UNIVERSIDAD DEL ROSARIO

VICERRECTORÍA

Facultad de Economía
Especialización en Evaluación y Desarrollo de Proyectos
Programa del Curso Análisis de Regresión

Laboratorio Computador No. 2.

Modulo: Regresión Simple y prueba de hipótesis
Profesor: Noel José Cuenca Jiménez. 13/09/05

1. Para la los datos de demanda obtenidos por usted, realice (Demanda de carne):

a. Estimación en eviews de la demanda.

Dependent Variable: Q
Method: Least Squares
Date: 09/13/05 Time: 19:49
Sample: 1922 1941
Included observations: 20
Variable Coefficient Std. Error t-Statistic Prob.
C 56.96166 6.267166 9.088903 0.0000
P -1.409550 0.315928 -4.461617 0.0003
Y 0.079802 0.017038 4.683701 0.0002
R-squared 0.583455 Mean dependent var 65.79500
Adjusted R-squared 0.534450 S.D. dependent var 6.813182
S.E. of regression 4.648716 Akaike info criterion 6.048540
Sum squared resid 367.3796 Schwarz criterion 6.197900
Log likelihood -57.48540 F-statistic 11.90598
Durbin-Watson stat 0.349182 Prob(F-statistic) 0.000585

Los parámetros son estadísticamente significativos individualmente, el modelo es globalmente

significativo; sin embargo, el R2 no es muy alto.

b. Detección de normalidad.

8
Series: Residuals
7 Sample 1922 1941
Observations 20
6
Mean 1.40e-16
5
Median 0.028867
Maximum 0.067419
4
Minimum -0.134373
3 Std. Dev. 0.067671
Skewness -0.694074
2 Kurtosis 1.894342

1 Jarque-Bera 2.624527
Probability 0.269210
0
-0.15 -0.10 -0.05 0.00 0.05

Debido a que la probabilidad del estadístico de Jarque-Bera es mayor a 0,05, se puede aceptar que
los residuos tienen una distribución normal.
1
 c. Detección de multicolinealidad.

Para detectar si P es colineal, se realiza la regresión de P sobre Y, así:

Dependent Variable: P
Method: Least Squares
Date: 09/25/05 Time: 16:18
Sample: 1922 1941
Included observations: 20
Variable Coefficient Std. Error t-Statistic Prob.
C 2.336719 4.643148 0.503262 0.6209
Y 0.041199 0.008203 5.022643 0.0001
R-squared 0.583593 Mean dependent var 25.33000
Adjusted R-squared 0.560459 S.D. dependent var 5.231292
S.E. of regression 3.468235 Akaike info criterion 5.419808
Sum squared resid 216.5158 Schwarz criterion 5.519381
Log likelihood -52.19808 F-statistic 25.22695
Durbin-Watson stat 0.767733 Prob(F-statistic) 0.000088

Utilizando el criterio del factor inflacionario de varianza, se puede ver que FIV= 1/(1-0,583593).
Como FIV=2,401 < 10, se puede decir que la variable P no es altamente colineal.

Ahora, haciendo la regresión de Y sobre P:

Dependent Variable: Y
Method: Least Squares
Date: 09/25/05 Time: 16:20
Sample: 1922 1941
Included observations: 20
Variable Coefficient Std. Error t-Statistic Prob.
C 199.2967 72.87009 2.734959 0.0136
P 14.16515 2.820258 5.022643 0.0001
R-squared 0.583593 Mean dependent var 558.1000
Adjusted R-squared 0.560459 S.D. dependent var 97.00076
S.E. of regression 64.30943 Akaike info criterion 11.25993
Sum squared resid 74442.65 Schwarz criterion 11.35950
Log likelihood -110.5993 F-statistic 25.22695
Durbin-Watson stat 0.560335 Prob(F-statistic) 0.000088

Utilizando el mismo crierio del FIV, se puede ver que FIV=1/(1-0,583593). Como FIV=2,401 < 10, se
puede decir que la variable Y no es altamente colineal.

d. Detección de Heteroscedasticidad.
White Heteroskedasticity Test:
F-statistic 2.621079 Probability 0.076716
Obs*R-squared 8.228054 Probability 0.083573

Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 09/24/05 Time: 21:35
Sample: 1922 1941
2
Included observations: 20
Variable Coefficient Std. Error t-Statistic Prob.
C 163.3957 127.7833 1.278694 0.2204
P 28.37322 9.647676 2.940938 0.0101
P^2 -0.571771 0.188322 -3.036131 0.0083
Y -1.808820 0.725876 -2.491912 0.0249
Y^2 0.001646 0.000643 2.561051 0.0217
R-squared 0.411403 Mean dependent var 18.36898
Adjusted R-squared 0.254443 S.D. dependent var 19.68769
S.E. of regression 16.99945 Akaike info criterion 8.716557
Sum squared resid 4334.722 Schwarz criterion 8.965491
Log likelihood -82.16557 F-statistic 2.621079
Durbin-Watson stat 1.479336 Prob(F-statistic) 0.076716

Debido a que la probabilidad del estadístico F para la prueba de White es mayor a 0,05, se acepta la
hipótesis de que el modelo no presenta heterocedasticidad.

