Marco Teorico

FICHA DE
Titulo Software de Modelización Econométrico. Guía Introductoria
Autor Nombres Y Apellidos Código De Estudiante
Fecha
Carrera Ingeniería Comercial
Asignatura Econometría
Grupo “A”
Docente Ing. David Eduardo Ramos Alcázar
´Periodo Académico I/2020
Subsede La Paz
Copyright © 2020 por NOMBRE. Todos los derechos reservados

Titulo: Software de Modelización Econométrico. Guía Introductoria
Autor:
Resumen
El presente proyecto de Software para modernización econométrica nos muestra un programa

que nos ayudará a realizar regresiones lineales de manera sencilla.
El programa E-views permite no solo trasmitir el uso de un software, sino también acceder
libremente a un programa de alta calidad. Por otra parte, la transparencia en la construcción
de Eviews permite un mayor control del proceso de generación de conocimiento por parte de
los usuarios.
En el desarrollo del proyecto el área que tiene más importancia y con el cual se trabaja es de
Econometría basándonos en los conceptos se intentan aplicar una regresión lineal.
Cuando se aplica este software a un problema podremos observar variables, datos, resultados
y funciones que nos permitirán encontrar un análisis y representaciones gráficas para
Palabras Clave: software, regresión, análisis, E-views

TABLA DE CONTENIDO
Abstract:
This software project for econometric modernization shows us a program that will help us to
perform linear regressions in a simple way.
The E-views program allows not only to transmit the use of software, but also to freely
access a high-quality program. On the other hand, transparency in the construction of E-
views allows greater control of the process of knowledge generation by users.
In the development of the project the area that is most important and with which one works is
Econometrics based on the concepts, we try to apply a linear regression.
When this software is applied to a problem, we can observe variables, data, results and
functions that will allow us to find an analysis and graphical representations to select the best
option
Key Words: software, regression, analysis, E-views

Asignatura: Econometría
Carrera: Ingeniería Comercial
Autor:
Capítulo I. Introducción 7
Capítulo II. Marco Teórico 8
2.1. Generalidades 8
2.2. Conceptos básicos de estadística 8
2.1.2.1 Muestreo 8
2.1.2.2 Resumen de información 9
2.1.2.3 Estadígrafos 15
2.1.2.4 Distribución normal 17
2.1.3 Regresión lineal simple 18
2.2.4 Regresión lineal múltiple 20
2.2 Guía de usuario E-views 21
2.3 Ingreso de datos 23
2.4 Operación 24
Capítulo III. Definición Del Problema 27
Capítulo IV. Objetivos 27
4.1. Objetivo General 27
4.2. Objetivos Específicos 27
Capítulo V. Marco Práctico 28
5.1 Interfaz 28
5.2 Ingreso de datos 30
5.3 Operación 32
Autor:
Capítulo VI. Conclusiones 33
Capítulo VII. Recomendaciones 33

Autor:
INDICE DE FIGURAS
No se encuentran elementos de tabla de ilustraciones.

Autor:
INDICE DE TABLAS

Autor:
INDICE DE ECUACIONES

Autor:
Capítulo I. Introducción
La econometría es una disciplina que aplica y hace un uso amplio de la teoría económica,
matemáticas e inferencia estadística a través de datos y modelos para el análisis cuantitativo,
explicación y validación de las relaciones y fenómenos económicos y para la interpretación
de los pronósticos sobre el comportamiento de variables económicas importantes como es el
precio de bienes y servicios, tasas de interés, tipo de cambio y otros. Es por ello que es
admisible decir que la econometría expresa las teorías económicas en términos matemáticos
para verificarlas por métodos estadísticos y así para medir el impacto de una variable sobre
otra, así como para predecir sucesos futuros y determinar políticas económicas para un
resultado.
Un modelo econométrico es una representación estadística o matemática simplificada de la
relación de dos o más variables y sus predicciones de las mismas las cuales permiten
estimaciones empíricas o experimentales. La razón por la cual se utilizan modelos en la
econometría es debido a que:
● Se necesita representar a todos los elementos que incidirán en el estudio.
● Se necesita explicar el comportamiento de una o varias variables en función de otras,
contrastando y cuantificando teorías.
● Se necesita para predecir el comportamiento de las variables y el efecto que tendrá en
las otras variables que las afectan.
8
Autor:
Capítulo II. Marco Teórico
2.1. Generalidades
La econometría es una disciplina que aplica y hace un uso amplio de la teoría económica,
matemáticas e inferencia estadística a través de datos y modelos para el análisis cuantitativo,
explicación y validación de las relaciones y fenómenos económicos y para la interpretación
de los pronósticos sobre el comportamiento de variables económicas importantes como es el
precio de bienes y servicios, tasas de interés, tipo de cambio y otros. Es por ello que es
admisible decir que la econometría expresa las teorías económicas en términos matemáticos
para verificarlas por métodos estadísticos y así para medir el impacto de una variable sobre
otra, así como para predecir sucesos futuros y determinar políticas económicas para un
resultado.
Un modelo econométrico es una representación estadística o matemática simplificada de la

relación de dos o más variables y sus predicciones de las mismas las cuales permiten
estimaciones empíricas o experimentales. La razón por la cual se utilizan modelos en la
econometría es debido a que:
 Se necesita representar a todos los elementos que incidirán en el estudio.

