TÉCNICAS DE PRONÓSTICO

FASE 5 EVALUACIÓN FINAL Y ANÁLISIS MULTIVARIADO

JEISSON ENRIQUE ATUESTA

MARIA AURORA BEVILACQUA

PAULA ANDREA CUERO

SONIA L. GONZALEZ PARDO

GRUPO: 105018_4

DOCENTE: JULIETH ALEXANDRA BARON

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA - UNAD

VICERRECTORÍA ACADÉMICA Y DE INVESTIGACIÓN

CIUDAD, 2020
 DESARROLLO DE ACTIVIDADES

1. Con la información organizada en paneles de datos, de la fase anterior, fase 4,

especificar el modelo de datos de panel, por método lineal, utilizando al menos tres

variables así estructuradas, con base en Gujarati (2009), Capítulo 16 y Wooldrige(2010),

Capítulos 13 y 14.

R//

VARIABLES ESTRUCTURADAS

a) Sujeto o categoría:

Mercado laboral por departamentos: Antioquia, Bogotá y valle

b) Periodo:

2002- 2018

c) Variables a trabajar:

TGP, Tasa de subempleo subjetivo, Tasa de subempleo objetivo

 INFORMACIÓN ORGANIZADA EN PANELES DE DATOS - FASE 4

Año Departamento TGP Tasa de subempleo Tasa de subempleo

subjetivo objetivo
2001 1 59.9 28.0 10.4
2002 1 61.0 30.0 12.2
2003 1 60.0 27.4 11.0
2004 1 59.3 23.8 9.8
2005 1 57.6 18.5 9.7
2006 1 55.1 21.8 9.7
2007 1 56.9 27.5 8.3
2008 1 57.1 24.1 9.3
2009 1 60.4 28.0 12.0
2010 1 61.1 29.4 12.3
2011 1 61.6 28.8 10.2
2012 1 63.5 33.4 11.4
2013 1 63.9 31.5 10.2
2014 1 63.5 25.9 8.4
2015 1 62.7 20.8 8.2
2016 1 62.3 22.0 8.7
2017 1 63.2 22.5 8.7
2018 1 62.3 20.2 8.8
2001 2 66.3 29.1 12.5
2002 2 67.1 34.9 14.9
2003 2 67.8 33.3 12.7
2004 2 66.0 31.8 11.0
2005 2 66.4 34.0 11.1
2006 2 65.7 31.5 9.7
2007 2 64.0 30.6 9.2
2008 2 65.5 29.2 12.1
2009 2 66.6 24.2 10.2
2010 2 68.7 32.2 14.1
2011 2 70.9 34.1 13.9
2012 2 72.1 34.1 13.2
2013 2 71.9 34.2 13.6
2014 2 72.5 31.8 12.8
2015 2 71.6 31.0 11.2
2016 2 70.8 26.4 9.8
2017 2 69.6 22.4 8.4
2018 2 69.1 21.5 8.2
2001 3 65.6 35.7 13.1
2002 3 64.4 35.8 14.1
2003 3 65.2 36.1 14.0
2004 3 65.1 37.2 14.3
 2005 3 65.1 37.0 13.4
2006 3 64.5 42.5 14.6
2007 3 62.8 43.2 11.5
2008 3 62.1 36.8 11.2
2009 3 66.2 41.7 15.9
2010 3 66.6 41.3 16.2
2011 3 65.3 36.7 13.9
2012 3 65.6 37.5 13.9
2013 3 66.0 37.9 14.2
2014 3 65.7 35.8 12.8
2015 3 66.9 36.0 13.2
2016 3 66.5 35.5 12.4
2017 3 66.5 33.9 11.6
2018 3 66.0 33.5 12.3

Al calcular el coeficiente de variación de las variables involucradas, este se encuentra por

debajo de 30% para la variable TGP, Tasa de subempleo subjetivo y Tasa de subempleo objetivo;

el análisis estadístico se realiza en el software directamente, sin aplicar una linealización por

logaritmos.
 Modelo de efectos fijos por grupos

Interpretación de resultados

Parámetros beta:

 β 1 : Comportamiento de TGP cuando las variables explicativas toman un valor de 0.Donde

el valor es de 55,83%
 β 2 : Impacto en la TGP ante cambios en la variable Tasa de subempleo subjetivo. Si la Tasa
de subempleo subjetivo se incrementa una unidad, el TGP aumenta 0,1022 unidades
 β 3 : Impacto en la TGP ante cambios en la variable Tasa de subempleo objetivo. Si la Tasa
de subempleo objetivo se incrementa una unidad, el TGP aumenta 0,4961 unidades

Significancia estadística Individual

  Variable Tasa de subempleo subjetivo: La variable no logra explicar el comportamiento
de TGP debido a que el valor p es mayor a 0,05 y el parámetro estadístico t es menor a 2

 Variable Tasa de subempleo objetivo: La variable no logra explicar el comportamiento

de TGP debido a que el valor p es mayor a 0,05 y el parámetro estadístico t es menor a 2

Significancia estadística Global

 El modelo estadístico es globalmente significativo para representar el comportamiento de

la variable TGP respecto a las variables Tasa de subempleo objetivo y Tasa de subempleo
subjetivo, debido a que el Valor p (de F) del modelo es de 0,04 valor que es menor a 0,05.

Coeficiente de determinación

 R2: Las variables Tasa de subempleo objetivo y Tasa de subempleo subjetivo logran
explicar en un 17,81% el comportamiento de TGP
 R2 Intra: Dentro de las regiones 1 (Antioquia), 2 (Bogotá) y 3(Valle), se logra explicar en
un 16,84% el comportamiento de la variable TGP.
Contrastes

 De los regresores conjuntos: Como valor p es 0,0109 el cual es menor a 0,05, se rechaza
la hipótesis nula Ho. Por lo cual, no se acepta que haya igualdad entre las regiones 1
(Antioquia), 2 (Bogotá) y 3(Valle).
 De diferentes interceptos por grupos: Como el valor p es 0,605 el cual es mayor a 0,05, se
acepta la hipótesis nula Ho. Se acepta la hipótesis de que los grupos tienen un intercepto
común por lo tanto los datos entre grupos son de carácter homogéneo.

Conclusión

El modelo no es el adecuado para representar los datos, esto se debe a que la significancia
individual es representativa estadísticamente solo para una de las variables, esto se da sin importar
que la significancia global sea representativa debido a que el valor de R 2 para el modelo global
siempre va a ser representativo por lo cual no se tiene en cuenta para escoger el modelo adecuado a
los datos y solo se tiene en cuenta la significancia individual de las variables.
 Modelo de efectos fijos con dicótomas