e. Detección de Autocorrelación.
Date: 09/24/05 Time: 21:43
Sample: 1922 1941
Included observations: 20
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
. |****** | . |****** | 1 0.713 0.713 11.782 0.001
. |**** | . |* . | 2 0.580 0.144 19.993 0.000
. |*** | . *| . | 3 0.404 -0.110 24.210 0.000
. |**. | . | . | 4 0.301 0.008 26.694 0.000
. |* . | . *| . | 5 0.167 -0.096 27.508 0.000
. |* . | . | . | 6 0.114 0.037 27.919 0.000
. *| . | ***| . | 7 -0.137 -0.418 28.559 0.000
. *| . | . |* . | 8 -0.166 0.128 29.566 0.000
.**| . | . | . | 9 -0.214 0.037 31.404 0.000
.**| . | . *| . | 10 -0.252 -0.147 34.188 0.000
.**| . | . | . | 11 -0.270 0.019 37.760 0.000
.**| . | . *| . | 12 -0.278 -0.101 42.013 0.000
***| . | . *| . | 13 -0.361 -0.105 50.205 0.000
.**| . | . | . | 14 -0.285 0.024 56.144 0.000
.**| . | . |* . | 15 -0.222 0.075 60.481 0.000
.**| . | . *| . | 16 -0.195 -0.066 64.650 0.000
. *| . | . *| . | 17 -0.172 -0.117 68.998 0.000
. *| . | . | . | 18 -0.129 0.061 72.675 0.000

Con base en el test, se aprecia que existe autocorrelación de alto orden.

f. Detección de estabilidad.

3
 1.6

1.2

0.8

0.4

0.0

-0.4
26 28 30 32 34 36 38 40

CUSUM of Squares 5% Significance

Chow Breakpoint Test: 1928

F-statistic 2.099053 Probability 0.146335
Log likelihood ratio 7.428474 Probability 0.059425

Con base en la probabilidad del estadístico F para el test de Chow, se puede aceptar que en 1928 se
presentó un cambio estructural.

g. Establezca correcciones a los problemas.

2. Para los datos de consumo e inversion:

a. Estimación en eviews de la demanda.

Dependent Variable: CP
Method: Least Squares
Date: 09/19/05 Time: 21:06
Sample: 1950 1995
Included observations: 46
Variable Coefficient Std. Error t-Statistic Prob.
C -8.785679 2.044843 -4.296506 0.0001
YPD 0.890797 0.005416 164.4665 0.0000
R-squared 0.998376 Mean dependent var 288.6567
Adjusted R-squared 0.998339 S.D. dependent var 158.8067
S.E. of regression 6.472091 Akaike info criterion 6.615380
Sum squared resid 1843.070 Schwarz criterion 6.694886
Log likelihood -150.1537 F-statistic 27049.24
Durbin-Watson stat 1.085427 Prob(F-statistic) 0.000000

Los parámetros son estadísticamente significativos individualmente, el modelo es globalmente

significativo.

b. Detección de normalidad.

4
 Test de Jarque-Bera
10
Series: Residuals
Sample 1950 1995
8 Observations 46

Mean -1.20e-14
6 Median 0.208616
Maximum 11.28594
Minimum -21.39353
4 Std. Dev. 6.399775
Skewness -0.618262
Kurtosis 4.205112
2
Jarque-Bera 5.714135
Probability 0.057437
0
-20 -10 0 10

Debido a que la probabilidad del estadístico de Jarque-Bera es mayor a 0,05, se puede

aceptar que los residuos tienen una distribución normal

c. Detección de multicolinealidad.

Para detectar si CP es colineal, se realiza la regresión de CP sobre YPD, así:

Dependent Variable: CP
Method: Least Squares
Date: 09/26/05 Time: 05:17
Sample: 1950 1995
Included observations: 46
Variable Coefficient Std. Error t-Statistic Prob.
C -8.785679 2.044843 -4.296506 0.0001
YPD 0.890797 0.005416 164.4665 0.0000
R-squared 0.998376 Mean dependent var 288.6567
Adjusted R-squared 0.998339 S.D. dependent var 158.8067
S.E. of regression 6.472091 Akaike info criterion 6.615380
Sum squared resid 1843.070 Schwarz criterion 6.694886
Log likelihood -150.1537 F-statistic 27049.24
Durbin-Watson stat 1.085427 Prob(F-statistic) 0.000000
Utilizando el criterio del factor inflacionario de varianza, se puede ver que FIV= 1/(1-0.998376).
Como FIV=615.764 > 10, se puede decir que la variable CP es altamente colineal.

Para detectar si YPD es colineal, se realiza la regresión de YPD sobre CP, así:
Dependent Variable: YPD
Method: Least Squares

5
Date: 09/26/05 Time: 05:22
Sample: 1950 1995
Included observations: 46
Variable Coefficient Std. Error t-Statistic Prob.
C 10.38897 2.239431 4.639112 0.0000
CP 1.120767 0.006815 164.4665 0.0000
R-squared 0.998376 Mean dependent var 333.9059
Adjusted R-squared 0.998339 S.D. dependent var 178.1300
S.E. of regression 7.259603 Akaike info criterion 6.845032
Sum squared resid 2318.881 Schwarz criterion 6.924538
Log likelihood -155.4357 F-statistic 27049.24
Durbin-Watson stat 1.085617 Prob(F-statistic) 0.000000

Utilizando el mismo crierio del FIV, se puede ver que FIV=1/(1-0.998376). Como FIV=615.764 > 10,
se puede decir que la variable Y es altamente colineal.

d. Detección de Heteroscedasticidad.

e. Detección de Autocorrelación.
f. Detección de estabilidad.
g. Establezca correcciones a los problemas.

Trabajo en Spss
3. Para la los datos de Bogota1, determinantes del ingreso per capita:
a. Estadísticas básicas.
b. Análisis de normalidad.
c. Gráficos de dispersión.
d. Grafico de probabilidad normal.
e. Modelo doble logarítmico.
f. Test de Kolmogorov Smirnov
g. Test de Shapiro-Wilk
h. Test de multicolinealidad.
i. Test de Rachas.
j. Test de Durbin Watson.