Documentos de Académico
Documentos de Profesional
Documentos de Cultura
APUNTES DE ECONOMETRÍA I
ECONOMISTA LINCOLN MAIGUASHCA
De acuerdo al teorema 5:
Zi
T= 1/ 2
Z2
k
2 2 2 2 2 2
Z1
1/ 2
2
1/ 2
Var 2
x 2
i x i2 1/ 2
2
Z 2 n 2 2
2 2 xi2
1/ 2
2 2 xi
2
1/ 2
2 2 xi
2
1/ 2
t=
1/ 2
2
n 2
n 2 2
2 2
t=
ee 2
Pr t / 2 t t / 2 1
2 2
Pr t / 2 t 1
/2
ee 2
Pr t / 2 ee 2 2 2 t / 2 ee 2 1
Pr t / 2 ee 2 2 2 t / 2 ee 2 1
Pr 2 t / 2 ee 2 2 2 t / 2 ee 2 1
Pr 1 t / 2 ee 1 1 1 t / 2 ee 1 1
8 g de l 5%
Quiere decir que el 95% de los intervalos obtenidos de las 7.5 * 10^10 muestras contendrán al verdadero 2
. El intervalo anterior tiene el 95% de probabilidad de contener el verdadero 2 .
Se define como:
Pr 2 2 2 (1 )
1
2 2
Donde 2
y 2 son los valores críticos que se lee en las tablas con (n-2) grados de libertad g. l.
1
2 2
2
Para muestra caso: (n 2) 2 2
2
2
Pr 1 (n 2) 2 (1 )
2
2
2
1 2 1
Pr 2 2 (1 )
1 2
2 (n 2)
2
2 2 2 2
(n 2) (n 2) (n 2) (n 2)
Pr 2
(1 ) Pr
2
(1 )
2
2 2
2
(1 )
1 ..
2
( )
2 2 2
2
= 42,1591; 8 g.l 5%
Entonces, es el 2 compatible con la H 0 ?
Para responder acudimos al intervalo de confianza obtenido anteriormente:
“En última instancia nos tenemos que comparar con los valores poblacionales.”
La H 0 está fuera del intervalo, se rechaza la H 0 (se acepta H 1 ) al 95% de confianza. (HACER LO MISMO
CON 1 Y CON LAMUESTRA 2)
Prueba de 1 cola:
Se determina de acuerdo al planteamiento de la H 1 . Nuevamente se conoce que 2 =0.5091 pero se
postula que H 0 : 2 0.3 ; H 1 : 2 0.3 .
Es un procedimiento mediante el cual se utiliza los resultados muéstrales para verificar la verdad o falsedad
de una H o a través de la t de Student
Pr(t t t ) (1 )
2 2
*
2 2
Pr t
t (1 )
2 ee( ) 2
2
Pr 2* t ee 2 2 2* t ee 2 1
2 2
*
Donde es el valor de bajo la H o , t y t son los valores críticos. El intervalo es conocido como
2 2 2 2
la “región de aceptación” de la H o y las regiones fuera del intervalo se llama “región de rechazo” o
“regiones criticas” de la H o
Ejemplo: 2 0.5091 ee( ) 0.0375
2
8g. de l t 0.025 2.306
La primera:
H o : 2* 0,3 H 1 : 2* 0,3
0,509 0,3
Pr 2,306 2,306 95%
0,0357
Región de
Rechazo H o
Región de
Rechazo H o
La segunda:
* *
H o 0.3 H 1 0.3
2 2
Pr 0.3 2.306(0.0375) 0.3 2.306(0.0375) 95%
2
Pr(0.2177 0.3823) 95%
2
Región de
Rechazo H o
2,5% Región
de rechazo H o
Se dice que una prueba es estadísticamente significativa si el valor del estadígrafo de prueba cae en la región
de rechazo de la H 0 ; y una prueba es estadísticamente no significativa si el valor del estadígrafo de la
prueba cae en la región de aceptación H 0
Ejemplo: muestra 1.
ˆ 2 0.5091 ee( ˆ ) 0.0375 ; 8 g de l
2
t 0.05 1.86
La primera:
2 2* 0,509 0,3
t
ee( 2 ) 0,0357
Rechazo a H 0
8 grados de
libertad.