 Se necesita explicar el comportamiento de una o varias variables en función de
otras, contrastando y cuantificando teorías.
 Se necesita para predecir el comportamiento de las variables y el efecto que
tendrá en las otras variables que las afectan.
2.2. Conceptos básicos de estadística
2.1.2.1 Muestreo
Muestra aleatoria los miembros de la población se seleccionan de forma que cada miembro
individual tenga la misma posibilidad de ser elegido.
Muestra aleatoria simple de n sujetos se selecciona de manera que cada posible muestra del
mismo tamaño n tenga la misma posibilidad de ser elegida.
9
Autor:
Una muestra probabilística implica seleccionar miembros de una población de forma que
cada miembro tenga una posibilidad conocida (aunque no necesariamente la misma) de ser
elegido
En el muestreo sistemático, elegimos algún punto de partida y luego seleccionamos cada

késimo (por ejemplo, cada quincuagésimo) elemento en la población.
El muestreo de conveniencia, simplemente se utilizan resultados que sean muy fáciles de

obtener. En el muestreo estratificado subdividimos a la población en al menos dos subgrupos
(o estratos) diferentes, de manera que los sujetos que pertenecen al mismo subgrupo
compartan las mismas características (como el género o la categoría de edad), y luego
obtenemos una muestra de cada subgrupo (o estrato).
En el muestreo por conglomerados primero dividimos el área de la población en secciones

(o conglomerados), y luego elegimos al azar algunos de estos conglomerados, y después
elegimos a todos los miembros de los conglomerados seleccionados.
PAG 62,63
2.1.2.2 Resumen de información
Los límites de clase inferiores son las cifras más pequeñas que pueden pertenecer a las
diferentes clases. (Los límites de clase inferiores de la tabla 2-2 son 21, 31, 41, 51, 61 y 71).
Los límites de clase superiores son las cifras más grandes que pueden pertenecer a las
diferentes clases. (Los límites de clase superiores de la tabla 2-2 son 30, 40, 50, 60, 70 y 80).
Las fronteras de clase son las cifras que se utilizan para separar las clases, pero sin los
espacios creados por los límites de clase. En la figura 2-1 se muestran los espacios creados
por los límites de clases de la tabla 2-2. En la figura 2-1 se percibe con facilidad que los
valores 30.5, 40.5, . . . , 70.5 están en el centro de esos espacios, y a tales cifras se les conoce
como fronteras de clase. Las dos fronteras de clase desconocidas (que en la figura 2-1 se
indican con signos de interrogación) se identifican fácilmente al seguir el patrón establecido
por las otras fronteras de clase de 30.5, 40.5, . . . , 70.5. La frontera de clase inferior es 20.5, y
la frontera de clase superior es 80.5. Por lo tanto, la lista completa de las fronteras de clase es
20.5, 30.5, 40.5, 50.5, 60.5, 70.5 y 80.5. Las fronteras de clase serán muy útiles en la
siguiente sección, cuando elaboremos una gráfica llamada histograma. Las marcas de clase
10
Autor:
son los puntos medios de las clases. (Las marcas de clase de la tabla 2-2 son 25.5, 35.5, 45.5,
55.5, 65.5 y 75.5).
Las marcas de clase se calculan sumando el límite de clase inferior con el límite de clase
superior, y dividiendo la suma entre 2.
La anchura de clase es la diferencia entre dos límites de clase inferiores consecutivos o dos
fronteras de clase inferiores consecutivas. (La anchura de clase de los datos de la tabla 2-2 es
10).
Pag 79
Distribución de frecuencias relativas
Una variante importante de la distribución básica de frecuencias utiliza las frecuencias

relativas, que se obtienen fácilmente dividiendo cada frecuencia de clase entre el total de
frecuencias.
Una distribución de frecuencias relativas incluye los mismos límites de clase que una
distribución de frecuencias, pero utiliza las frecuencias relativas en vez de las frecuencias
reales. Las frecuencias relativas en ocasiones se expresan como porcentajes.
Distribución de las frecuencias relativas de

