Documentos de Académico
Documentos de Profesional
Documentos de Cultura
FACULTAD DE INGENIERÍA
MODELO ECONOMÉTRICO
EMPRESA:
“HILANDERÍA SALINAS”
DOCENTE:
ING. RAFAEL ORLANDO LIMACHI C.
ESTUDIANTES:
MARTINEZ MAMANI ALEXANDER
RODRIGUEZ FLORES CHRISTIAN NILS F.
VILLCA CALLE MIKY PEÑAFORD
Contenido
1. INTRODUCCION.....................................................................................................................2
2. ANTECEDENTES.....................................................................................................................3
3. OBJETIVO GENERAL DEL ESTUDIO...................................................................................3
4. OBJETIVOS ESPECIFICOS.....................................................................................................3
5. MARCO TEORICO...................................................................................................................3
5.1. MODELOS ECONÓMICOS..............................................................................................3
6. MEMORIA RESUMEN DEL PROCESO PRODUCTIVO.....................................................18
7. IDENTIFICACION DE LA POBLACION OBJETIVO..........................................................20
8. METODOLOGIA DE LA RECOLECCION DE LA INFORMACION..................................20
9. RECOPILACION, SELECCIÓN Y PRESENTACION DE LA INFORMACION..................26
10. ESPECIFICACIONES DEL MODELO ECONOMETRICO...............................................28
11. ESTIMACION DE PARAMETROS DEL MODELO.........................................................28
12. VALIDACION ESTADISTICA..........................................................................................32
13. VALIDACIÓN ECONOMETRICA.....................................................................................32
14. INTERPRETACION DE RESULTADOS...........................................................................41
15. PLANTEAMIENTO Y ANALISIS PARA LA CORRELACION DEL MODELO.............42
16. PRESENTACION Y PREDICCION DEL MODELO CORREGIDO.................................42
17. CONCLUSIONES................................................................................................................43
18. RECOMENDACIONES......................................................................................................43
19. BIBLIOGRAFIA..................................................................................................................43
1. INTRODUCCION
2. ANTECEDENTES
Desde 1970, la Hilandería Salinas empezó a enfrentar la pobreza y marginación, con el apoyo de
voluntarios extranjeros y la Misión Salesiana, con la creación de varias industrias, donde la materia
prima es la lana de llama y oveja, los cuales son sometidos a diversos tipos de procesos como la
recepción de la materia prima, secada, lavado y nuevamente secado para llevarla a la maquina
encargada de sacar las fibras e hilarlo.
Anteriormente en la empresa no se ha realizado estudios estadísticos, lo que hace que sea muy
relevante el trabajo ejecutado.
5. MARCO TEORICO
En la teoría económica, estas relaciones están caracterizadas por funciones matemáticas exactas.
Es decir, el economista postula que la cantidad demandada de un bien es una función decreciente
del precio del mismo. Por tanto si se denomina a Y por la cantidad demandada, y X por el precio,
podemos postular una relación como:
Donde g(x) es una función en sentido matemático, es decir, a cada valor del precio le
corresponderá un valor de la cantidad demandada. A partir de este planteamiento, al economista le
preocupa responder ¿cuál será la forma que adopta g(x)?, ¿será g(X) creciente o decreciente con X?
Sin embargo, cuando pasamos a las relaciones empíricas observamos que en el mundo real las
variables Y y X adoptan unos valores concretos, y será dicha combinación de pares de valores la
que determine la forma de g(x).
Los modelos económicos se caracterizan por construcciones teóricas para reflejar sistemas y
procesos económicos. Generalmente ello se hace definiendo un conjunto de variables y un conjunto
de relaciones definidas entre los entes representados por las variables. Algunas de ellas pueden
tomar valores constantes específicos según la característica del modelo, se convierten realmente en
parámetros en muchos casos, dependiendo de lo que se intente al efectuar la modelación.
5.2. ECONOMETRÍA
La econometría es una ciencia que surge por la necesidad de cuantificar los modelos económicos
para tratar de contrastar si las diversas teorías económicas se cumplen cuando se ven enfrentadas a
los datos, la importancia de los mismos; debe señalarse que, la necesidad de contrastar si las teorías
económicas se adecuan a los datos observados o la convivencia de desarrollar modelos ajustados a
la realidad si los más simples son rechazados por los datos a los que se enfrentan, hace que se
requieran bien nuevas teorías u otro tipo de información para el contraste de algunos modelos que
no son susceptibles de ser contrastados con los datos disponibles.
Es importante señalar que la econometría nos proporciona una metodología para alcanzar un fin.
Su uso adecuado proporciona una poderosa herramienta para el análisis de fenómenos económicos
en diversas áreas.
Modelo econométrico es un modelo económico que contiene las especificaciones necesarias para
su aplicación empírica, viene expresado así:
Y g(X) u
Estos elementos aleatorios, en ocasiones llamados errores, recogen la diferencia entre el valor
observado de Y y el valor que mediante g(X) la recta de regresión asignamos, y pueden deberse a
errores de medición en la variable o a imperfecciones en la especificación de g(X), entre otros.
Identificar las variables que fundamentalmente influyen sobre el aspecto que se desea
estudiar.
Formular una relación o forma funcional concreta entre el conjunto de variables (aquella
que se desea explicar y las consideradas como influyentes en ella).
Introducir un término denominado “perturbación aleatoria” lo que permite razonar en
términos probabilísticos y no exactos.