Interpretación de resultados

Parámetro dt
 dt_2: Para el año 2001 el TGP para todos los departamentos de estudio 1 (Antioquia), 2
(Bogotá) y 3(Valle) será de −0,139547
 dt_3: Para el año 2001 el TGP para todos los departamentos de estudio 1 (Antioquia), 2
(Bogotá) y 3(Valle) será de 4,78799
 dt_4: Para el año 2001 el TGP para todos los departamentos de estudio 1 (Antioquia), 2
(Bogotá) y 3(Valle) será de 5,13646
 dt_5: Para el año 2001 el TGP para todos los departamentos de estudio 1 (Antioquia), 2
(Bogotá) y 3(Valle) será de 6,55075
 dt_6: Para el año 2001 el TGP para todos los departamentos de estudio 1 (Antioquia), 2
(Bogotá) y 3(Valle) será de 10,5260
 dt_7: Para el año 2001 el TGP para todos los departamentos de estudio 1 (Antioquia), 2
(Bogotá) y 3(Valle) será de 1,95847
 dt_8: Para el año 2001 el TGP para todos los departamentos de estudio 1 (Antioquia), 2
(Bogotá) y 3(Valle) será de 0,390493
 dt_9: Para el año 2001 el TGP para todos los departamentos de estudio 1 (Antioquia), 2
(Bogotá) y 3(Valle) será de 3,47556
 dt_10: Para el año 2001 el TGP para todos los departamentos de estudio 1 (Antioquia), 2
(Bogotá) y 3(Valle) será de −0,930014
 dt_11: Para el año 2001 el TGP para todos los departamentos de estudio 1 (Antioquia), 2
(Bogotá) y 3(Valle) será de 0,145235
 dt_12: Para el año 2001 el TGP para todos los departamentos de estudio 1 (Antioquia), 2
(Bogotá) y 3(Valle) será de 4,90941
 dt_13: Para el año 2001 el TGP para todos los departamentos de estudio 1 (Antioquia), 2
(Bogotá) y 3(Valle) será de 4,57667
 dt_14: Para el año 2001 el TGP para todos los departamentos de estudio 1 (Antioquia), 2
(Bogotá) y 3(Valle) será de 6,55060
 dt_15: Para el año 2001 el TGP para todos los departamentos de estudio 1 (Antioquia), 2
(Bogotá) y 3(Valle) será de 11,2888
 dt_16: Para el año 2001 el TGP para todos los departamentos de estudio 1 (Antioquia), 2
(Bogotá) y 3(Valle) será de 0,393234
 dt_17: Para el año 2001 el TGP para todos los departamentos de estudio 1 (Antioquia), 2
(Bogotá) y 3(Valle) será de 0,805151
  dt_18: Para el año 2001 el TGP para todos los departamentos de estudio 1 (Antioquia), 2
(Bogotá) y 3(Valle) será de 3,56421

Coeficiente de determinación

 R2: Las variables Tasa de subempleo objetivo y Tasa de subempleo subjetivo logran
explicar en un 94,75% el comportamiento de TGP
 R2 Intra: Dentro de las regiones 1 (Antioquia), 2 (Bogotá) y 3(Valle), se logra explicar en
un 94,68% el comportamiento de la variable TGP.

Contrastes

 De los regresores conjuntos: Como valor p es 5,38x10-8 el cual es menor a 0,05, no se

acepta la hipótesis nula Ho. Por lo cual, no se acepta que haya igualdad entre las regiones
1 (Antioquia), 2 (Bogotá) y 3(Valle).
 De diferentes interceptos por grupos: Como el valor p es 0,0032 el cual es menor a 0,05,
no se acepta la hipótesis nula Ho. No se acepta la hipótesis de que los grupos tienen un
intercepto común por lo tanto los datos entre grupos son de carácter homogéneo.
 Conjunto de Wald sobre las variables ficticias temporales: Como el valor p es 6,33x10-89 el
cual es menor a 0,05, no se acepta la hipótesis nula Ho. No se acepta la hipótesis de que los
grupos ficticios no tiene efectos temporales

Conclusión

El modelo es el adecuado para representar los datos, esto se debe a que la significancia

individual es representativa estadísticamente para todas las variables en todos los periodos, además

se tiene que el coeficiente de determinación R2 tiene valores que superan el 94% tanto para la

evaluación global y la evaluación por regiones. Por lo que el modelo de efectos fijos con dicótomas

puede ser utilizado para el análisis estadístico del conjunto de datos que representa la Tasa de

subempleo objetivo y Tasa de subempleo subjetivo en las regiones 1 (Antioquia), 2 (Bogotá) y

3(Valle).
Modelo por efectos aleatorios
 Interpretación de resultados

Parámetros beta

 β 1 : Comportamiento de TGP cuando las variables explicativas toman un valor de 0.Donde

el valor es de 55,98%
 β 2 : Impacto en la TGP ante cambios en la variable Tasa de subempleo subjetivo. Si la Tasa
de subempleo subjetivo se incrementa una unidad, el TGP aumenta 0,0836 unidades
 β 3 : Impacto en la TGP ante cambios en la variable Tasa de subempleo objetivo. Si la Tasa
de subempleo objetivo se incrementa una unidad, el TGP aumenta 0,5332 unidades

Significancia estadística Individual

 Variable Tasa de subempleo subjetivo: La variable logra explicar el comportamiento de

TGP debido a que el valor p es mayor a 0,05.

