ABENDAÑO AGUILAR MARLY YASENIA

Pregunta 1:
Dependent Variable: INGF

Variable Coefficient Std. Error t-Statistic Prob.  

C -9924.357 3379.244 -2.936857 0.0034

EDAD 223.3014 55.61246 4.015313 0.0001
EDUC 1986.642 184.2869 10.78016 0.0000
EXPER -198.2201 58.68413 -3.377746 0.0008
TMFH 2117.992 912.4394 2.321241 0.0205

R-squared 0.154160    Mean dependent var 23080.59

Adjusted R-squared 0.149637    S.D. dependent var 12190.20

INGF = -9924.357 + 223.3014 EDAD + 1986.642 EDUC – 198.2201EXPER +

2117.992 TMFH
El teorema del límite central nos dice que en el límite, todas aquellas muestras que no
son normales, tienden a normalizarse, por lo cual la esperanza matemática es igual al
verdadero valor poblacional y una varianza constante, cuando n tiende al infinito; por lo
cual esta propiedad es una gran ayuda, debido a que no importa la forma de la
distribución original y sobre todo en este caso teniendo una variable como el ingreso
que suele variar mucho; mientras que la Ley de los Grandes números nos otorga una
ayuda parecida pues nos dice que mientras más grande es la muestra los resultados
obtenidos serán mucho más eficientes, y como podemos observar en este caso la
muestra es considerablemente grande; y además si se promedia en el largo plazo todas
las variables que no deberían ser significativas el efecto que tienen es 0 pues los
resultados positivos, se compensan con los negativos; lo cual le da más estabilidad y
credibilidad a la ecuación estimada.

3. Pregunta 3.

Para evaluar la presencia de heterocedasticidad planteamos las siguientes hipótesis:

Pruebas de hipótesis
Ho= No Existe heterocedasticidad
Hi= Existe Heterocedasticidad
Si la P>0.05 se acepta Ho pero si la probabilidad es menor P<0.05 se rechaza Ho.
Usando el Test de Breusch Pagan como podemos observar en el cuadro la Probalidad,
la cual es 0.0070 es < 0.05 por lo que se rechaza Ho y se acepta H1 : que si hay
heterocedasticidad. De la misma manera usando el test de Harvey, el test Glejser y el
test de White obervamos que las Pro. Chi-Square son menores a 0.05 por lo que en el
modelo estimado existe herocedasticidad y se debe corregir.

Heteroskedasticity Test: Breusch-Pagan-Godfrey

Obs*R-squared 14.08814    Prob. Chi-Square(4) 0.0070

Heteroskedasticity Test: Harvey

Obs*R-squared 10.81248    Prob. Chi-Square(4) 0.0288

Heteroskedasticity Test: Glejser

Obs*R-squared 21.29344    Prob. Chi-Square(4) 0.0003

Heteroskedasticity Test: White

Obs*R-squared 25.29711    Prob. Chi-Square(13) 0.0211

Pregunta 4:

Corrección de la heterocedasticidad

Como hemos visto en la pregunta anterior existe heterocedasticidad y para corregirla usamos
la estimación robusta. Usando el ewiews podemos corregirla
Dependent Variable: INGF
White-Hinkley (HC1) heteroskedasticity consistent standard errors and
        covariance

Variable Coefficient Std. Error t-Statistic Prob.  

C -9924.357 3300.713 -3.006731 0.0027

EDAD 223.3014 53.21540 4.196180 0.0000
EDUC 1986.642 218.8176 9.078989 0.0000
EXPER -198.2201 55.68590 -3.559610 0.0004
TMFH 2117.992 938.3307 2.257191 0.0243

R-squared 0.154160    Mean dependent var 23080.59

Adjusted R-squared 0.149637    S.D. dependent var 12190.20

Pregunta 5:

Aquí hemos corregido la heterocedasticidad usando un factor de ponderación, el cual es

1/INGFF.
La varianza de los errores es proporcional al cuadrado de la variable explicatoria “Xi”.
En consecuencia, debemos transformar el modelo de regresión (1) original
multiplicándolo (o ponderándolo) por “1/Xi” que en el modelo corregido es 1/ING FF .
Así tenemos:
Entonces haciendo uso de este factor de ponderación con el software Eviews vemos
que los coeficientes siguen siendo los mismos que el modelo original pero los Std. Error
, los T-statistic y las Prob han cambiado porque el modelo ya está corregido.
Dependent Variable: INGF
Weighting series: 1/INGFF
Weight type: Inverse standard deviation (EViews default scaling)

Variable Coefficient Std. Error t-Statistic Prob.  

C -6051.559 2968.088 -2.038875 0.0418

EDAD 213.7182 52.03010 4.107588 0.0000
EDUC 1663.311 156.9709 10.59630 0.0000
EXPER -178.2074 52.45432 -3.397383 0.0007
TMFH 2499.842 833.5851 2.998904 0.0028

Para comprobar que efectivamente hemos eliminado la Heterocedasticidad aplicamos el

test de Breusch al modelo corregido y observamos que la P es 0.0921 >0.05 entonces ya
no existe heterocedasticidad.

Heteroskedasticity Test: Breusch-Pagan-Godfrey

F-statistic 2.004271    Prob. F(4,748) 0.0921

Obs*R-squared 7.985090    Prob. Chi-Square(4) 0.0921
Scaled explained SS 33.92098    Prob. Chi-Square(4) 0.0000