Variable, son los factores o entes elementales que actúan en un fenómeno desde el punto de vista
cuantitativo.
Variables dependientes
Variables independientes
Ahora bien, a la hora de analizar la realidad económica no resulta fácil realizar la distinción
enunciada ya que son frecuentes las interrelaciones entre las variables económicas y se hace
necesario, por tanto, acudir a otro tipo de clasificación.
Variables endógenas, aquellas que vienen explicadas por el funcionamiento del modelo.
Variables exógenas, son aquellas cuyos valores inciden sobre el modelo desde el exterior; es
decir, son determinadas fuera del modelo pero influyen en el comportamiento de las endógenas.
Por otra parte, las variables que aparecen en un modelo se pueden referir al mismo periodo (o al
mismo instante temporal) o a periodos distintos. Más concretamente, las variables de un modelo
pueden referirse exclusivamente a un periodo t, o a los periodo t-2, t-1,t,..., .En este último caso
decimos que el modelo contiene variables retardadas en el tiempo.
Análisis estructural, cuantificación de las relaciones que entre el periodo analizado ha existido
entre las variables implicadas, a través del conocimiento del signo y valor de los parámetros
estimados. Es decir, sirve para conocer como inciden en las endógenas variaciones de las variables
exógenas.
Predicción, Dados valores a futuro para las variables exógenas, y conociendo la expresión
matemática que relaciona las variables exógenas y endógena, es posible predecir los valores que
tomará a futuro la variable objeto de estudio.
Simulación o evaluación de políticas, Efectos que tienen sobre la endógena diferentes estrategias
que se planteen de las variables exógenas. Por ejemplo si analizamos las ventas de una empresa en
función de los precios del producto y del nivel de gasto realizado en publicidad, podríamos estar
interesados en analizar cuánto incrementarían las unidades vendidas si se mantienen los precios
fijos y se incrementa el gasto en publicidad en un porcentaje determinado.
La Econometría trata de realizar inferencias sobre datos que no son susceptibles de repetición, en
unos casos para explicar relaciones causales y en otros para tratar de realizar predicciones para las
variables de interés. Aunque existen diversas escuelas de pensamiento sobre metodología
econométrica, a continuación se presenta la metodología clásica, que predomina en la investigación
empírica en economía y en los campos relacionados.
Especificación, esta etapa comprende tanto la determinación del tema objeto de análisis como la
definición de las variables explicativas que se incluirán en el modelo.
Estimación, consiste en el cálculo del valor de los parámetros Para realizar esta fase es necesario
previamente haber realizado una búsqueda y depuración de datos. Es necesaria la obtención de
datos suficientes, homogéneos y actualizados.
Datos de corte transversa, los valores corresponden a distintos sujetos para un mismo momento
del tiempo. Por ejemplo de series del tipo de consumo de diferentes familias, inversión de distintas
empresas, paro en diferentes provincias, etc.
5.4. PRONÓSTICOS
La metodología que produzca los pronósticos más precisos en un caso, quizás no sea la
mejor en otra situación. Sin embargo el(los) método(s) elegido(s) debe(n) producir un
pronóstico adecuado, oportuno y entendible para los administradores de tal forma que puedan
ayudar a tomar mejores decisiones.
El reconocimiento de que las técnicas de pronósticos operan con los datos generados por
sucesos históricos lleva a la identificación de los siguientes cinco pasos en el proceso de
pronóstico:
2. Depuración de datos
En el paso 1, formulación del problema y recolección de datos se tratan como un paso único,
debido a que están íntimamente relacionados. El problema determina los datos adecuados.
Por lo general, se requiere cierto esfuerzo para obtener los datos de la forma requerida con el
propósito de utilizar determinados procedimientos de pronósticos.
El paso 3, construcción y evaluación del modelo, implica adecuar los datos recolectados en
un modelo de pronósticos que sea adecuado en términos de minimización del error de
pronóstico.
El paso 4, aplicación del modelo, consiste en los pronósticos reales del modelo que se
generan una vez que se han recolectado y quizás reducido a sólo los datos adecuados, tan pronto
se ha elegido un modelo de pronósticos.
El paso 5, evaluación del pronóstico, implica comparar los valores del pronóstico con los
valores históricos reales. En este proceso, algunos de los más recientes valores de datos se
retienen del grupo de datos que se analiza.
Los pronósticos de largo plazo son necesarios para establecer el curso general de una
organización y son el enfoque exclusivo de la alta dirección. Los pronósticos de corto plazo se usan
para diseñar estrategias inmediatas, y los mandos medios y las gerencias de primera línea lo usan
para cubrir las necesidades del futuro inmediato.
Los pronósticos en términos de su posición dentro de un continuo micro y macro; es decir, en la
medida que involucren pequeños detalles en comparación con una gran escala. También pueden
clasificarse según sean cuantitativos o cualitativos.
5.5.1. TENDENCIA.
Un modelo que trata a los valores de la series de tiempo como la suma de sus componentes.
Funciona mejor cuando la serie de tiempo que se analiza tiene aproximadamente la misma
variabilidad a lo largo de la serie.
Donde:
Donde:
Existen variantes de los modelos antes mencionados que contienen términos aditivos como
multiplicativos.
