Econometría

NRC 23204

ACTIVIDAD 8
Detección de Problemas de Violación de Supuestos

PRESENTADO AL TUTOR:
ANA CATALINA GONZALEZ SUAREZ

FACULTAD DE CIENCIAS EMPRESARIALES

ADMINISTRACIÓN FINANCIERA
VIII SEMESTRE
NEIVA
2019
 2

Econometría
NRC 23204

ACTIVIDAD 8
Detección de Problemas de Violación de Supuestos

PRESENTADO POR:
JOSÉ RICARDO GUTIERREZ ARDILA ID 501235
OLGA LUCIA CASTAÑO GÓMEZ ID: 502927
SERGIO FERNANDO RODRIGUEZ LOSADA ID 515986
VICTOR ALFONSO PARRA PATIÑO ID: 513858

FACULTAD DE CIENCIAS EMPRESARIALES

ADMINISTRACIÓN FINANCIERA
VIII SEMESTRE
NEIVA
2019
 3

TABLA DE CONTENIDO

TABLA DE CONTENIDO ........................................................................................................... 3

Detección de Problemas de Violación de Supuestos ................................................................. 4
BIBLIOGRAFÍA .........................................................................................................................11
 4

Detección de Problemas de Violación de Supuestos

La tabla 11.7 proporciona datos sobre 81 automóviles respecto de su MPG (millas

promedio por galón), CF (caballos de fuerza de su motor), VOL (pies cúbicos de
su cabina), VM (velocidad máxima en millas por hora) y su PS (peso del vehículo
en cientos de lb).

Modelo 1: MCO, usando las observaciones 1-81

Variable dependiente: MPG

Coeficiente Desv. Típica Estadístico t valor p

const 189,960 22,5288 8,432 <0,0001 ***
SP −1,27170 0,233117 −5,455 <0,0001 ***
HP 0,390433 0,0762458 5,121 <0,0001 ***
WT −1,90327 0,185516 −10,26 <0,0001 ***

Media de la vble. dep. 33,83457 D.T. de la vble. dep. 10,05541

Suma de cuad. residuos 947,4985 D.T. de la regresión 3,507873
R-cuadrado 0,882864 R-cuadrado corregido 0,878301
F(3, 77) 193,4526 Valor p (de F) 9,28e-36
Log-verosimilitud −214,5388 Criterio de Akaike 437,0775
Criterio de Schwarz 446,6553 Crit. de Hannan-Quinn 440,9203

a) Considere el siguiente modelo:

MPGi = β1 + β2VMi + β3CFi +β4PSi + ui

MPGi= 189,96 - 1,271VMi + 0,390CFi - 1,903Psi + Ui

Estime los parámetros de este modelo e interprete los resultados. Desde el punto
de vista económico, ¿tiene sentido?
 5

Análisis

 Dados los incrementos unitarios en la velocidad máxima, se estima que las millas
promedio por galón; disminuirán en -1,27170 millas por galón manteniendo todo lo
demás constantes. Existe una relación Inversa.

 Dado los incrementos en los caballos de fuerza de motor se estima que las millas
promedio por galón también se incrementa en unas 0,390433 millas por galón
manteniendo todo lo demás constante. Existe una relación Directa

 Dado los incrementos unitarios en el peso de vehículo cientos de libras se estima

que las millas promedio por galón se disminuye en -1,90327 por cada milla de galón.
Por lo tanto, es una relación Directa.

Es decir, que aun que el modelo muestra unas variables significativas (Valor p***); y su
R2 se acerca a 1. Por tanto, este modelo no tiene sentido.

b) ¿Esperaría que la varianza del error en el modelo anterior sea heteroscedástica?

¿Por qué?

Análisis

Si, se esperaría que la varianza del error del modelo anterior; si sea heteroscedástica,
porque se están utilizando datos de corte transversal; es decir, cuando la varianza de los
errores no es constate, hay incumplimiento de las hipótesis.
 6

c) Con la prueba de White determine si la varianza de error es heteroscedástica.

Análisis
MPGi = 14917,1 – 284,880SP + 95,5313HP - 264,1WT

H0= No hay heterocedasticidad – Hipótesis Nula

H1= Si hay heterocedasticidad – Hipótesis Alternativa

Revisamos el p valor; por lo tanto, se rechaza H0 hipótesis nula y H1 podemos decir que
si hay heteroscedasticidad.
Este contraste se utiliza con el fin de determinar si realmente se encuentra los problemas
de heteroscedasticidad; lo que significa que la H0 - hipótesis Nula: No hay
heteroscedasticidad y en la H1 – Hipótesis alternativa, se observa que, si hay
Heteroscedasticidad, por lo tanto, al revisar el p valor es muy pequeño, esto quiere decir
que existe heteroscedasticidad, de esta manera rechazamos la H 0 Hipótesis Nula y
tomamos la H1 hipótesis Alternativa.
 7

d) Obtenga los errores estándar de White consistentes con la heteroscedasticidad, así como los valores t, y
compare los resultados con los obtenidos mediante MCO.