las edades
Edad Frecuencia relativa
21–30 37%
31–40 39%
41–50 16%
51–60 3%
61–70 3%
71–80 3%
Tabla 1
Distribución de frecuencias acumulativas
Otra variante de la distribución de frecuencias estándar se utiliza cuando se bus- can totales
acumulativos. La frecuencia acumulativa de una clase es la suma de las frecuencias para esa
clase y todas las clases anteriores. La tabla 2-4 presenta la distribución de frecuencias
acumulativas basada en la distribución de frecuencias de la tabla 2-2. Con el uso de las
frecuencias originales de 28, 30, 12, 2, 2 y 2, sumamos 28 + 30 para obtener la segunda
11
Autor:
frecuencia acumulativa de 58; luego, sumamos 28 + 30 + 12 = 70 para obtener la tercera, y
así sucesivamente. En la tabla 2-4 se observa que, además del uso de las frecuencias
acumulativas, los límites de clase son reemplazados por expresiones como “menor que”, las
cuales describen el nuevo intervalo de valores. PAG 81,82
Distribución de las frecuencias acumulativas de

las edades
Edad Frecuencia acumulativa
menor de 31 28
menor de 41 58
menor de 51 70
menor de 61 72
menor de 71 74
menor de 81 7
TABLA 2
Un histograma es una gráfica de barras donde la escala horizontal representa clases de

valores de datos y la escala vertical representa frecuencias. Las alturas de las barras
corresponden a los valores de frecuencia; en tanto que las barras se dibujan de manera
adyacente (sin huecos entre sí).
ILUSTRACION1
El centro de las barras correspondientes. El uso de los valores de la marca de clase es muy
común en los programas de cómputo que generan histogramas de manera automática.
Escala horizontal: Utilice las fronteras de clase o las marcas de clase.
Escala vertical: Utilice las frecuencias de clase.
Pag 87,88
12
Autor:
Polígono de frecuencias
Un polígono de frecuencias utiliza segmentos lineales conectados a puntos que se localizan

directamente por encima de los valores de las marcas de clase.
Una variante del polígono de frecuencias básico es el polígono de frecuencias relativas, que
coloca a estas últimas en la escala vertical. Al tratar de comparar dos conjuntos de datos, a
menudo es muy útil graficar dos polígonos de frecuencias relativas sobre los mismos ejes.
Ilustración
Ojiva
Una ojiva es una gráfica lineal que representa frecuencias acumulativas, de la misma forma
que la distribución de frecuencias acumulativas
13
Autor:
Gráficas de puntos
Una gráfica de puntos es aquella donde se marca cada valor de un dato como un punto a lo
largo de una escala de valores. Los puntos que representan valores iguales se apilan
Gráficas de tallo y hojas
Una gráfica de tallo y hojas representa datos que separan cada valor en dos partes: el tallo (el
dígito ubicado en el extremo izquierdo) y la hoja (el dígito del extremo derecho).
Gráfica de Pareto
Es una gráfica de barras para datos cualitativos, donde las barras se ordenan de acuerdo con
las frecuencias. Las escalas verticales de las gráficas de Pareto representan tanto frecuencias
como frecuencias relativas. La barra más alta se coloca a la izquierda y las más pequeñas a la
derecha. Al ordenar las barras por frecuencias, esta gráfica enfoca la atención en las
categorías más importantes.
14
Autor:
Gráfica circular
Que presenta datos cualitativos como si fueran rebanadas de un pastel
Diagramas de dispersión
Un diagrama de dispersión es una gráfica de datos apareados (x, y), con un eje x horizontal y
un eje y vertical. Los datos se aparean de tal forma que cada valor de un conjunto de datos
corresponde a un valor de un segundo conjunto de datos. Para elaborar manualmente un
diagrama de dispersión, construya un eje horizontal para los valores de la primera variable,
construya un eje vertical para los valores de la segunda variable y después grafique los
puntos. El patrón de los puntos graficados suele ser útil para determinar si existe alguna
relación entre las dos variables
15
Autor:
2.1.2.3 Estadígrafos
Medidas de tendencia central
Una medida de tendencia central es un valor que se encuentra en el centro o a la mitad de un

conjunto de datos.
Media La media (aritmética), por lo general, es la medida numérica más importante que se
utiliza para describir datos; comúnmente se le conoce como promedio
La media aritmética de un conjunto de valores es la medida de tendencia central que se

calcula al sumar los valores y dividir el total entre el número de valores. Esta medida de
tendencia central se utilizará con frecuencia a lo largo del libro y nos referiremos a ella
simplemente como la media.
La mediana de un conjunto de datos es la medida de tendencia central que implica el valor

intermedio, cuando los valores de los datos originales se presentan en orden de magnitud
creciente (o decreciente). La mediana suele de denotarse con (y se lee x “x con tilde”).
Para calcular la mediana, primero se ordenan los valores (se acomodan en orden) y luego se
sigue uno de los siguientes dos procedimientos:
1. Si el número de valores es impar, la mediana es el número que se localiza