Donde,
El análisis de la regresión simple tiene por objeto estimar la relación funcional entre dos
variables. En este tipo de análisis se supone que una de las variables (Y) viene explicada por otra
(X), de tal forma que se puede decir que la variable (Y) es una variable dependiente o endógena y
que la variable X es la variable independiente o exógena.
Y 0 1X
Donde 0 y 1 representan, el intercepto y la pendiente de la recta de regresión respectivamente.
Las relaciones económicas entre dos variables no obedecen al comportamiento de un modelo
determinístico puesto que numerosos factores, por ejemplo de la conducta de los agentes, no son
observables y obedecen en numerosas ocasiones a comportamientos aleatorios.
Existen diversos métodos para estimar los parámetros del modelo, muchos de los cuales se basan
en los residuos o errores, que se definen a continuación:
i=1,2,...,n
Dónde:
ui = Residuales
Yi = valor observado de Y
Se utiliza para calcular la ecuación de una línea recta que minimiza la suma de las distancias al
cuadrado entre los puntos de datos X-Y y la línea, medida en la dirección del eje vertical (Y). El
método de mínimos cuadrados elige los valores para el intercepto 0 y la pendiente 1 con el eje Y,
a fin de minimizar la suma de los cuadrados del error –distancias- entre los valores Y y la recta:
Dónde:
SSE= suma de los cuadrados del error (por sus siglas en inglés sum of squared errors)
b1=intercepto estimado
b2=pendiente estimada
Eficiencia: la desviación entre el verdadero valor del parámetro estimado y el valor del estimador
será la menor posible.
Consistencia: la diferencia entre el valor estimado del parámetro y el real se anula para una
muestra infinita
En modelos de la teoría económica, suele haber algunas variables que afecten a la variable de
interés. Es decir, existen diferencias múltiples sobre la variable de interés. El modelo de regresión
simple no es capaz de captar todo este tipo de relaciones.
En ocasiones, las relaciones entre dos variables permiten predecir con precisión la variable
endógena mediante el conocimiento de la exógena. Desafortunadamente, muchas situaciones de
predicción no son tan simples en la práctica. Es habitual que se necesite más de una variable
exógena para predecir con precisión la variable endógena.
Los modelos de regresión con más de una variable exógena se llaman modelos de regresión
múltiple.
Donde:
Y es la variable endógena
5.8.1. MULTICOLINEALIDAD
La multicolinealidad hace referencia a la relación lineal entre las variables exógenas. Sus efectos
sobre la estimación son inciertos dependiendo del grado de colinealidad de las variables exógenas y
de la importancia que estas tengan sobre la variable endógena. La presencia de multicolinealidad no
constituye un problema, el problema es el grado con que las variables están correlacionadas, y por
ende dificulta la interpretación de una variable exógena individual en la respuesta (endógena).
Para detectar la multicolinealidad no hacemos pruebas, lo que tenemos son unos indicadores
sobre la existencia de multicolinealidad. Algunos de estos indicadores son:
Donde:
Rj Coeficiente de determinación
1. Eliminar variables
En algunas ocasiones podemos estar interesados en unos parámetros más que en otros y, si existe
un elevado grado de multicolinealidad entre las variables que forman parte de la regresión, podemos
tratar de excluir una de ellas y estimar los parámetros correspondientes al resto. Sin embargo, puede
generar un error de especificación del modelo. No se debe eliminar una variable de un modelo
econométrico viable, sólo porque el problema de multicolinealidad sea grave.
Esta es una solución que a menudo se suele sugerir pero que, en numerosas ocasiones, no es
factible (porque para la estimación del modelo seguramente se habrá considerado todas las
observaciones disponibles para las variables) y que en otras no conduce a una eliminación o
reducción del problema, porque lo relevante no es el número de observaciones, sino el contenido
informativo de las mismas, si al añadir nuevas observaciones, en las mismas se sigue cumpliendo el
patrón de multicolinealidad.
5.8.2. HETEROSCEDASTICIDAD
5.8.3. AUTOCORRELACIÓN
Para explicar intuitivamente el uso del estadístico d conviene recordar que para muestras
grandes, la ecuación presentada equivale a:
Donde:
Por lo tanto, una regla práctica para contrastar, de forma aproximada, si existe autocorrelación
entre los residuos, consiste en calcular la muestra con la que estamos trabajando el estimado del
estadístico d y comprobar si está cercano a 2. Cuando el estadístico Durbin Watson es
significativamente distinto de 2 se concluirá que existe autocorrelación.
Para evitar las consecuencias de la autocorrelación caben distintas posibilidades, según el motivo
que lo genera. Una fuente muy habitual de generación a este problema se debe a una correcta
especificación del modelo. Tratando de evitarlo, el paso previo consiste en incluir en la
especificación determinadas variables y/o revisar la forma funcional del modelo.
Las técnicas cuantitativas de pronósticos con frecuencia implican datos de series de tiempo, se
desarrolló una notación matemática para referirse a cada periodo específico. La letra Y, se utiliza
para indicar una variable de serie de tiempo, a menos que haya más de una variable implicada. El
periodo asociado con una observación se muestra como un subíndice. Así, Yt se refiere al valor de
una serie de tiempo en el periodo t. La notación matemática también debe ser desarrollada para
distinguir entre un valor real de una serie de tiempo y un valor pronosticado. Se ha creado diversos
métodos para resumir los errores generados por una técnica de pronósticos específica. La mayoría
de estas medidas son el promedio de alguna función de la diferencia entre los valores reales y de
pronósticos. Estas diferencias se conocen como residuales. Residual o error de un pronóstico:
Donde:
Las operaciones fundamentales que tienen lugar comienzan con la preparación de la Materia
prima, los procesos a los que se les somete la fibra son los siguientes.
a. GARNETEADO
Todo el material que viene como desperdicio (Hilaza, retazos de tela, etc floca sucia) es
agrupado de acuerdo al color y llenado a una máquina GANETT compuesta de tres puertos que
contienen púas de acero permitiendo así el rasgado de la fibra, regenerándola en tres etapas.