Se rechaza H 0 y se acepta H 1
La segunda:
*
Rechazo a H 0
Pr 2 2 2 (1 )
1
2 2
2
(n 2) 2
2
2
= 42.1591 8 g de l
=5%
H 1 : 2 85 → Hipótesis compuesta
42.1591
2 8 * 3.97
85
Ho: i 0 y H1: i 0 . Es un mecanismo para establecer si Y tiene relación con la variable explicativa X.
t 2
i i
ti
ee i
Ho: i 0 H1: i 0 .
i
t i Es la pendiente , por lo que la t de student puede ser, negativo o positivo.
ee i
Felipe Lemarie Jorge Salgado Juan C. Serrano
PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA I
ECONOMISTA LINCOLN MAIGUASHCA
Xi = o 1 X 1i 2 X 2i
i
Cuando i > 0 t i = >2
ee i
i
Cuando i < 0 t i =
<-2
ee i
i
>2
ti =
ee i
Si t 2 : se rechaza H o y se acepta H 1 ; la presencia de la variable a la que pertenece i es justificada en el
modelo porque es estadísticamente significativa para la variable dependiente.
Si t 2 : no se rechaza H o y se acepta H 1 ; la presencia de la variable a la que pertenece i no se justifica
en el modelo porque no es estadísticamente significativa para la variable dependiente.
Se dice que una prueba es estadísticamente significativa, o es verdadero, si el valor del estadígrafo de prueba
cae en la región de rechazo, mayor que dos y menor que menos dos. Ahí se rechaza que el regresor es 0, se
acepta que es diferente a 0 y eso quiere decir que la variable es significativa, para la variable dependiente.
Ejemplo:
Yi 24.4545+0.5091 X i
(6.4138) (0.0357)
El valor P:
Denominado el valor de probabilidad, es el nivel de significación mas bajo al cual se puede rechazar una H o
o la probabilidad exacta de cometer un error tipo 1
En la practica es la superficie de la región de rechazo determinada por un valor de la t de student (el riesgo)];
a medida que aumenta el valor absoluto de la t de student, disminuye el valor P.
Análisis de Varianza:
Recordando:
Importante: Los símbolos que no están con asteriscos son desviaciones respecto a la media.
STC = SEC+SRC
2 2 2 2
yi2 y i u i y i 2 xi2
2 2
y 2 x u i
2
i
2
i
Tabla Anova
Debido a regresión 2 2
(SEC) 2 x 2
i 1 2 xi2
Debido a residuos
(SRC) ui
2
(n-2)
2
u 2
i
(n 2)
Se construye una F
SPC de SEC
F
SPC de SRC
2
2 2
2 2
ee
2 Var 2
F 1 1
Z /k
Z 2 / k2
n 2 2
2
n 2 2 2
2
2 2
2 2
2
ee
2
x 2
2 2 2
xi2
F
i
2 n 2 2 2
2 n 2 2
( 2 2 ) xi2
F
2
Ho: i =0 ; H 1 : i 0
2 2 xi2
F
2
Si F> que el valor crítico de la distribución F; se rechaza Ho y se acepta H 1 .
Si F< que el valor crítico de la distribución F; se acepta Ho.
Ejemplo:
2 =0.5091 x 2
i =33000 2 = 421591
(0.5091) 2 (33000)
F = 202.875
42.1591
Con la regresión muestral estimada, se puede “predecir” valores de Y correspondiente a algún nivel de X.
Hay dos clases de predicción: la predicción media y la predicción individual
Predicción media
Se desea predecir E Y / X 0 100 : el promedio de los consumos cuando en nivel de ingreso es igual a 100
Yo 1 2 X 0 24.4545 0.5091(100)
Yo 1 2 X 0
E (Y ) E ( X 0 ) 1 2 X 0
o 1 2
Lo que quiere decir que Y0 está normalmente distribuida con media ( 1 2 X 0 ); y la varianza es:
Var (Y ) Var ( X o )
o 1 2
Var (Y ) Var ( ) X oVar ( ) 2 X o Cov( , )
o 1 2 1 2
2
X i2 2
2
2
Var (Yo ) X o 2 2X
__
O
2
2 x
X xi
n xi i
2 _
X i nX o 2no X
2
Var (Y ) 2
o
n xi2
_ _
1 X o 2no X X 2
2
Var (Y ) 2
n
o
2
xi
__
1 X X
Var (Yo )
o
2
n xi
2
Conocida la Var Y0 y por tanto ee Yo se puede plantear la distribución t de Student para construir
Y
intervalos de confianza del verdadero E o y hacer pruebas de hipótesis.