exactamente a la mitad de la lista.
2. Si el número de valores es par, la mediana se obtiene calculando la media de los dos
números que están a la mitad.
La moda de un conjunto de datos es el valor que se presenta con mayor frecuencia.
 Cuando dos valores se presentan con la misma frecuencia y ésta es la más

alta, ambos valores son modas, por lo que el conjunto de datos es bimodal.
 Cuando más de dos valores se presentan con la misma frecuencia y ésta es la
más alta, todos los valores son modas, por lo que el conjunto de datos es
multimodal.
 Cuando ningún valor se repite, se dice que no hay moda.
16
Autor:
La mitad del rango es la medida de tendencia central que constituye el valor que está a la
mitad, entre la puntuación más alta y la más baja, en el conjunto original de datos. Se calcula
sumando el valor máximo con el valor mínimo y luego dividiendo la suma entre 2, de
acuerdo con la siguiente fórmula: pag 112-117
Medidas de variación
El rango de un conjunto de datos es la diferencia entre el valor máximo y el valor mínimo.

Rango = (valor máximo) - (valor mínimo)
Para calcular el rango, sólo se resta el valor mínimo del valor máximo. Para los clientes del
primer banco, el rango es 6 – 6 = 0 min. Para los tiempos de espera de la fila única, el rango
es 7 – 4 = 3 min. Los tiempos de espera en múltiples filas tienen un rango de 13 min; este
valor más grande sugiere una mayor variación.
Es muy fácil calcular el rango, pero como depende únicamente de los valores máximo y
mínimo, no es tan útil como otras medidas de variación que incluyen cada valor.
La desviación estándar de un conjunto de valores muestrales, es la medida de variación de

los valores con respecto a la media. Es un tipo de desviación promedio de los valores con
respecto a la media, que se calcula utilizando las fórmulas 3-4 o 3-5. La fórmula 3-5 es sólo
una versión diferente de la 3-4, Confiabilidad pero algebraicamente son iguales.
2.1.2.4 Distribución normal
La curva de densidad de una distribución uniforme es una línea horizontal, de manera que es
fácil calcular el área de cualquier región rectangular: multiplicando anchura por altura. La
curva de densidad de una distribución normal tiene una forma de campana más complicada,
como se observa en la figura 6-1, por lo que es más difícil calcular áreas, pero el principio
básico es el mismo: existe una correspondencia entre área y probabilidad. Así como existen
17
Autor:
muchas distribuciones uniformes diferentes (con distintos rangos de valores), también existen
muchas distribuciones normales diferentes, las cuales dependen de dos parámetros: la media
poblacional m y la desviación estándar poblacional s. (Recuerde que en el capítulo 1 vimos
que un parámetro es una medida numérica que describe alguna característica de una
población). La figura 6-4 ilustra curvas de densidad de estaturas de hombres y mujeres
adultos. Debido a que los hombres tienen una estatura media mayor, la cima de la curva de
densidad de los hombres está ubicada hacia la derecha. Puesto que las estaturas de los
hombres tienen una desviación estándar ligeramente mayor, su curva de densidad es un poco
más ancha. La figura 6-4 presenta dos posibles distribuciones normales diferentes. Existe una
infinidad de posibilidades, pero una es de especial interés
La distribución normal estándar es una distribución normal de probabilidad con m 0 y s 1, y

el área total debajo de su curva de densidad es igual a 1.
2.1.3 Regresión lineal simple
La regresión bi-variable o con dos variables, en la cual la variable dependiente (la regresada)
se relaciona con una sola variable explicativa (la regresora).[CITATION Dam10 \p 34 \l 3082
]
Gran parte de los análisis en econometría aplicada parten de la premisa siguiente: y y x son
dos variables que representan alguna población y se desea “explicar y en términos de x” o
“estudiar cómo varía y cuando varía x”. En el capítulo 1 se vieron algunos ejemplos: y es
rendimiento de cultivos de frijol de soya y x la cantidad de fertilizante; y es salario por hora y
x los años de educación escolar y y es la tasa de delincuencia en una comunidad y x la
cantidad de policías.
18
Autor:
Para establecer un modelo que “explique y en términos de x” hay que tomar en consideración
tres aspectos. Primero, dado que entre las variables nunca existe una relación exacta, ¿cómo
pueden tenerse en cuenta otros factores que afecten a y? Segundo, ¿cuál es la relación
funcional entre “y” y “x”? Y, tercero, ¿cómo se puede estar seguro de que la relación entre
“y” y “x” sea una relación ceteris paribus entre “y” y “x” (si es ese el objetivo buscado)?
Estas ambigüedades pueden resolverse estableciendo una ecuación que relacione y con x.
Una ecuación sencilla es:
y=β 0 + β 1 x +u
Ecuación 1 Regresión lineal simple
La ecuación 1, que se supone válida en la población de interés, define el modelo de regresión