Aquí se va eliminando las pajas y la fibras cortas por la parte de debajo de cada tambor.
b. MECHERA
El material garneteado o floca sucia es llevado a una Carda Mechera pequeña donde se procesa
mechas, en la cual se paraleliza las fibras, las limpia aún más eliminando pajas y objetos ajenos
a la fibra, a su vez formando un velo regular mediante la acción de las guarniciones o rodillos
con púas que giran junto a la misma, a la vez que se homogeniza el color.
El velo finalmente es reunido en una mecha cortada a manera de trozos denominándose a este
producto sliver cortado. Esta última operación es opcional dependiendo del tipo de hilado a
fabricar.
c. SALA DE MEZCLADO
La materia prima (sliver y/o mezclas de fibra) es aspirada por un sistema neumático hacia un
circuito de procesos mecánicos en lobo cardas y batidoras en donde se limpia impurezas, para
finalmente ingresar a la cámara rotativa donde se agrega el ensimaje (mezcla de agua y aceite
lubricantes, antiestáticos, cohesionantes, etc ) que permitirán la adherencia y deslizamiento
optimo en los procesos de fricción. Posteriormente la mezcla es deposita en celdas donde
reposaran antes de ingresar a las cardas.
d. CARDADO
La mezcla obtenida es llevada a las Cardas, las cuales abren desensortijan la fibra, eliminan
impurezas, paralelizan las fibras, el velo que forman al final es más regular y homogéneo. La
mecha obtenida debe tener un título o peso por metro lineal determinado, por lo tanto mientras
se van produciendo, se deben controlar en la balanza respectiva.
Por cada carda hay una "continua de hilar" que son unas máquinas semi-automatizadas donde se
obtienen bobinas de 300 g cada una. Estos conos son especiales ya que tienen que soportar altas
temperaturas. En esta máquina se le da torsión y tensión al hilado y entrega el hilo envuelto en
bobinas de plástico.
e. HILATURA
Con la finalidad de dar mayor resistencia a las mechillas, el proceso de hilado se realiza en las
maquinas Continuas las cuales someten a un último estiraje y torsión mediante la diferencia de
velocidades de alimentación de los rodillos que la aprisionan, obteniendo el hilo que es
enrollado en canillas o bobinas. En este punto hay un control del titulo y regularidad del hilado.
f. VAPORIZADO
Después del hilado en la continua, las bobinas son sometidas a una vaporización en una cámara
que está a una presión y temperatura determinadas, con el fin de eliminar las tensiones de
reacción a la torsión que sufre el hilo y que se manifiesta con el ensortijamiento del mismo
observada al salir de las continuas.
g. ENCONADO
En este proceso se lleva a cabo una purificación del hilo mediante la eliminación de impurezas
como son: hilos gruesos, cortos, sucios rotos.
El hilo de las bobinas es pasado a los conos mediante la operación del enconado en la máquina
denominada enconadura, la cual mediante un eje que gira a alta velocidad, hace girar varias
cabezas de conos, los cuales van enrollando el hilo de las bobinas.
Esta máquina es la encargada de pasar el hilo de los conos especiales a los conos de plástico y
de cartón.
h. RETORCIDO
El retorcido consiste en trenzar las hebras del hilado, produciéndose la torsión a dos o más hilos
entre si y se lleva a cabo en la maquina denominada retorcedura, la cual realiza esta operación
haciendo girar diferentes velocidades los cilindros que alimentan al hilado para el retorcido en
un determinado sentido y que lleva al final al hilado enrolladlo en bobinas o carrets.
i. RETORCIDO FANTASIA
El principio de este proceso es similar al retorcido, sin embargo la alimentación de varios hilos,
produce en un primer paso el efecto fantasía (bucle, botone, frise) y en un segundo pasaje el
amarre para evitar perdida del efecto generado. Este hilado fantasía, pasa a ser vaporizados y
enconados. Hay 1500 tipos de hilados fantasía.
Todo lo que ha sido producido en esta planta puede irse al almacén de productos terminados, o
puede pasar a ser materia prima para el proceso de telar o confección.
Observación directa
Es cuando se toma directamente los datos sin necesidad de realizar algún medio para obtener
información.
Donde
X media de la muestra
n tamaño de la muestra
Desviación estándar: Ayudará a medir la dispersión de los n datos con respecto a cada una
de las variables en estudio.
Coeficientes de Kurtosis: Es una medida que dice qué tan puntiaguda es la distribución de
probabilidad.