X0
Conocida la Var ( y 0 ) y por tanto ee ( y 0 ) se puede plantear la distribución t de Student para construir
intervalos de confianza del verdadero E ( y 0 / x0 ) y hacer pruebas de hipótesis.
y 0 E y o / xo
t=
ee ( y0 )
y 0 E y o / xo
Pr t t (1 )
2 ee ( y0 ) 2
Pr y 0 t ee ( y0 ) y 0 E yo / xo y 0 t ee ( y0 ) (1 )
2 2
Ejemplo:
2
42.1591 X 42.1591 x 2
i =33000 y 0 75.3645 t =2.306
2
1 (100 170) 2
Var ( y 0 ) = 42.1591 = 10.4759
10 33000
ee Yo 3,2366
Pr 75,3645 2,3063,2366 E Yo / X o 75,3645 2,3063,2366 95%
Pr 67,901 E Yo / X o 82,8281
Pr67,901 77 82,8281
Predicción individual
Yo 1 2 X o uo
Un buen estimador de Yo 75,3645 , es probable que este sea diferente de su verdadero valor. La diferencia
entre los dos dará alguna idea sobre el error de predicción. Para evaluar este error es necesario encontrar la
distribución inicial de Yo , o sea su media y su varianza.
Hay 75.400 millones de ecuaciones, con 75.400 de Yo , por lo que puedo construir una distribución
normal, por lo que necesito la media y la varianza.
E Yo E 1 2 X o uo E 1 E 2 X i E 1 E uo
E Yo 1 2 X o
Lo que quiere decir que Yo está normalmente distribuido con media 1 2 X o y la va varianza es:
Var Yo Var 1 2 X uo Var 1 2 X Var uO
Var Yo Var 1 X o2Var 2 2 X o Cov 1 2 Var (u o )
X i2 2 __ 2
Var Yo 2 X o2 2 X o X 2
n x 2 x2 x 2
i i i
__
Var Yo 1
2 X i
2
X o 2 nX o X
n xi2
__ 2 __ 2
x X
2
i i
2
nX X i
2
x n X
2
i
__ 2 __
Var Yo 2 1
i
x 2
n X nX 2
o 2 nX o X
n xi2
1 X 2 2X X X 2
Var Y0 1 0
2 0
n
xi2
1 X X 2
Var Y0 1 0 2
2
n
xi
Conocida la Var Y0 y por tanto eeY0 se puede plantear la t de Student para hacer pruebas de hipótesis.
(PUEDE IR EN LA PRUEBA)
Y0 E Y0 / X 0
t
eeY0
Y E Y0 / X 0
Pr t 0 t (1 )
2 eeY0 2
Pr Y0 t eeY0 E Y0 / X 0 Y0 t eeY0 (1 )
2 2
Ejemplo:
2
= 42.1591 X 170 x 2
i 33000
Y 0 =75.3645 t 2.306
2
1 100 170
2
Var Y0 42.15911
52.635
10 33000
eeY0 7.255
n =Tamaño de la muestra.
S = El sesgo mide si es simétrica o asimétrica.
K=Curtosis
Para una variable normalmente distribuida S = 0 Y K = 3, en cuyo caso el estadígrafo J-B = 0 y el valor probabilística es 1; si la
variable no está normalmente distribuida, el estadígrafo J-B aumenta, y el valor p tenderá a cero.
Si el sesgo es igual a cero es absolutamente simétrica. Es decir la moda la mediana y la media coinciden.
Lo que me interesa es el valor probabilística.
Si es que la normal estandarizada tiene un Jarque Bera de cero esa distribución esta normalmente distribuida en un
cien por ciento.