lineal simple. A esta ecuación también se le llama modelo de regresión lineal de dos variables
o modelo de regresión lineal bivariada debido a que en este modelo se relacionan las dos
variables “x” y “y”. A continuación se analizará el significado de cada una de las cantidades
que aparecen en la ecuación 3.
Cuando las variables “x” y “y” se relacionan mediante la ecuación 3 se les da diversos
nombres que se usan indistintamente: a y se le conoce como la variable dependiente, la
variable explicada, la variable de respuesta, la variable predicha o el regresando; a “x” se le
conoce como la variable independiente, la variable explicativa, la variable de control, la
variable predictora o el regresor. (Para x también se usa el término covariada.)
En econometría con frecuencia se usan los términos “variable dependiente” y “variable

independiente”. Pero hay que hacer notar que aquí el término “independiente” no se refiere al
concepto estadístico de independencia entre variables aleatorias.
Los términos variables “explicada” y “explicativa” son probablemente los más descriptivos.
“Respuesta” y “control” se usan más en las ciencias experimentales, en donde la variable “x”
está bajo el control del experimentador. Aquí no se usarán los términos “variable predicha” y
“predictor”, aunque éstos a veces se encuentran en aplicaciones relacionadas sólo con la
predicción y no con la causalidad. La terminología que se empleará aquí para la regresión
simple se resume en la tabla 2
19
Autor:
La variable u, llamada término de error, o perturbación en la relación, representa factores
distintos a x que afectan a y. Un análisis de regresión simple en realidad trata a todos los
factores que afectan a y, y que son distintos a x como factores no observados. Es útil
considerar a u como abreviación de “unobserved” (no observado, en inglés).
La ecuación 3 también resuelve el problema de la relación funcional entre “x” y “y”. Si los
demás factores en u permanecen constantes, de manera que el cambio en u sea cero, ∆u = 0,
entonces x tiene un efecto lineal sobre y:
∆ y =β 1 ∆ x si ∆ u=0.
Ecuación 2 Cambio en B y u de la ecuación 1.
Por tanto, el cambio en y es simplemente β 1 multiplicado por el cambio en x. Esto significa

que β 1es el parámetro de la pendiente en la relación entre y y x, cuando todos los demás
factores en u permanecen constantes; este parámetro es de interés primordial en la economía
aplicada.
El parámetro del intercepto β 0, algunas veces llamado término constante, tiene también su
utilidad, aunque es raro que tenga una importancia central en el análisis.
Tabla 1 Terminología en la regresión simple.
[CITATION Jef10 \p 22-23 \l 16394 ]
20
Autor:
2.2.4 Regresión lineal múltiple
Modelos en los cuales la variable dependiente, o regresada, Y, depende de dos o más

variables explicativas, o regresoras.[CITATION Dam10 \p 188 \l 3082 ]
Se empezará con algunos ejemplos sencillos para mostrar el uso del análisis de regresión
lineal múltiple para resolver problemas que no es posible resolver mediante regresión simple.
El ejemplo es una sencilla variación de la ecuación del salario. Para obtener el efecto de la
educación sobre el salario por hora:
wage=β 0 + β educ + β 2 exper +u
Ecuación 3 Ecuación lineal múltiple
Donde exper es años de experiencia en el mercado de trabajo. Por tanto, wage (salario) está
determinada por las dos variables independientes o explicativas, educación y experiencia, y
por otros factores no observados, contenidos en u. El interés principal sigue siendo el efecto
de educ (educación) sobre wage (salario 1), manteniendo constantes todos los otros factores
que afectan a wage; es decir, lo que interesa es el parámetro β 1.
Comparada con un análisis de regresión simple, en el que se relaciona wage con educ, la
ecuación 3 extrae exper del término del error y la coloca de manera explícita en la ecuación.
Dado que exper aparece en la ecuación, su coeficiente β 2, mide el efecto ceteris paribus de
exper sobre wage, que también es de cierto interés.
Como en la regresión simple, aquí también habrá que hacer supuestos acerca de la relación de
u en la ecuación 3 con las variables independientes educ y exper. Pero hay algo de lo que se
puede estar seguro: como en la ecuación 3 aparece la experiencia de manera explícita, se
podrá medir el efecto de la educación sobre el salario, manteniendo constante la experiencia.
Con un análisis de regresión simple —en el cual exper forma parte del término del error—
hay que suponer que la experiencia no está correlacionada con la educación, un supuesto
cuestionable.
[CITATION Jef10 \p 68-69 \l 16394 ]
21
Autor:
2.2 Guía de usuario E-views
EViews es un programa que ayuda al análisis estadístico y econométrico, con este programa
se podrá realizar respuestas a las necesidades económicas de una empresa, mediante el
análisis de datos, este programa tiene un entorno amigable (entorno Windows) mediante
menús desplegables y se lo puede descargar de la página oficial: http://www.eviews.com.
En este manual aprenderemos a realizar un ejercicio de regresión lineal simple mediante el