Luego de haber formado la base de datos y aplicado las técnicas de depuración se puede escoger
ya un modelo general con todas las variables existentes e influyentes a la producción de hilo
aplicando las técnicas de exploración de patrones de datos de series de tiempo, métodos de
modelación y pronósticos:
Una serie de tiempo consta de datos que reúnen, registran u observan sobre incrementos
sucesivos de tiempo. Se requiere un enfoque sistemático para analizarlas. A continuación se
presenta en la tabla1 una breve descripción sobre los patrones de series de tiempo
Una vez que disponemos de variables, algunas de las cuales pueden estar medidas de
diversas formas, se calculará la matriz de correlación para obtener una visión global
de las interrelaciones existentes entre las mismas. La matriz de correlación nos
indicará las variables que están más correlacionadas con la variable dependiente,
además la posible existencia de multicolinealidad entre las variables explicativas.
Las variables elegidas deben ser coherentes con la teoría económica que oriente la
formulación del modelo.
Los signos de los coeficientes deben responder al conocimiento teórico a priori.
El estadístico F y los estadísticos t deben rechazar las hipótesis nulas que cada test
contrasta.
El comportamiento de los residuos debe ser aleatorio para evaluar el modelo.
1. Establecimiento de hipótesis.
Generalmente se toman valores del orden 0.01, 0.05 ó 0.10 ó entre 0.01 y 0.10
5. Decisión estadística
Para tomar una decisión, se compara el valor de la estadística calculada con el valor crítico, o se
observa si este valor, cae en la región de aceptación o rechazo y luego dependiendo de esta
comparación se acepta o se rechaza la hipótesis nula Ho.
VARIABLE DESCRIPCIÓN
Estima la proyección esperada de hilos que se requiere en un
Producción de Hilos (Yi) año dado, en libras.
Variable Dependiente
Materia Prima Indica la materia prima que se utiliza para la producción de hilos
(MP) expresado en Libras.
Materia Prima Perdida Indica la materia prima que se pierde para la producción de hilos
(MPP) expresado en Libras.
Costo de Insumos Indica el costo de los insumos para la producción de hilos en
(CI) Dólares .
Costo de Materia Prima Indica, el costo de materia prima para la producción de hilos,
(CMP) medida en Dólares
Mano de Obra Representa el costo realizado en la mano de obra del personal en
(MO) la empresa medida en Dólares
Piola Plástica
Representa la cantidad de piolas plásticas medidas en libras
(PP)
Producción
Y 2241
3246
3675
4160
4272
4492
4955
5023
5045
5070
5119
5143
5241
5253
5303
5318
5392
5404
5465
5605
5967
5980
6091
6098
6352
6501
6524
6530
6687
6892
7076
7457
8005
8023
9101
9753
Estadísticas de la regresión
Coeficiente de correlación 0,99178973
múltiple
Coeficiente de determinación 0,98364687
R^2
R^2 ajustado 0,98026346
Error típico 212,507869
Observaciones 36
Coeficient
Valor
e
β1 -1011,89301
β2 0,37294254
β3 -0,14141789
β4 0,09978759
β5 0,46687005
β6 0,04682122
β7 0,03671559
Donde:
Y: producción.
MP: materia prima.
MPP: materia prima perdida.
CI: costo de insumos.
CMP: costo de materia prima.
MO: mano de obra.
PP: piola plástica.
Bondad de ajuste
Estadísticas de la regresión
Coeficiente de correlación 0,99178973
múltiple
Coeficiente de determinación 0,98364687
R^2
R^2 ajustado 0,98026346
Error típico 212,507869
Observaciones 36
H 0 : βi =0
H a : βi ≠ 0
β i −1011.89301
tc = = =−1.8429
σ 549.0528
Para β 2:
β i 0.3729
tc = = =4.0621
σ 0.0918
Para β 3:
β i −0.1414
tc = = =−0.7024
σ 0.2013
Para β 4 :
β i 0.09978
tc = = =0.2113
σ 0.4723
Para β 5:
β i 0.4668
tc = = =2.3786
σ 0.1963
Para β 6:
β i 0.0468
tc = = =0.2054
σ 0.2278
Para β 7:
β i 0.0367
tc = = =0.5725
σ 0.0641
t α n −k =t 0.0536−7=t 0.02529=2.0542
2 2
Se acepta para: β 1, β 3, β 4 , β 6, β 7
De rechaza para: β 2, β 5
iv. Conclusiones
i. Planteamiento de la hipótesis
H 0 : β1 =β2 =β3 =β 4=β 5= β6 =β 7=0
H a : β 1 ≠ β2 ≠ β3 ≠ β 4 ≠ β 5 ≠ β 6 ≠ β 7 ≠ 0
F C =290.7268
iv. Conclusiones
A un nivel de significancia de 0.05se rechaza la hipótesis inicial por lo tanto, son
globalmente significativos.
Conclusiones
MULTICOLINEALIDAD
Para las pruebas pertinentes hallaremos las regresiones auxiliares.
TEST DE THEIL
Esta medida refleja la diferencia entre la variabilidad explicada por el modelo
completo y la suma de cada una de las aportaciones de los regresores del modelo.