HC1: Se observa con este modelo corregido que los coeficientes no cambian, pero el estadístico si cambia (Estadístico t),
corrige los errores y los t mejoran, el R2 no cambia.
El valor p conjunto modifica; se hace más pequeño y se minimizó los errores. Por lo tanto, podemos decir que, este
modelo HC1 lo que hace es minimizar los errores y modificar la varianza para que el modelo sea mucho más significativo.
 8

Durbin – Watson es un test de contraste que permite revisar la autocorrelación; esta

determina que cuando está lejos de 2, se identifica que es muy pequeño, determinado
por el modelo de White que dice que existe heteroscedasticidad porque su p valor es tan
pequeño frente a los niveles de significancia, realmente no significa lo que se quiere por
lo que es tan pequeño que se tiene que rechazar.
Durbin – Watson nos da otra variable que nos determina que hay autocorrelación y si
modelo presenta estos contrastes, también va a dar un valor pequeño que está muy lejos
de 2 donde existe una autocorrelación y heteroscedasticidad, comprobando que este
modelo no tiene sentido; por ser un modelo que tiene variables muy directas y otras que
van en contra, lo que realmente no representa la significancia que es.

El archivo Table_7.7.gdt del fichero de datos de Gujarati muestra información

sobre pozos de exploración perforados (Y), precio del barril de petróleo (X2,
$/barril), producción petrolera doméstica (X3, millones de barriles por día),
producto nacional bruto real (X4, millardos de dólares) y una variable de tendencia
(X5).
Se pide: Ajuste un modelo de Y en función de X2, X3 y X4. Interprete los resultados.
¿Se ajustan a lo esperado?
Modelo 1: MCO, usando las observaciones 1948-1978 (T = 31)
Variable dependiente: Y

Coeficiente Desv. Típica Estadístico t valor p

const −9.32145 6.06805 −1.536 0.1361
X2 2.68293 0.648814 4.135 0.0003 ***
X3 3.02412 0.819574 3.690 0.0010 ***
X4 −0.0166819 0.00329587 −5.061 <0.0001 ***

Media de la vble. dep. 10.64613 D.T. de la vble. dep. 2.351515

Suma de cuad. residuos 69.62938 D.T. de la regresión 1.605885
R-cuadrado 0.580265 R-cuadrado corregido 0.533627
F(3, 27) 12.44208 Valor p (de F) 0.000027
Log-verosimilitud −56.52968 Criterio de Akaike 121.0594
Criterio de Schwarz 126.7953 Crit. de Hannan-Quinn 122.9291
rho 0.394144 Durbin-Watson 0.936182
 9

Análisis
El R2 está muy alejado de 1, por lo tanto, en este modelo se debe hacer una inferencia,
realmente el modelo no esta tan cercano a 1, los niveles de significancia son buenos; sin
embargo, por lo menos el parámetro está inversamente proporcional.
En este modelo se observa muy afectado el R2; por lo que se requiere reajustar el
modelo, por lo que las variables no están siendo lineales y para esto se debe hacer una
inferencia o hallar una diferencia.

Prueba si los residuos no presentan problemas de autocorrelación. Ayuda: desde

la pantalla de salida del modelo vaya a CONTRASTES / DURBIN-WATSON. Muestre
los resultados.

Modelo 3: MCO, usando las observaciones 1949-1978 (T = 30)

Variable dependiente: Y

Coeficiente Desv. Típica Estadístico t valor p

const 11,6175 0,699629 16,61 <0,0001 ***
d_X2 −1,10115 1,08393 −1,016 0,3190
d_X3 2,12417 1,38732 1,531 0,1378
d_X4 −0,0357632 0,0186969 −1,913 0,0668 *

Media de la vble. dep. 10,73400 D.T. de la vble. dep. 2,339377

Suma de cuad. residuos 127,8930 D.T. de la regresión 2,217873
R-cuadrado 0,194161 R-cuadrado corregido 0,101180
F(3, 26) 2,088175 Valor p (de F) 0,126222
Log-verosimilitud −64,31810 Criterio de Akaike 136,6362
Criterio de Schwarz 142,2410 Crit. de Hannan-Quinn 138,4292
rho 0,690338 Durbin-Watson 0,603226

Análisis
El modelo que Durbin – Watson mejoró, se corrigió el problema de correlación, pero el
R2 se ve afectado; por lo tanto, se corrige un problema, pero se obtiene otro.
De esta manera, el problema se evidencia por solo tener una muestra muy pequeña en
este modelo, se cuenta con una muestra de 30 es decir; T=30. Lo que significa que para
corregir este problema se hace necesario aumentar el tamaño de la muestra, para así
mismo determinar si el modelo es confiable y evitar posibles engaños en el modelo. En
 10

otras palabras; la solución del problema de autocorrelación será la ampliación del tamaño
de la muestra.
 11

BIBLIOGRAFÍA

Guajarati, D. & Porter, D. (2010), Econometría. Mc Graw Hill, (Quinta Edición).

Introducción a la Econometría (pp. 405) México. Recuperado de:
https://201915.aulasuniminuto.edu.co/mod/resource/view.php?id=175738