método de mínimos cuadrados, y se explicaran algunas de las diferentes herramientas con las
que cuenta EViews.
DESCRIPCIÓN DEL ENTORNO DE E-VIEWS Antes de entrar en el manejo básico de

E-Views vamos a describir brevemente cada una de las partes que integran la pantalla del
programa y la forma en que se verán cada uno de los elementos que manejaremos
habitualmente. Un ejemplo de la pantalla que puede apreciarse en una sesión habitual de E-
Views es la que aparece a continuación:
22
Autor:
Las partes principales de la ventana del programa son las que aparecen identificadas en la
ilustración:
 El menú principal que da entrada a todos los procedimientos que pueden realizarse.
 El área de comandos, en el que puede utilizarse la sintaxis propia del TSP en lugar
de los menús para ejecutar determinados procedimientos.
 El área en donde se situarán las distintas ventanas como las que aparecen en la
ilustración: en este caso se trata de la ventana del workfile que muestra la lista de
objetos agrupados en el mismo y la ventana de una serie temporal en modo gráfico.
 La línea de estado en la que aparecerá información útil sobre el fichero abierto:
principalmente el workfile en uso y el directorio en el que se localiza
A partir de la ventana principal del workfile, cada uno de los objetos puede abrirse la ventana
para cada uno de los objetos haciendo doble klick en el icono correspondiente. El tamaño de
las ventanas puede modificarse, pueden minimizarse las ventanas, moverse, cerrase, según el
procedimiento habitual de cualquier programa de MS-Windows.
LOS MENÚS DE E-VIEWS Sin perjuicio de dar posteriormente una descripción detallada
de algunos procedimientos básicos que pueden realizarse con el programa E-Views, conviene
repasar las principales opciones de los menús paso por paso.
Las entradas que aparecen inicialmente en el menú principal son 8, cada uno de ellos con una
finalidad básica:
File Menu: controla operaciones relacionadas con los ficheros, datos y programas
Edit Menu: contiene los items básicos de cualquier programa en entorno windows
Objects Menu: manipula los distintos objetos que se almacenan en un workfile.
Proc and View Menus: estos dos menús se utilizan de forma diferente que el resto ya que se
refieren siempre a la ventana activa en cada caso y por tanto diferirán según el tipo de
ventana en uso.
Quick Menu: da acceso directo a comandos que se utilizan con cierta frecuente
Options Menu: altera los parámetros de funcionamiento general del E-Views. Los cambios
que se realicen con este menú permanecen aun saliendo del programa.
23
Autor:
Windows Menu: da acceso directo a las distintas ventanas que tengamos abiertas en el área
de trabajo.
Help Menu: menú de ayuda clásico
2.3 Ingreso de datos

