Taller No.

2 Econometría

Kevin Mosquera Muñoz-1441820

Santiago Burbano Rendon-1440805

1.
Tabla 1 Figura 1-Pies cuadrados

En las gráficas se puede observar un análisis descriptivo y observar los hechos más relevantes. En
este primer punto se puede proponer un modelo de regresión simple, en el que se observa
claramente en la tabla 1 una existente relación entre el precio “Price” y el total de pies cuadrados
denotado como “sqft” de las viviendas, como se nombra anteriormente, se sabe que existe una
relación que se puede suponer debido a que entre mayor área tiene la vivienda, mayor será el
precio, debido a que en las dos variables seleccionadas se presenta una alta correlación. Al
observar la gráfica 1 se puede concluir que comporta como una distribución normal, otro aspecto
que se presenta es una asimetría positiva así como también un sesgo hacia la derecha.

2.

Tabla 2
En la tabla 2 se realizó la regresión entre el precio de las viviendas y los pies cuadrados de su
superficie, a partir de ella podemos observamos distintos aspectos, uno de ellos es que el
coeficiente β2 nos arroja que por cada pie cuadrado que se aumente en la propiedad, el precio de
la misma aumenta en 92.74737 dólares. Por otra parte también podemos decir según el intervalo
de confianza arrojado, que 95 de cada 100 datos de la variable sqft se encontraran dentro
88,01757-97,47718. Siguiendo con la observación y el análisis de la regresión podemos observar
que el R2 es de 0.5786 la cual para este tipo de datos, es decir de corte transversal el modelo se
encuentra bien explicado por dicha variable pero podría mejorarse incluyendo un mayor número
de variables de la misma naturaleza.

Supuestos

Tabla 3-Residuales

 Normalidad
Tabla 4 Figura 2-Normalidad

Tabla 5

En la figura 2 podemos observar que gráficamente se cumple el supuesto de normalidad, pero por
otra parte los resultados de test de normalidad nos arrojan lo contrario (tabla 3 y 4) de su
distribución, en ese sentido una prueba formal está por encima de una prueba gráfica, por tanto
podemos concluir que dichos errores no presentan una distribución normal.
  Media cero

En la figura 3 podemos observar que gráficamente el modelo se comporta correctamente dentro

de este supuesto, y en la tabla 3-residuales observamos de la misma manera que se cumple este
supuesto.

Figura 3
Figura 4-Varianza
  Homocedasticidad

Claramente se observa que el modelo no presenta una varianza constante, en la figura 4

observamos que los residuales presentan mucha variabilidad y se salen de los intervalos. A partir
de lo anterior está bien decir que el supuesto de homocedasticidad es violado

Tabla 6

 Exogeneidad

Tanto en la gráfica 3 como en la tabla 6 podemos observar que no encontramos correlación entre
la variable independiente (sqft) y los residuales del modelo, por tanto el supuesto de exogeneidad
se cumple.

Figura 5-Residuales vs valores

estimados.

Para finalizar e incluyendo todo lo anteriormente mencionado, podemos decir que el modelo no
presenta un buen ajuste por lo ya observado y por los supuestos que han sido violados, como lo
son el de normalidad y varianza constante.

3.

Tabla 2
El estudio ya realizado nos afirma las hipótesis anteriormente planteadas, es decir que el precio de
la vivienda es elevado de manera significativa por el tamaño de la misma en pies cuadrados, esto
se da debido a que en primer lugar observamos que el coeficiente β2 es positivo, en ese sentido se
dice que la superficie en pies cuadrados tiene una relación positiva respecto al precio en dólares
de la vivienda por lo que si la superficie aumenta, el precio de la vivienda lo hará también. Por otra
parte en la tabla 2 podemos observar que en el intervalo de confianza no se encuentra contenido
el cero, lo cual es lo principal que nos ayuda a afirmar la hipótesis, también y no menos
importante vemos que el p-value es cero por lo que la variable es estadísticamente significativa

4.

Figura 6-Prediccion

Cabe recordar que la predicción utilizada para este punto, es decir estática, es utilizada mediante
los valores de las variables desplazadas. Al hacer la observación, se observa en la gráfica (figura 6)
que por lo general la mayoría de los datos se encuentran muy cercanos a la línea de predicción
menores a 500000, también existen unos pocos valores ubicados por fuera de los límites superior
e inferior de la predicción, se observa que los datos que se encuentran por fuera están en su
mayoría ubicados por encima del límite superior, sin embargo no es un número significativo por el
cual se deba rechazar la prueba, por lo tanto los límites de confianza podrían ser aceptados como
válidos en este modelo. Para finalizar podemos decir que se tiene un buen ajuste ya que la línea de
predicción esta entre los limites formados.

Anexo Dofile

*punto 1

Summ price, d

hist price, normal

summ sqft, d

hist sqft, normal

summ bedrooms, d

hist price, normal

summ baths, d

hist baths, normal

summ age, d

hist age, normal

summ occupancy, d

hist occupancy, normal

summ pool, d

hist pool, normal

summ style, d

hist style, normal

summ fireplace, d

hist fireplace, normal

summ waterfront, d

hist waterfront, normal

summ dom, d

hist dom, normal

correlate price sqft bedrooms baths age occupancy pool style fireplace waterfront dom

**Punto 2

reg price sqft

gen t=_n

predict u, residuals

**normalidad

summ u, d

hist u, normal

swilk u

sktest u

**exogeneidad

scatter u sqft||lfit u sqft

correlate u sqft

**varianza

egen mean_u = mean(u)

egen sd_u = sd(u)

gen lsupu = mean_u + 1.96*sd_u

gen linfu = mean_u - 1.96*sd_u

scatter u t||line lsupu linfu u t,sort

**media cero

scatter u sqft||lfit u sqft

**grafico residuales vs valores

predict vest, xb

scatter u vest
egen mvest = mean(vest)

egen desvest = sd (vest)

gen lsup = mvest + 2*(desvest)

gen linf = mvest - 2*(desvest)

scatter u vest ||line lsup linf u

**Punto 4

reg price sqft in 1/1075

predict nv, xb

predict nv1, xb

egen sdnv1 = sd(nv1)

gen lims = nv1 + (1.96*(sdnv1))

gen limi = nv1 - (1.96*(sdnv1))

scatter price nv1 || line nv nv1 || line nv1 nv1 || line lims limi nv