Sugerencia desarrollo puntos prácticos

4. Resolver los ejercicios de Gujarati (2009): 10.29 y 10.33, del modelo general
de ambos ejercicios (para el 10.29 el loglineal eliminando la multicolinealidad
y para el 10.33 el modelo lineal con todas las variables), obtener los errores de
estimación y realizar los análisis de heterocedasticidad y de autocorrelación.

10.29. La tabla 10.14 proporciona información sobre los automóviles de

pasajeros nuevos vendidos en Estados Unidos como función de diversas
variables.
a) Desarrolle un modelo lineal o log-lineal apropiado para estimar una función
de demanda de automóviles en Estados Unidos.

Para el desarrollo de este punto es recomendable realizar el modelo log-lineal,

para tal caso deben generar la variable dependiente en logaritmos. Corran la
regresión con todas las variables independientes.

b) Si decide incluir todas las regresoras dadas en la tabla como variables

explicativas, ¿espera encontrar el problema de multicolinealidad? ¿Por qué?

En las lecturas sugeridas encontramos el concepto de multicolinealidad como

la existencia de correlación entre las variables independientes, para este caso es
importante determinar si esas variables planteadas en la tabla presentan algún
tipo de relación (de manera intuitiva)

c) Si espera lo anterior, ¿cómo resolvería el problema? Plantee los supuestos

claramente y muestre todos los cálculos de manera explícita.

Lo primero es establecer si intuitivamente creemos que hay correlación entre

las variables independientes. Posteriormente les sugiero plantear la matriz de
correlaciones para contrastar lo que se definió de manera intuitiva. Para corregir
la Multicolinealidad el texto indica que una manera (no muy acertada) es omitir
variables que tengan alta correlación, sin embargo, lo mejor es aplicar la prueba
de Vector de Inflación de Varianza (VIF) que nos indica por medio de unos
vectores, que variables podemos omitir (efectivamente) en el modelo para
corregir la multicolinealidad. Esta prueba nos establece un límite aproximado,
indicando que aquella variable con vector por encima de 10 puntos debe ser
omitida. En el tema de validación de este supuesto, se aplica la prueba y error,
es decir, que vamos omitiendo variables con alta correlación o con VIF superior
a 10 para ir ajustando el modelo.

10.33. Datos Longley actualizados. Ampliamos los datos de la sección 10.10

para incluir observaciones de 1959-2005. Los nuevos datos aparecen en la tabla
10.17. Los datos se relacionan con
Y _ número de personas empleadas, en millares;
X1 _ defl actor de precios implícito del PNB;
X2 _ PNB, millones de dólares;
X3 _ número de personas desempleadas, en millares;
X4 _ número de personas en las fuerzas armadas, en millares;
X5 _ población no institucionalizada mayor de 16 años,
X6 _ año, igual a 1 en 1959, 2 en 1960 y 47 en 2005.

a) Trace diagramas de dispersión, como se indica en el capítulo, para evaluar

las relaciones entre las variables independientes. ¿Hay relaciones fuertes?
¿Parecen lineales?

En este caso se pueden realizar dos procedimientos, el primero es que generen

gráficos de dispersión para cada una de las variables independientes respecto de
la dependiente y entre ellas mismas (Este proceso demoraría bastante tiempo en
realizar), sin embargo, como pide evaluar todas las relaciones de dispersión lo
que es más efectivo es generar una matriz que contenga los diagramas de
dispersión.

b) Elabore una matriz de correlación. ¿Qué variables parecen relacionarse más

ente sí, sin incluir la dependiente?

En este caso deben aplicar el comando de correlación e incluir cada una de las
variables independientes.
c) Ejecute una regresión estándar de MCO para pronosticar el número de
personas empleadas en millares. ¿Los coeficientes de las variables
independientes se comportan como esperaría?

Aquí se debe emplear un modelo de regresión lineal-lineal partiendo de la

intuición para definir las variables y posterior mente revisar los coeficientes.

d) Con base en los resultados anteriores, ¿cree que estos datos sufren de
multicolinealidad?
Nuevamente parten de la intuición para definir si el modelo tiene
multicolinealidad y aplican en estos casos las pruebas o técnicas (matriz de
correlación y prueba VIF) que permitan dar una respuesta acertada.

Comandos a utilizar en el desarrollo de los puntos

Gen (Generar variables)
Cor (Permite realizar correlaciones)
Reg (Generar regresiones)
Vif (Prueba de Vectores Inflacionarios de Varianza)
graph matrix (Grafica matrices de Diagramas de dispersión)
sum (Genera estadísticas de la base de datos)
des (Describe la base de datos)