Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Punto #1
Nota: último digito de la cédula es 1
Para la generación de la variable y de cada observación, que son variables
aleatorias independientes e idénticamente distribuidas, correspondiente a una
distribución normal con media 1 y varianza 3, en EViews se empleó el comando
nrnd (ver imagen 1 y 2).
Para la generación de la variable x de cada observación, que son variables
aleatorias independientes e idénticamente distribuidas, correspondiente a una
distribución uniforme con media 1 y varianza 3, en EViews se empleó el comando
runif (ver imagen 1 y 2). Como la función runif requiere que se ingrese los valores
extremos de la distribución uniforme, estos se obtienen solucionando el siguiente
sistema de ecuaciones:
μ=
a+ b 2 (b−a)2
σ =
2 12
1=
a+ b (b−a)2
3=
2 12
2=a+b 6=(b−a)
a=−2
b=4
Una vez generadas las variables x y y se obtiene el histograma y las estadísticas
descriptivas de cada una (ver imagen 3 y 4).
Las estadísticas muestran que la variable y tiene una media de 1.010915 y una
desviación de 1.660748, estos valores se acercan bastante a la media establecida
de 1 y a la varianza establecida de 3 (la raíz de 3 correspondiente a la desviación
estándar es 1.732050808). Adicionalmente, el histograma tiene la forma de
campana de Gauss, lo que es propio de la distribución normal.
Para la variable x las estadísticas muestran que tiene media de 1.022411 y una
desviación estándar de 1.701888, en este caso estos valores también se acercan
bastante a la media establecida de 1 y varianza establecida de 3. En cuanto al
histograma revela que la distribución de la variable x efectivamente es uniforme y
que los valores mínimo y máximo corresponden respectivamente a -1.994900 y
3.959453, estos parámetros son los encontrados por el sistema de ecuaciones.
Imagen 1:
Salida de
Eviews:
Generación de
variables x,y.
Aplicación:
Aplicando la prueba de Kolmogorov-Smirnov a la variable x se obtiene lo
siguiente:
H 0 : Los datos analizados siguen una distribución uniforme
Prueba Jarque-Bera
La prueba Jarque-Bera tiene como objetivo establecer si una determinada
distribución de probabilidad se asemeja a una normal. Esto lo hace mediante el
estudio de la simetría y curtosis.
( n−k )
El estadístico Jerque-Bera se calcula de la siguiente manera: JB= ∗¿, donde
6
S corresponde al coeficiente de asimetría, k al coeficiente de curtosis y n al
número de observaciones.
Si el estadístico JB adopta valores pequeños, la distribución observada es
aproximadamente simétrica y mesocúrtica. Y a medida que se detectan asimetrías
o desviaciones en la curtosis, este estadístico aumenta de valor.
Para concluir estadísticamente bajo la hipótesis nula de normalidad, el estadístico
sigue una distribución chi-cuadrado con dos grados de libertad. Si el estadístico JB
en valor absoluto es mayor al valor crítico (una chi-cuadrado con dos grados de
libertad) se rechaza la hipótesis nula.
Aplicación:
Aplicando la prueba Jarque-Bera a la variable x se obtiene lo siguiente:
H 0 :distribución de probabilidad se asemeja a una Normal
c)
Regresión:
Regresión de y contra una constante y x (Imagen 7): y=1.037535 – 0.018115x+ ε
Imagen 7. Salida de Eviews al correr la regresión de y contra una constante y x.
Análisis de la regresión:
R-cuadrado: El porcentaje de la variación muestral de y que es explicada
por x es apenas el 0.0345%, como el valor de R-cuadrado es casi cero,
esto indica un ajuste pobre de la línea de MCO: Muy poco de la variación
de las y i es captada por la variación de las y i gorro (que se encuentran,
todas, sobre la línea de regresión de MCO).
R-cuadrado ajustado: Para este caso da un valor negativo muy cercano a
cero: -0.001663. A diferencia de la R-cuadrada, esta medida si puede dar
negativa en los casos que las variables que están en el modelo no aportan
a la explicación de la variable dependiente. Es decir que la R-cuadrada
ajustada negativa implica que este modelo tiene un ajuste pobre en relación
con sus grados de libertad.
Efectos de los coeficientes: El coeficiente C corresponde al intercepto, el
intercepto es 1.037535, significa que cuando la variable x toma el valor de
cero la variable y será aproximadamente 1.03, para este caso como las
variables x y y no tienen un significado económico no podemos analizar qué
tan importante puede ser la interpretación de la constante. El otro
coeficiente es el de la variable x, según este parámetro, la regresión predice
que un aumento de 1 unidad en la variable x disminuye la variable y en
0.018115 unidades en promedio.
Significancia de los coeficientes:
Coeficiente de la constante:
H 0 : β 0=0
H 1: β0 ≠ 0
Coeficiente de x:
H 0 : β1 =0
H1: β1 ≠ 0