Regresiones Auxiliares:
Sin “MP”:
Estadísticas de la regresión
Coeficiente de correlación
múltiple 0,9870878
Coeficiente de determinación R^2 0,97434233
R^2 ajustado 0,97006605
Error típico 261,710771
Observaciones 36
Coeficientes Error típico Estadístico t
Intercepción 824,085136 383,897239 2,14662949
MPP 0,28269602 0,21199015 1,33353375
CI -0,48067483 0,55435161 -0,86709378
CMP 1,05316167 0,16380764 6,42925842
MO 0,38972081 0,26066095 1,49512539
PP -0,14025646 0,05794499 -2,42051063
Sin “MPP”:
Estadísticas de la regresión
Coeficiente de correlación
múltiple 0,99164945
Coeficiente de determinación R^2 0,98336863
R^2 ajustado 0,98059674
Error típico 210,706018
Observaciones 36
Coeficientes Error típico Estadístico t
Intercepción -763,541545 416,505534 -1,83320864
MP 0,33949666 0,0778341 4,36179857
CI -0,15246275 0,30412336 -0,50131877
CMP 0,50711633 0,18613516 2,72445211
MO -0,00527021 0,21363659 -0,02466902
PP 0,01214279 0,05328572 0,22788067
Sin “CI”:
Estadísticas de la regresión
Coeficiente de correlación
múltiple 0,99177704
Coeficiente de determinación R^2 0,9836217
R^2 ajustado 0,98089198
Error típico 209,096819
Observaciones 36
Coeficientes Error típico Estadístico t
Intercepción -990,806042 531,240314 -1,86508067
MP 0,36707276 0,08610289 4,26318731
MPP -0,10907198 0,12865539 -0,84778401
CMP 0,48639879 0,17037333 2,85489987
MO 0,04351695 0,22368204 0,19454825
PP 0,03025452 0,05545878 0,54553157
Sin “CMP”:
Estadísticas de la regresión
Coeficiente de correlación
múltiple 0,99017996
Coeficiente de determinación R^2 0,98045635
R^2 ajustado 0,97719907
Error típico 228,410379
Observaciones 36
Coeficientes Error típico Estadístico t
Intercepción -1362,47926 568,479182 -2,39670915
MP 0,53353553 0,06687408 7,97821155
MPP -0,28120862 0,20696544 -1,3587226
CI 0,6287676 0,44780899 1,40409775
MO -0,1490544 0,22836797 -0,65269399
PP 0,15968208 0,04077871 3,91581991
Sin “MO”:
Estadísticas de la regresión
Coeficiente de correlación
múltiple 0,99177773
Coeficiente de determinación R^2 0,98362306
R^2 ajustado 0,98089357
Error típico 209,088089
Observaciones 36
Coeficientes Error típico Estadístico t
Intercepción -1015,25967 539,976578 -1,88019206
MP 0,37993117 0,0839065 4,5280302
MPP -0,12795524 0,18730141 -0,6831515
CI 0,09312793 0,46357319 0,20089153
CMP 0,45229561 0,18006578 2,51183539
PP 0,03803607 0,06277447 0,60591617
Sin “PP”:
Estadísticas de la regresión
Coeficiente de correlación 0,99169653
múltiple
Coeficiente de determinación R^2 0,983462
R^2 ajustado 0,98070567
Error típico 210,11372
Observaciones 36
Coeficientes Error típico Estadístico t
Intercepción -890,877694 501,033893 -1,7780787
MP 0,33722652 0,06660757 5,06288548
MPP -0,07853205 0,16682624 -0,47074159
CI -0,02916051 0,41043621 -0,07104759
CMP 0,55747092 0,11482002 4,85517194
MO 0,05989696 0,22416675 0,26719825
REGRESIONES AUXILIARES
Ctte. MP MPP CI CMP MO PP R2
-
Y(MP) 824,0851 - 0,2827 1,0532 0,3897 -0,1403 0,9701
0,4807
- -
Y(MPP) -763,5415 0,3395 - 0,5071 0,0121 0,9806
0,1525 0,0053
Y(CI) -990,8060 0,3671 -0,1091 - 0,4864 0,0435 0,0303 0,9809
-
Y(CMP) -1362,4793 0,5335 -0,2812 0,6288 - 0,1597 0,9772
0,1491
Y(MO) -1015,2597 0,3799 -0,1280 0,0931 0,4523 - 0,0380 0,9809
-
Y(PP) -890,8777 0,3372 -0,0785 0,5575 0,0599 - 0,9807
0,0292
K
m=R 2−∑ ( R 2−R2J )
J=2
∆ MP=0,98026346−0,970066=0,010197
∆ MPP=0,98026346−0,980597=−0,000333
∆ CI =0,98026346−0,980892=−0,000629
∆ CMP=0,98026346−0,977199=0,003064
∆ MO=0,98026346−0,980894=−0,000630
∆ PP=0,98026346−0,980706=−0,000442
K
∑ ( R2−R 2J )=0,39427801
J =2
m=0,98026346−0,39427801=0.586
FARRAR GLAUBER
MP MPP CI CMP MO PP
MP 1
0,9739971
MPP 1
5
0,9600055 0,9831926
CI 1
6 7
CM 0,9502580 0,9551209
0,9535812 1
P 1 9
0,9197754 0,9225458 0,8913093 0,8353723
MO 1
8 7 5 8
0,7920705 0,8252293 0,9075875 0,7107918
PP 0,8499212 1
5 4 9 4
Planteamiento de hipótesis
H 0 :|Rx|=1
H a :|Rx|≠ 1
Estadístico calculado
2 k +5
(
FGc=− n−1−
6 )∗ln (|Rx|)
2∗7+ 5
FGc=− 36−1− ( 6 )
∗ln ( 0,000000997 )
FGc=439,8894
Estadístico de tablas
Gráfica de distribución
2 2 Chi-cuadrada; df=28
X 7∗(7+1 ) =X 28,0.05 =41,3371 0,06
,0.05
2
0,05
Contrastación
0,04
Se rechaza Ho.
