝑟 [𝛽2 ± (𝑡𝛼 ∗ 𝜎𝛽2 )] = 1 − 𝛼

2

𝑃𝑟[−1.869643 ± (2.228 ∗ 0.257558)] = 1 − 0.025

−2.443482224 ≤ 𝛽2 ≤ −1.295803776

El 𝛽2 tiene la probabilidad de 95% para ubicarse en el intervalo de -2.443482224 a

-1.295803776

14
 UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN

6. PRUEBA DE HIPÓTESIS
A la prueba de hipótesis también se le llama con el nombre de corroboración
empírica.

 Prueba de hipótesis de 𝛽0:

Hipótesis nula: 𝐻𝑜: 𝛽0=0

Hipótesis alternativa: 𝐻1: 𝛽0 ≠0

Regla de decisión: Si |𝑇𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑎|>|𝑇𝑡𝑒ó𝑟𝑖𝑐𝑎|

Grados de libertad: n –k = 13-3 = 10

𝛽0 36.09468
𝑡= = = 17.94332
𝜎𝑏0 2.011605

T calculada: 17.94332

A 95% confianza:

T teórica = 2.228

Como |𝑇𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑎|>|𝑇𝑡𝑒ó𝑟𝑖𝑐𝑎|se cumple, entonces se acepta que 𝛽0 es diferente a cero. Se

acepta la H1 y se rechaza H0.

 Prueba de hipótesis de 𝛽1:

Hipótesis nula: 𝐻𝑜: 𝛽1=0

Hipótesis alternativa: 𝐻1: 𝛽1 ≠0

Regla de decisión:
Si |𝑇𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑎|>|𝑇𝑡𝑒ó𝑟𝑖𝑐𝑎|, rechazar Ho.

Grados de libertad: n –k = 13-3 = 10

𝛽1 1.030513
𝑡= = = 5.64720356
𝜎𝑏1 0.182482

T calculada: 5.64720356

A 95% confianza:

T teórica = 2.228

15
 UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN

Como |𝑇𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑎|>|𝑇𝑡𝑒ó𝑟𝑖𝑐𝑎| se cumple, entonces se acepta que 𝛽1 es diferente a cero. Se

acepta la H1 y se rechaza H0.

 Prueba de hipótesis de 𝛽2:

Hipótesis nula: 𝐻𝑜: 𝛽2=0

Hipótesis alternativa: 𝐻1: 𝛽2 ≠0

Regla de decisión:
Si |𝑇𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑎|>|𝑇𝑡𝑒ó𝑟𝑖𝑐𝑎|, rechazar Ho.

Grados de libertad: n –k = 13-3 = 10

𝛽2 −1.869643
𝑡= = = -7.259114452
𝜎𝑏2 0.257558

T calculada: 7.259114452

A 95% confianza:

T teórica = 2.228

Como |𝑇𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑎|>|𝑇𝑡𝑒ó𝑟𝑖𝑐𝑎| se cumple, entonces se acepta que 𝛽2 es diferente a cero. Se

acepta la H1 y se rechaza H0.

La prueba de hipótesis de los coeficientes, quiere decir que el coeficiente B0, el

coeficiente B1 y el coeficiente B2 son estadísticamente significativos a 95% de
confianza.

7. PRUEBA DE HIPOTESIS GLOBAL

Esta prueba se realiza a los coeficientes de manera conjunta. Para ello se utiliza la
prueba de Fisher-Snecdor, para lo que realizamos la ecuación siguiente:

̅ )2
∑(𝑌−𝑌
𝑘−1
𝐹= ̅ )2
∑(𝑌−𝑌
= 49.75777
𝑛−𝑘

16
 UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN

Hipótesis nula: 𝐻𝑜: 𝛽0= 𝛽1= 𝛽2=0

Hipótesis alternativa: 𝐻1: 𝛽0 ≠𝛽1≠𝛽2 ≠0

Regla de decisión:

Si |F𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑎|>|F𝑡𝑒ó𝑟𝑖𝑐𝑎|, rechazar Ho.

F calculada: 49.75777

F teórica para grados de libertad 2/10 = 4.10

Entonces, como F calculada es mayor a F teórica, se acepta H1. Lo que quiere decir
que los parámetros en conjunto son estadísticamente significativos a nivel de
confianza del 95%.

8. COEFICIENTE DE DETERMINACION

𝑆𝐶𝐸
𝑅 2 = 𝑆𝐶𝑇 = 0.908689

Quiere decir, que las variables independientes X1 y X2 explica la rentabilidad de las

n empresas de la muestra en un 90.86%. Las demás variables, que no se tuvieron en
cuenta en el modelo, corresponden al 9.14%.

9. COEFICIENTE DE CORRELACION

r = 0.953251803

Quiere decir que existe una relación directa entre la rentabilidad y los factores
(x1, x2).

10. OBTENCIÓN DEL MODELO FINAL:

Y= 36.0946783 + 1.0305126 (X1) - 1.8696429 (X2) + E

17
 UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN

11. Describa la utilidad del modelo, ilustre gráficamente los resultados obtenidos.

Las rentabilidades de las empresas tienen un grado de dependencia en los distintos

factores (x1, x2)

18