Introducción de datos procedentes de otro fichero de E-Views Suele ser habitual el
intercambio de información entre dos workfiles de E-Views. E-Views utiliza un formato
propio de almacenamiento de información que resulta muy útil puesto que conserva para cada
objeto algunas de las propiedades que, almacenado en otro formato, se perderían.
No sólo pueden almacenarse series en este formato de E-Views sino cualquier otro tipo de
objeto de EViews. Cada uno de ellos puede ser reconocido fácilmente por la extensión que
tendrá el fichero donde quedará guardado el objeto. Estas extensiones serán:
 DB para series
 DBE para ecuaciones
 DBM para matrices o vectores de coeficientes
 DBG para gráficos
 DBR para grupos de variables
 DBT para tablas
 DBV para vectores autor regresivos
 DBL para modelos
 DBS para sistemas completos
Cada uno de los objetos que se deseen almacenar desde un workfile se guardará separado y
cada uno de ellos será, por tanto, recuperable individualmente. Los comandos para almacenar
objetos con formato *.db? o recuperar objetos con formato *.db? son, respectivamente
“STORE” y “FETCH”.
Para almacenar una serie en formato *.db desde un workfile la opción más rápida es marcar
el elemento o elementos a guardar y presionar el botón de la barra de herramientas “store”. El
E-Views irá confirmando uno a uno si se desean almacenar los objetos e irá mostrando el
nombre del fichero que utilizará para cada uno de ellos.
Introducción de datos a partir de un fichero de otro programa
24
Autor:
Como hemos dicho previamente, la opción más rápida para introducir numerosos datos de
series en un fichero de trabajo es importarlos desde un fichero de otro tipo compatible con E-
Views. Dentro de las tres opciones básicas posibles la más interesante es la que permite
importar datos de una hoja de cálculo.
Es importante recordar que antes de importar datos de una hoja de cálculo debe estar
creado previamente el fichero de trabajo en E-Views. Una vez que el fichero está creado
debe ejecutarse la opción Importar ficheros de Texto – Lotus - Excel del menú principal
Fichero:
2.4 Operación
Para el usuario no familiarizado con el manejo del programa E-Views ni con la práctica
econométrica puede resultarle difícil hacerse una ida clara de lo que significa cada uno de los
objetos descritos anteriormente. Sin embargo, de momento basta con acercarse al de la serie
de datos. De todos los tipos de objetos que se agrupan en un fichero de trabajo el más
importante, sin duda, es la serie de datos. La práctica econométrica consiste en encontrar
relaciones entre un determinado grupo de variables, cada una de esas variables se almacenan
en una serie temporal o transversal.
25
Autor:
Cada una de las series de datos como la que se observa en la ilustración quedará almacenada
como un objeto admitiendo distintas vistas: vistas de hoja de cálculo (como la que se observa
en la ilustración), vista de gráfico de barras o líneas, vista de histograma y estadísticos
básicos, vista de tabla de frecuencias, vista de su correlograma, vista de su test de raíces
unitarias o vista de su etiqueta.
Cada una de estas vistas es accesible utilizando el comando “views” bien del menú general
bien de la barra de comandos propia de la ventana activa.Cuando cambiamos de vista, no se
crean objetos nuevos a menos que el usuario lo solicite congelando la imagen con el comando
“freeze”. Una vez que se congela una vista, por ejemplo un gráfico, éste no cambiará aún
cuando la serie de datos originales se modifique. En la siguiente lustración se muestran para
la serie de ejemplo cuatro vistas alternativas
Cada una de las vistas de una serie de datos tiene, obviamente una utilidad diferente y
comprender cada una de ellas sólo es posible cuando se tiene cierto conocimiento sobre los
procedimientos y técnicas de la práctica econométrica.
26
Autor:
Capítulo III. Definición Del Problema
El uso de un modelo econométrico permite al sistema un análisis sobre una cierta situación de
una variable en función de otras. Esto también tiene una relación bastante estrecha con el
modelo económico, este modelo permite plantear diferentes políticas tanto micro como macro
económicas. Los modelos econométricos llegan a componer distintos usos en práctica, es
decir ayuda a un sistema económico atreves de herramientas estadísticos o matemáticos.
Capítulo IV. Objetivos
4.1. Objetivo General
Utilizar el programa EViews de un conjunto de datos en una aplicación econométrica.
4.2. Objetivos Específicos
1. Definir y Registrar datos para la creación de un conjunto de datos.
2. Calcular la media, desviación estándar, coeficiente de correlación y la recta de

regresión para su posterior interpretación.
3. Generar un diagrama de dispersión con base en los datos.
4. Revisar y analizar los resultados obtenidos.
27
Autor:
Capítulo V. Marco Práctico
5.1 Interfaz
Barra superior
File Menu: controla operaciones relacionadas con los ficheros, datos y programas
Edit Menu: contiene los items básicos de cualquier programa en entorno windows
28
Autor:
Objects Menu: manipula los distintos objetos que se almacenan en un workfile.
Proc and View Menus: estos dos menús se utilizan de forma diferente que el resto ya que se
refieren siempre a la ventana activa en cada caso y por tanto diferirán según el tipo de
ventana en uso.
Quick Menu: da acceso directo a comandos que se utilizan con cierta frecuente
Options Menu: altera los parámetros de funcionamiento general del E-Views. Los cambios
que se realicen con este menú permanecen aun saliendo del programa.
Windows Menu: da acceso directo a las distintas ventanas que tengamos abiertas en el área
de trabajo.
29
Autor:
Help Menu: menú de ayuda clásico
5.2 Ingreso de datos
Ingresos de datos desde un EXCEL
30
Autor:
Hacer clik en File – Import- Import from file posteriormente abrir el documento en Excel
Posteriormente aparecerá la siguiente ventana:
Hacer clik en siguiente luego dar finalizar
31
Autor:
5.3 Operación
Anadir en la ventana de datos las variables siempre iniciando con “ls” y pulsar Enter
Y posteriormente nos saldrá el modelo lineal
32
Autor:
Capítulo VI. Conclusiones
El software R propone la flexibilidad y claridad para atender problemas de desarrollo de

alguna empresa altamente complejo, en los que se hacía imposible o muy costoso conocer el
estado de un programa en un momento dado.
Porque la programación funcional hace una contribución significativa a la investigación