Densidad
0,03
0,02
0,01
0,05
0,00
41,34
X
Conclusión
REGRESIONES AUXILIARES
Ctte. MP MPP CI CMP MO PP R2
MP 4922,9517 - 1,1372 -1,5564 1,5721 0,9194 -0,4745 0,975669
-
0,2365 1,7837 -0,2846 0,3684 0,1738 0,986029
MPP 1756,1531 -
1
FAV ( β 2 )= =41,0998315
1−0,975669
1
FAV ( β 3 )= =71,5768377
1−0,986029
1
FAV ( β 4 )= =36,5363537
1−0,972630
1
FAV ( β 5 )= =42,5767446
1−0,976513
1
FAV ( β 6 )= =8,50506477
1−0,882423
1
FAV ( β 7 )= =11,1109877
1−0,909999
Y Yest e e2
224
2796,4319 -555,4319 308504,5955
1
324
3180,3618 65,6382 4308,373299
6
367
3614,1575 60,8425 3701,809806
5
416
3767,1344 392,8656 154343,3797
0
427
4419,2467 -147,2467 21681,59066
2
449
4463,4312 28,5688 816,1763334
2
495
4531,7343 423,2657 179153,8528
5
502
4822,1773 200,8227 40329,75684
3
504
4963,9347 81,0653 6571,582864
5
507
4989,0508 80,9492 6552,772981
0
511
5206,2375 -87,2375 7610,381406
9
514
5238,5653 -95,5653 9132,726564
3
524
5300,4311 -59,4311 3532,055647
1
525
5273,2137 -20,2137 408,5936677
3
530
5328,4761 -25,4761 649,0316712
3
531
5347,9745 -29,9745 898,4706503
8
539
5416,4874 -24,4874 599,6327588
2
540
5688,2117 -284,2117 80776,29042
4
546
5703,2409 -238,2409 56758,72643
5
560
5776,6632 -171,6632 29468,25423
5
596
5844,8921 122,1079 14910,33924
7
598
5926,6440 53,3560 2846,862736
0
609
5946,2398 144,7602 20955,5155
1
609
6210,2284 -112,2284 12595,21377
8
635
6250,3128 101,6872 10340,28664
2
650
6300,4454 200,5546 40222,14758
1
652
6426,5123 97,4877 9503,851651
4
653
6628,0484 -98,0484 9613,488743
0
668
6753,0383 -66,0383 4361,057067
7
689
6917,8273 -25,8273 667,0494253
2
707
7249,7235 -173,7235 30179,85445
6
745
7503,7845 -46,7845 2188,78944
7
800
7568,0995 436,9005 190882,0469
5
802
8153,8270 -130,8270 17115,70393
3
910
9251,7686 -150,7686 22731,17075
1
975
9684,2665 68,7335 4724,294022
3
GRÁFICO e Vs YEST:
600
400
200
0
0 5 10 15 20 25 30 35 40
e
-200
-400
-600
-800
Yest
GRÁFICO e2 Vs YEST:
350000
300000
250000
200000
e2
150000
100000
50000
0
0 5 10 15 20 25 30 35 40
Yest
Se observa que la dispersión sigue un comportamiento sistemático por lo que se tiene problemas
de heterocedasticidad.
PRUEBA DE WHITE
Estadísticas de la regresión
Coeficiente de correlación múltiple 0,610639
Coeficiente de determinación R^2 0,372880
R^2 ajustado 0,243131
Error típico 58336,984871
Observaciones 36,000000
Coeficientes Error típico Estadístico t
Intercepción 570504,5107 150724,2295 3,7851
MP -70,3893 25,2037 -2,7928
MPP 49,7687 55,2670 0,9005
CI 69,2125 129,6457 0,5339
CMP 20,3630 53,8810 0,3779
MO 76,1031 62,5537 1,2166
PP -1,2767 17,6031 -0,0725
e 2=570504,5107−70,3893∗MP+ 49,7687∗MP+69,2125∗C+20,3630∗CMP+76,1031∗MO−1,2767∗PP
Prueba de hipótesis
H 0 : E ( u2i ) =σ 2u
H a : E ( u2i ) =σ 2i
Estadístico de prueba
Donde:
U c =n∗R 2aux =36∗0,243131=8,752716
Estadístico teórico
x 26,0.05=12.5916
Contraste:
2
Como Uc< x 6,0.05 se acepta la Hipótesis nula
Conclusión:
A un nivel de confianza del 95%, se Acepta la Ho, por lo que no se tienen problemas de
heterocedasticidad.
Donde et:
e t =Y −Y̌
Donde:
Método grafico
et vs et-1
600
400
200
0
-800 -600 -400 -200 0 200 400 600
-200
-400
-600
-800
Graficando e t vs e t−1
Como no existe una región definida de los valores, esto nos indica que no existe auto-correlación.