Ejemplo:
S= 0.398346 K=1.890997
(0.398346) 2 1.890997 32
J-B= 10 0.77692
6 24
EQ01
Yi Y i u i
EQ02
Yi Y i u i
2 t t 1
n
u u
D W
t2
u
2 n 2
u
t
2
2u t u t 1 u t 1
D W
u t2
n n n 2
ut2 2 ut ut 1 u t 1
D W 2 2
2
u 2
t
Si n es grande:
2 2 n 2
u
n
t 1 ~ ut
2
1 2 3 (n-1) n
n n
U ~ U
1
t
2
2
t
2
n n
2 U t2 2 U t U t 1
D W 2
n
2
U
2
t
2
1 2 3 n-1 n
111
141
n
U t U t 1
D W 21 2 n
2 U t2
n
U t U t 1
2
n
U t2
2
D W 2(1 )
Si 0 D W 2 no autocorrelación
Si 1 D W 0 autocorrelación
Si 1 D W 4 autocorrelación
0 2 4
IDP3 PIB4
IDP4 PIB3
Autocorr (-)
0 DU DU 2 4- DU 4 - D1
Autocorr
D1
Indecisión No hay Autocorrelación Indecisión Autocorr
D1
(+) (-)
1.65 D W 2.35
Ejemplo: D – W (3,31)
DL 1.23 DU 1.65
4 DU 4 1.65 2.35
Si la nube de puntos está apuntando al origen y la regresión pasa por ahí los mínimos cuadrados si se
cumplen, si la nube de puntos no apunta al origen y la regresión si pasa por ahí, los mínimos cuadrados no
se cumplen.
A)
B)
Hay ocasiones en las cuales la función de regresión poblacional de dos variables pasa por el origen 1
0
Yi 2 X i ui Yi 2 X i u i
Y i 2 Xi
2 2
2
u i
2 Y X X 0
i 2 i i
2
i 2 X i X i 0
Y
i i 2 X i2 0
Y X
X i Yi 2 X i
2
0
X Y i i
2
X i
2
X ( 2 X i i ) 2 X i2 X i i
i
2
X i
2
X i
2
X
X i i
2 2
i
2
X i i
2 2
X i
2
2
X 2u 2 X 2 E u 2
E E
i i
i i
E u i2
2 2
X i2 2
X i2
2
X i2
2 2
1
__ __
1
Var(X) xi2 X i X E X i X
n n
E ( i2 ) 2
E ( 2 2 ) 2
X i2 X i2
2
Var 2
Xi
2
2
2
i
(n 1)
Primero:
2
i
2 (Yi 2 X i )( X i ) 0
2
(Yi 2 X i )( X i ) 0
(Y i Y i )( X i ) 0
i Xi 0
Es decir los residuos y la variable X no están correlacionados. Sin embargo, en el modelo con intersección,
i 0 , se puede aseverar que:
2
i
(Yi Y i ) 2 (Yi 1 2 X i ) 2
2
( i )
2 (Yi 1 2 X i )(1) 0
1
(Yi Y i ) =0
i 0
Pero como en el modelo sin intersección, i 0 ; no se puede afirmar que la i 0.
TRAER TABLA 6,1 Y 6,2
Segundo:
__
__
Recuérdese que el modelo con intersección, 1 0, se demostró que: Y Y . Pero el modelo sin
intersección, 1 0 :
u i Yi Y i Yi Y i u i
Yi Y i u i
Yi
Y i
ui
n n n
u i = 0 (esto no necesariamente sucede si 1 0 ; como se demostró anteriormente) entonces:
u i 0
__
__
Y Y ui
__
__
Y Y
Tercero:
El coeficiente de determinación en el modelo con intersección, 1 0 , siempre es positivo. (La suma
estimada de cuadrados es un numero positivo, positivo para positivo da un coeficiente de determinación
positivo). Pero en el modelo sin intersección, 1 0 , puede ser negativo:
SEC STC SRC i
2
SRC
r
2
1 1
yi
2
STC STC STC
En el modelo con intersección, 1 0 : STC SEC SRC ; SRC STC . Y por tanto, el r 2 siempre
será positivo.