reproducible. Dicho de otro modo, la investigación reproducible hace de la redacción –
incluyendo texto y código– de un reporte, artículo, tesis o libro un problema de computación
suficientemente complejo como para requerir soluciones sencillas utilizando el programa.
Es claro que podemos que podemos hacer investigación reproducible sin recurrir a la
programación funcional, pero a medida que aumenta la complejidad de nuestro producto
controlar la ejecución de ese programa se torna difícil.
El programa nos brinda un plan óptimo detallado para lograr el resultado óptimo; Permite
evaluar la manera de mejorar la solución sin dejar de lado el resultado deseado.
33
Autor:
Desde un punto de vista práctico, algunas virtudes de los programas lineales con respecto a
los no lineales son: resultan más fáciles de definir y formular, permiten trabajar de manera
eficiente con mayor número de variables de decisión y se adaptan mejor al tratamiento
algorítmico con computadoras, aprovechando la rapidez de cálculo de estos.
34

Marco Teorico

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Marco Teorico

Cargado por

Copyright:

Formatos disponibles

FICHA DE

Titulo Software de Modelización Econométrico. Guía Introductoria

Autor Nombres Y Apellidos Código De Estudiante

Carrera Ingeniería Comercial

Docente Ing. David Eduardo Ramos Alcázar

´Periodo Académico I/2020

Copyright © 2020 por NOMBRE. Todos los derechos reservados

El presente proyecto de Software para modernización econométrica nos muestra un programa

Palabras Clave: software, regresión, análisis, E-views

perform linear regressions in a simple way.

Key Words: software, regression, analysis, E-views

Capítulo II. Marco Teórico 8

2.2. Conceptos básicos de estadística 8

2.1.2.2 Resumen de información 9

2.1.2.4 Distribución normal 17

2.1.3 Regresión lineal simple 18

2.2.4 Regresión lineal múltiple 20

2.2 Guía de usuario E-views 21

2.3 Ingreso de datos 23

Capítulo III. Definición Del Problema 27

Capítulo IV. Objetivos 27

4.1. Objetivo General 27

4.2. Objetivos Específicos 27

Capítulo V. Marco Práctico 28

5.2 Ingreso de datos 30

Capítulo VII. Recomendaciones 33

No se encuentran elementos de tabla de ilustraciones.

No se encuentran elementos de tabla de ilustraciones.

No se encuentran elementos de tabla de ilustraciones.

Un modelo econométrico es una representación estadística o matemática simplificada de la

 Se necesita representar a todos los elementos que incidirán en el estudio.

2.2. Conceptos básicos de estadística

En el muestreo sistemático, elegimos algún punto de partida y luego seleccionamos cada

El muestreo de conveniencia, simplemente se utilizan resultados que sean muy fáciles de

En el muestreo por conglomerados primero dividimos el área de la población en secciones

2.1.2.2 Resumen de información

Distribución de frecuencias relativas

Una variante importante de la distribución básica de frecuencias utiliza las frecuencias

Distribución de las frecuencias relativas de

Distribución de frecuencias acumulativas

Distribución de las frecuencias acumulativas de

Un histograma es una gráfica de barras donde la escala horizontal representa clases de

Escala horizontal: Utilice las fronteras de clase o las marcas de clase.

Escala vertical: Utilice las frecuencias de clase.

Un polígono de frecuencias utiliza segmentos lineales conectados a puntos que se localizan

Gráficas de tallo y hojas

Que presenta datos cualitativos como si fueran rebanadas de un pastel

Medidas de tendencia central

Una medida de tendencia central es un valor que se encuentra en el centro o a la mitad de un

La media aritmética de un conjunto de valores es la medida de tendencia central que se

La mediana de un conjunto de datos es la medida de tendencia central que implica el valor

1. Si el número de valores es impar, la mediana es el número que se localiza

La moda de un conjunto de datos es el valor que se presenta con mayor frecuencia.

 Cuando dos valores se presentan con la misma frecuencia y ésta es la más

El rango de un conjunto de datos es la diferencia entre el valor máximo y el valor mínimo.

La desviación estándar de un conjunto de valores muestrales, es la medida de variación de

2.1.2.4 Distribución normal

La distribución normal estándar es una distribución normal de probabilidad con m 0 y s 1, y

2.1.3 Regresión lineal simple

Ecuación 1 Regresión lineal simple

La ecuación 1, que se supone válida en la población de interés, define el modelo de regresión

En econometría con frecuencia se usan los términos “variable dependiente” y “variable

Ecuación 2 Cambio en B y u de la ecuación 1.

Por tanto, el cambio en y es simplemente β 1 multiplicado por el cambio en x. Esto significa