Contraste Durbin-Watson
∑ e t2=1309635,73
∑ ( e t −e t−1 )2=2058802,48
i. Planteamiento de hipótesis
H 0 : ρ=0 No existe autocorrelacion
H a : ρ ≠0 Existe autocorrelacion
∑ ( e t −et −1 )2 1309635,73
DW = =
∑ et 2
2058802,48
DW =1.572
Donde:
n=36
α=0.05
d L=1.114
d U =1.877
iv. Contraste
d L <d < dU
El test no es decisivo
v. Conclusiones
REGRESIONES AUXILIARES
∆ R 2=R2GLOBAL−R 2AUX
R2GLOBAL =0,980597
16. CONCLUSIONES
i. Bondad de ajuste
El valor de R2 es muy elevado tiende a 1, indica presencia de multicolinealidad.
ii. Pruebas de significación individual y global
Existen pocas razones t significativa, por lo que individualmente no son
significativas.
El modelo es globalmente significativo.
iii. Multicolinealidad
TEST DE THEIL. - La teoría indica que si nuestro m=>1 se considera no optimo,
ya que el nuestro nos dio 0,586 , podemos considerarlo un valor no óptimo y que es
posible que exista multicolinealidad.
FARRA GLAUBER. - Basados en los resultados, nuestros cálculos caen en la
región de rechazo, por lo tanto, se concluye que existe multicolinealidad, aceptando
la hipótesis nula.
FACTOR DE AGRANDAMIENTO DE LA VARIANZA. - Ya que nuestros FAV
es mayor a 10, se concluye que existe multicolinealidad.
iv. Heterocedasticidad
Contraste gráfico. - La dispersión de la gráfica ei vs Yi nos muestra un
comportamiento sistemático por lo que la existencia de heterocedasticidad es muy
probable.
Prueba de White. – Analizando los resultados previos, se concluye que no existe
heterocedasticidad.
v. Autocorrelacion
Método grafico.-al graficar las variables e, et, no presentaba una función de
autocorrelacion.
Prueba de Durbi-Watson.- el valor d (1.572) está entre los valores de dl(1.114) y
du(1.877) por lo que no podemos tomar en cuenta este contraste. Concluimos en
que no existe auto-correlación.
17. RECOMENDACIONES
18. BIBLIOGRAFIA
ALLEN, L., Estadística Aplicada de los Negocios y la Economía., 2da ed., Madrid-España.,
McGraw-Hill., 2000., Pp. 30-74.
CANAVOS, G., Análisis de Regresión., 4ta ed., México- D.F. México., McGraw-Hill.,
1999., Pp. 25-43.
CONGACHA J., ESTADÌSTICA APLICADA A LA EDUCACIÒN., 1era., Madrid-
España., LAP LAMBERT., 2012., Pp.30-79.
DAMODAR N, GUJARATI, DAWN C., Econometría. 5ta ed., Madrid-España., McGraw-
Hill., 2010., Pp. 20-98.
GLYN G., Matemática Avanzada para Ingeniería., 2da ed., México-D.F. México., Pearson
Educación., 2002., Pp. 43-51.
JOHN E. HANKE., Pronósticos en los Negocios., 9na ed., México-D.F. México., Pearson
Educación., 2008., Pp. 20-307.
MONTGOMERY, Douglas C, RUNGER G., Probabilidad y Estadística Aplicada a la
Ingeniería., 2ª ed., Madrid-España., McGraw-Hill., 2003., Pp. 90-100.
PINDYCK, R., Econometría, 8. -PINDYCK, R., Econometría, Modelos y Pronósticos., 4ta
ed., México-D.F. México., McGraw-Hill., 2001., Pp.103-204.
PULIDO A. PERZ.J., Modelos Econométricos con Eviews., 5ta ed., México- DF. México.,
Pearson Educación., 2005.
WEBSTER L., Estadística Aplicada a los Negocios y la Economía., 3ra ed., Bogotá-
Colombia., Camargo., 2002., Pp.33-41 BIBLIOGRAFÌA DE INTERNET
ESTADÍSTICOS DESCRIPTIVOS
http://www.fca.unam.mx/docs/apuntes_matematicas/34.%20Estadistica20%Descriptiva.pdf
2012/05/15
ANÁLISIS EXPLORATORIOS DE DATOS
http://www.fisterra.com/mbe/investiga/10descriptiva/10descriptiva.asp 2012/08/05.
ANÁLISIS ESTADÍSTICO UNIDIMENSIONAL
http://www.tuveras.com/estadistica/estadistica02.htm 2012/08/13.
SERIES DE TIEMPO http://www.dii.uchile.cl/~ris/RISXXIII/Buschiazo89.pdfseries
detiempo 2012/09/05.
MODELOS ECONOMÉTRICOS
http://www.econometricos.com.ar/wpcontent/uploads/2007/12/Espaciode-Estado-2004.pdf
2012/10/12.
MODELOS ECONÓMICOS
http://www.secmca.org/INVESTIGACIONES_ECONOMICAS/InvestigacionesSECMCA/
ModeloEconometricoCrecimientoEconomicoInflacionCAR D.pdf 11/10/2012.
COMPONENTES DE UN MODELO ECONOMÉTRICO
http://www.fca.uach.mx/Documentos/Guias/modeloseconometricos.pdf 2012/10/13.
PRODUCCIÓN DE HILO http://www.redtextilargentina.com.ar/index.php/hilos/h-
produccion 2013/01/20.
OPTIMIZACIÓN DE RECURSOS
http://www.itecam.edu.mx/principal/sylabus/fpdb/recursos/r5300.PDF 2013/02/23.
ORGANIZACIÓN SALINAS
http://www.agriculturesnetwork.org/magazines/latin-america/mas-que-eldinero/la-
experiencia-de-desarrollo-de-salinas-de 2013/02/26.