 Variable Tasa de subempleo objetivo: La variable logra explicar el comportamiento de

TGP debido a que el valor p es mayor a 0,5.

Contrastes

 De los regresores conjuntos: Como valor p es 0,00681981 el cual es menor a 0,05, se

rechaza la hipótesis nula Ho. Por lo cual, no se acepta que haya igualdad entre las regiones
1 (Antioquia), 2 (Bogotá) y 3(Valle).
 Breusch-Pagan: Como el valor p es 0,414168 el cual es mayor a 0,05, se acepta la hipótesis
nula Ho. Se acepta la hipótesis de que la varianza del error específico de la unidad es igual
a0
 Hausman: Como el valor p es 0,698549 el cual es mayor a 0,05, se acepta la hipótesis nula
Ho. Se acepta la hipótesis de que los estimadores MCG son consistentes, es decir, el
modelo de efectos aleatorios describe adecuadamente el comportamiento de los datos y los
describe mejor que los modelos de efectos fijos.
Conclusión

El modelo es el adecuado para representar los datos, esto se debe a que la significancia

individual es representativa estadísticamente para todas las variables en todos los periodos.

Además, se tiene el contraste Hausman que acepta el modelo como consistente para el conjunto de

datos, por lo que el modelo de efectos aleatorios puede ser utilizado para el análisis estadístico del

conjunto de datos que representa la Tasa de subempleo objetivo y Tasa de subempleo subjetivo en

las regiones 1 (Antioquia), 2 (Bogotá) y 3(Valle).

Conclusión global

El modelo de efectos fijos no es representativo estadísticamente del conjunto de datos, sin

embargo, el modelo de efectos fijos con dicótomas si es representativo, al mismo tiempo que el

modelo de efectos aleatorios por lo que se puede escoger entre estos dos últimos para realizar

estudios estadísticos sobre el conjunto de datos.

 Preguntas Anexo fase 5

1. Junto con su equipo de trabajo, usted debe especificar un Modelo Arima con el fin de
postular al equipo para un apoyo de fomento a la investigación. Por tanto, propone que se
trabaje a partir de la variable

a) Gasto público social anual del gobierno central del país para la implementación de las
políticas públicas sociales.
b) Inversión departamental en todos los proyectos de infraestructura y desarrollo durante
la vigencia más reciente.
c) Consumo medio de los hogares clasificado por año y municipio en un lapso de al
menos los últimos diez periodos.
d) Pobreza multidimensional de diversos países en función del nivel de población
correspondiente para cada lugar.

R/ La respuesta es la C debido a que propone una variable para estudiar, individuos y un

periodo de tiempo que se aplique al estudio. Las demás respuestas no cuentan con un periodo de

tiempo en el que se pueda realizar el estudio para la respectiva investigación.

2. En el análisis de una serie de tiempo, se obtuvo la prueba de Dickey Fuller Aumentada,

con un estadístico de -1.624 y un p-valor correspondiente de 0.7713. El objetivo es
especificar un modelo univariado. Le solicitan que continúe desarrollando dicho análisis
por lo que usted

a) Obtiene el logaritmo natural de la serie en busca de que la transformación permita que

sea estacionaria.
b) Calcula las funciones de auto correlación simple y parcial con el fin de establecer un
número de rezagos.
c) Estima una ecuación lineal para la serie, a partir del periodo de los ciclos estacionales
que la caracterizan.
d) Genera las medidas descriptivas con el propósito de explicar el comportamiento que
presentan los datos.