En el modelo sin intersección, 1 0 :
Yi 2 X i i
2
2
2 2
Yi 2 X i i 2 X i 2 2 i2 X i i2
Yi 2 22 X i2 2 2 i X i i2 i X i 0
Yi 2 22 X i2 i2
i
2
Yi 22 X i22
__
yi Yi Y
2
__ __ __ 2
y Yi Y Yi 2 2Yi Y Y
2
i
__ __ 2
y 2
i Yi 2 Y Yi n Y
2
__
Y
Y i
__
n Y Yi
n
__ 2 __ 2 __ 2
y 2
i Yi 2n Y n Y Yi n Y
2 2
__ 2
Y i
2
y n Y
2
i
__ 2 2
u 2
i y n Y 2 X i2
2
i
__ 2 2
Si: n Y 2 X i2
X
rs2
i
X Y i
2
i
2
Realizar:
IDP3 PIB4
IDP4 PIB3
Autocorr (-)
Ejemplo: consideremos la información de la tabla 6.1; Y GAF 36.57821 y X GPM 28.94210 (Ejer-
6.1)
EQ1 : GAF C GPM
La t de Student de 1 están más bajo que 2 y por eso el valor probabilístico es de 0.8719, entonces, se
puede concluir que 1 0
La diferencia entre 1.069084 y 1.089912 no e mucha; sin embargo, en general en estos casos se debe
mantener la intersección para que se cumplan los mínimos cuadrados ordinarios.
Regresor
significativo,
pero no se
cumplen los
MCO.
- Si hago que pase por el origen no se cumplen los mínimos cuadrados ordinarios no se cumplen.
Econometricamente la regresión no sirve.
- Técnicamente no sirve.
-En todos los modelos que yo proponga debemos incluir una intersección para asegurarnos que los mínimos
cuadrados ordinarios se cumplan para asegurarnos que todo es verdadero.
El problema: hay alguna diferencia en los resultados de la regresión si las unidades en las cuales se miden
las variables Y y X son distintas? De ser así, como se debe proceder?
Yi 1 2 X i i
Yi * W1Yi X i* W2 X i
ˆ 2*
x y *
i
*
i
ˆ1* Y * ˆ2* X *
x 2*
i
*2
X i2*
ˆ
Var 1
*
n x 2*
i
Var ˆ 2*
*2
ˆ *2
uˆ *2
i
xi2* n 2
xi* w2 xi , uˆ i* w2 uˆ i , Y * w1Y y X * w1 X
2
x y *
i
*
i
(w x )(w y ) w w x y
2 i 1 i 1 2 i i
w1
2
x *2
i (w x ) 2 i w x
2
2
2
i w2
* w1
2 2
w2
w1
* * * *
1 Y 2 X w1 Y 2 w2 X w1 Y w1 2 X w1 Y 2 X w1 1
w2
*
1 w1 1
2
w
i i
*2
w12 i2 w 2 i w 2 2
*2
i
n 2 n 2 n 2 i
n 2 1
*2 w12 2
2
w
Var 1 w1 Var 1
*
Var 2* 1
Var 2
2
ws
2*
1
uˆ *2
i
w uˆ
i
2
i
w y
r
y 2
i i
2
i
w12 uˆ12 uˆ *2
1 r2
2* i
r
w12 yi2 y 2
i
r *2 r 2
PRIMERA ECUACIÓN:
(W1=1) (W2=1)
2 54,49311
r2= 0,877170
SEGUNDA ECUACIÓN:
var 1* 6.64 *1010
var 2* 0.001592
*2 2969498800
* 54493.11
r *2 0.877170
TERCERA ECUACIÓN
W i 1 W2 1000
5
(257.5874) (.399 *10 )
(-3.98504) (7.558482)
Var 1* 66351.27
2969.4988
*2
* 54.49311
r *2 0.877170
Para evitar el problema anterior se puede plantear la regresión con ambas variables estandarizadas.
Yi Y Xi X
Yi* X i*
SY SX
ˆ1* Y * ˆ 2* X Y* 0 X* 0
Análisis de Y * 0
1 Y Y
Y Y
1 1 1
Y*
n
Yi* i
n SY
nS y
i
nS y
y i 0
ˆ1* 0
Yi* ˆ2* X i* uˆ i*
En este caso, si la variable independiente estandarizada se aumenta en una desviación estándar, la variable
*
dependiente estandarizada se incrementa en 2 desviaciones estándar. Por otro lado:
*
2
x y *
i
*
i
( X X )(Y Y
*
i
*
i
* *
)
X Y * *
i i
x *2
i (X X ) *
i
* 2
X *2
i
(X i X )(Yi Y )
* SxSy Sx xi y i
2
(X i X )2 Sy xi2
Sx 2
* Sx
2 2
Sy
EQ 5= IDP3 c PIB3
Dependent Variable: IDP3
Method: Least Squares
Date: 06/05/07 Time: 09:30
Sample: 1988 1997
Included observations: 10
EQ 6: IDP3 PIB3
IDP3=0.936574 PIB3
(0.116824)
(8.01698)
r 2 0.877170 r 2 0.877170
EQ 7= IDP4 c PIB4
r 2 0.877170 r 2 0.861816
EQ 8: IDP4 PIB4
IDP4=0.936574 PIB4
(0.116824)
(8.01698)
r 2 0.877170 r 2 0.877170
La regresión con variables estandarizadas es el único modelo que cruza por el origen cumpliendo los MCO.
