Está en la página 1de 6

EJERCICIO 1

Residuos vs Valores ajustados


Cuando los residuos vs los valores ajustados se distribuyen aleatoriamente
alrededor de la media de cero se puede decir entonces que hay igualdad de
varianza. En este caso no se observa un patrón definido de los residuos vs valores
ajustados.
Residuos vs orden de observaciones
Nos permite probar que los residuos se distribuyen aleatoriamente y siguen un
patrón independiente.
Prueba de autocorrelación:
Ho:P=0 No hay autocorrelación y son independientes
H1:P≠ 0 Hay correlación y los datos no son independientes
e
¿
(¿ t ¿ −e t −1 )
n

Estadígrafo d = ∑ e 2t = siendo ei= yi− ^y


t=1
n

∑¿
t =2
¿

Regla de decisión
Si d > du y d < 4 – du No se rechaza Ho. No hay autocorrelación
Si d < dl o d > 4 – dl Se rechaza H0. Hay autocorrelación
Comprobando en tablas de Durbin y Watson
Si 2.50869 > 1.320 y 2.50869 < 4- 1.320 (2.68)
Si 2.50869 < 0.879 O 2.50869 > 4- 0.879 (3.121)
Por lo tanto, no se rechaza la H0.
No hay autocorrelación y son independientes por lo cual los errores no están
vinculados entre sí.
EJERCICIO 2

Gráficas de residuos para Y PRODUCTIVIDAD


Gráfica de probabilidad normal vs. ajustes
99
50
90
Porcentaje

Residuo
0
50

-50
10

1 -100
-100 -50 0 50 100 400 425 450 475 500
Residuo Valor ajustado

Histograma vs. orden


3 50
Frecuencia

2
Residuo
0

1 -50

0 -100
-100 -75 -50 -25 0 25 50 1 2 3 4 5 6 7 8 9 10 11 12
Residuo Orden de observación

Residuos vs Valores ajustados


Cuando los residuos vs los valores ajustados se distribuyen aleatoriamente
alrededor de la media de cero se puede decir entonces que hay igualdad de
varianza. En este caso no se observa un patrón definido de los residuos vs valores
ajustados.
Residuos vs orden de observaciones
Nos permite probar que los residuos se distribuyen aleatoriamente y siguen un
patrón independiente.

Prueba de autocorrelación:
Ho:P=0 No hay autocorrelación y son independientes
H1:P≠ 0 Hay correlación y los datos no son independientes
e
¿
(¿ t ¿ −e t −1 )
n

Estadígrafo d = ∑ e 2t = siendo ei= yi− ^y


t=1
n

∑¿
t =2
¿

Regla de decisión
Si d > du y d < 4 – du No se rechaza Ho. No hay autocorrelación
Si d < dl o d > 4 – dl Se rechaza H0. Hay autocorrelación
Comprobando en tablas de Durbin y Watson
Si 1.35266 > 1.320 y 1.35266 < 4- 1.320 (2.68)
Si 1.352666 < 0.879 0 1.35266 > 4- 0.879 (3.029)
Por lo tanto, no se rechaza la H0.
No hay autocorrelación y son independientes, por lo cual los errores no están
vinculados entre sí
EJERCICIO 3

Gráficas de residuos para Y Tiempo perdido


Gráfica de probabilidad normal vs. ajustes
99 2

Residuo estandarizado
90
1
Porcentaje

50
0

10
-1
1
-2 -1 0 1 2 10 15 20 25
Residuo estandarizado Valor ajustado

Histograma vs. orden


2
Residuo estandarizado

3 1
Frecuencia

2 0

1
-1
0
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 1 2 3 4 5 6 7 8 9 10
Residuo estandarizado Orden de observación

Residuos vs Valores ajustados


Cuando los residuos vs los valores ajustados se distribuyen aleatoriamente
alrededor de la media de cero se puede decir entonces que hay igualdad de
varianza. En este caso no se observa un patrón definido de los residuos vs valores
ajustados.
Residuos vs orden de observaciones
Nos permite probar que los residuos se distribuyen aleatoriamente y siguen un
patrón independiente.

Prueba de autocorrelación:
Ho:P=0 No hay autocorrelación y son independientes
H1:P≠ 0 Hay correlación y los datos no son independientes
e
¿
(¿ t ¿ −e t −1 )
n

Estadígrafo d = ∑ e 2t = siendo ei= yi− ^y


t=1
n

∑¿
t =2
¿

Regla de decisión
Si d > du y d < 4 – du No se rechaza Ho. No hay autocorrelación
Si d < dl o d > 4 – dl Se rechaza H0. Hay autocorrelación
Comprobando en tablas de Durbin y Watson
Si 2.91889 > 1.333 y 2.91889 < 4-1.333 (2.726)
Si 2.50869 < 0.466 0 2.91889 > 4-0.466 (3.431)
Por lo tanto, no se rechaza la H0.
No hay autocorrelación y son independientes por lo cual los errores no están
vinculados entre sí