R/ Se debe tener el logaritmo natural de la serie debido a que así se permite que la serie sea
estacionaria, si esto sucede las variables serán estadísticamente significativas y el valor p será
menor a 0,05. Las demás respuestas no se encuentran enfocadas al objetivo del problema que es
especificar un modelo univariado.
3. Usted está liderando un estudio sobre el precio de un bien. El modelo que mejor se ajusta
es bivariado y de rezagos distribuidos por tres periodos. Para la presentación de los
resultados usted verifica que la ecuación estimada muestre

a) Tres componentes auto regresivos incluidos dentro de la función.

b) Coeficientes para la variable explicadora en el mismo periodo del precio y para sus tres
primeros rezagos.
c) Un solo término consistente en el rezago tres de la serie exógena.
d) Un valor auto regresivo y otros para el tercer rezago tanto del precio como el de la
segunda variable.

R/ Los rezagos distribuidos son los que se aplican a las variables explicadoras, y se debe
realizar para los rezagos correspondientes. La respuesta a no es correcta debido a que no se hablan
de componentes auto regresivos, la respuesta c no es correcta debido a que no se obtiene un solo
término consistente, y la respuesta d es incorrecta debido a que solo habla del tercer rezago sin
tener en cuenta el primero y el segundo.

4. En la empresa en la que usted labora se obtuvo la medición de la productividad del año de

todos los trabajadores para 1995. Desde entonces, cada año se mide esta variable y se
agrega el dato correspondiente conformando una matriz, en la que los años nombran las
columnas, y los códigos de los trabajadores nombran las filas. Con los datos, le piden que
analice la evolución de la productividad en la empresa, por lo que usted

a) Obtiene el valor medio por trabajador y genera un modelo multivariado utilizando

variables auxiliares como, por ejemplo, remuneración, formación y antigüedad
b) Estima el total por trabajador y construye un modelo Arima con la serie resultante.
c) Mide la variabilidad por año y calcula un modelo Sarima si identifica estacionalidad.
d) Genera diagramas de caja por año y compara los niveles, luego realiza pruebas de
hipótesis para observar si hay variaciones medias significativas entre años.

R/ La respuesta correcta es la d debido a que el diagrama de cajas genera una representación

gráfica que permite el análisis estadístico de un conjunto de datos de manera visual y rápida, por lo
que se puede estudiar la evolución de los datos de forma sencilla. Las otras respuestas son
incorrectas debido a que no presentan estrategias que permitan observar la evolución de los datos,
sino que se calculan valores que representan conceptos estadísticos que brindan otra información.
5. Se cuenta con un panel de datos para 2000-2019 con la proporción de hogares en pobreza
monetaria por departamento de Colombia. Se espera que esta variable sea mitigada por
la inversión pública social y el modelo resultante debe ser de efectos fijos. Para preparar
los datos de modo que permitan desarrollar el modelo, usted

a) Promedia tanto la pobreza como la inversión anualmente, y crea nuevos paneles con las
diferencias entre los datos y su media.
b) Obtiene el logaritmo tanto de la inversión como de la pobreza, con el fin de reducir la
variabilidad en caso que se presente.
c) Calcula la tasa de crecimiento de la inversión y establece la correlación entre este panel
y el de la pobreza.
d) Estima la variación de la pobreza y luego, mide el grado de asociación lineal de esta
variable con inversión

R/ Para el modelo de efectos fijos se debe realizar un estudio de datos que tengan un periodo
de tiempo, por lo que la respuesta A promediará la pobreza y la inversión en un año, los cuales son
datos relevantes y significativos para el análisis. Las demás respuestas son incorrectas debido a que
presentan procedimientos que no tienen significancia para el modelo de efectos fijos o donde no se
tienen en cuenta las variables necesarias para el análisis estadístico requerido..