Independientemente de cómo se plantea las variables, la regresión es la misma. La interpretación es: si el
PIB aumenta en una desviación estándar, el IDP se incrementa en 0.94 desviaciones estándar. Nótese que en
2
el modelo sin intersección el r es igual al r 2 .
Realizar:
IDP3 PIB4
IDP4 PIB3
Es la manera más sencilla de obtener una elasticidad. Es el mejor indicador de todos los indicadores.
También denominado modelo de elasticidad constante, por que mide la elasticidad de Y con respecto a X.
Supongamos la función exponencial (Coub Douglas).
Yi 1 X i 2 e ui
dY
dY X
EYX Y *
dX dX Y
X
1 2 X i 1eu X i
2 i
EYX 2
1 X i eu 2 i
ln Yi ln 1 ln 2 X i ui
ln Yi ln 2 X i ui
LGSE=LOG(GSE)
LGBD=LOS(GBD)
LGBP=LOG(GBP)
LGCP=LOG(GCP)
Vamos a ver la elasticidad de los tres primeros cuando el gasto total aumenta
LGSE=0.130296 + 0.919989LGCP
(0.064914) (0.007681) error estándar
(1.591280) (119.7712) t de student
La intersección esta pasando cerca del origen, no en el origen, pero como yo necesito que exista la
intersección para que se cumplan los MCO yo no le hago caso a la t de student de la regresión.
Cuando los gastos de consumo personal total aumenta en un 1% (no el logaritmo de los gastos), entonces los
gastos en servicios (GSE) aumenta en 0.92%. Si el signo es negativo el GSE disminuye.
Si los gastos totales aumenta en 1% los gastos en bienes duraderos (GBD) se incrementaran en 1.91%
(aprox)
Si los gastos totales aumentan en 1% los gastos en bienes perecederos se incrementaran en 0.77% (aprox)
Modelo log-lin:
También denominado semilog por que solamente una variable aparece en forma logarítmica, mide la tasa de
crecimiento instantáneo de variables.
Yt Yo (1 r ) t
ln Yt ln Yo t log(1 r )
1 lnY0 2 ln 1 r
ln Yt 1 2t ut
Yt 1 2t ut
Que se denomina modelo de tendencia lineal, la variable de tiempo (t) se conoce como la variable de
tendencia, que puede ser creciente o decreciente.
Mide el cambio de Y en valores absolutos por una unidad de tiempo.
EQ 4 : LGSE C t
LGSE: 7.788347 + 0.007466t
(0.002289) (0.000167)
3402.198 44.71844
EQ 5 : LGBD C t
LGBD= 6.221691+0.015445t
(0.0007597) (0.000554)
818.9877 27.87711
La tasa de crecimiento instantáneo de los gastos en bienes duraderos es de 1.54%.
(Las cifras q me debe poner es del view stimation output cifras decimales q se deben declarar)
EQ 6 : LGBP C t
LGBP=7.192967+0.006229t
(0.002077) (0.000151)
3463.080 41.11945
La tasa de crecimiento instantáneo de los gastos en bienes perecederos es de 0.623%
EQ 7 : LGCP C t
LGCP= 8.353433+0.008114t
(0.002342) (0.000171)
3566.568 47.50231
La tasa de crecimiento instantáneo de los gastos en consumo personal total es de 0.81%
EQ 9 : GBD c t
GBD= 496.0818 + 9.442095t
(5.540763) (0.404102)
Los gastos en bienes duraderos han aumentado en 9.44 dólares trimestrales
19.79 equivale al 0.747%
EQ10 : GBP c t
GBP=1327.086 + 8.952273
(3.55064) (0.244693)
395.5467 36.58567
Los gastos en bienes perecederos han aumentado en 8.95 dólares trimestralmente
EQ11: GCP c t