Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Presentado por:
Luis Hernández Caldera
Profesora
Dra. Marylú Zeledón Torres
Problema Nº 1: Análisis del demanda de Pollo
Teniendo información a mano pertinente al problema en cuanto a sus datos
cuantitativos, notaciones, etc., se procedió a realizar regresiones separadas para
de los siguientes modelos
1. ln yt 1 2 ln x2 t 3t ln x3 ut
2. ln yt y1 y 2 ln x 2t y 3 ln x3t y 4 ln x 4t u t
3. ln y 1 2 ln x 2 3 ln x 3 4 ln x5t u t
Modelo 1 Coefficientsa
Unstandardized Standardized
Coefficients Coefficients Correlations Collinearity Statistics
Model B Std. Error Beta t Sig. Zero-order Partial Part Tolerance VIF
1 (Constant) 1,997 ,119 16,836 ,000
lnX2 ,450 ,026 1,370 17,000 ,000 ,973 ,967 ,561 ,168 5,965
lnX3 -,361 ,067 -,436 -5,405 ,000 ,815 -,770 -,178 ,168 5,965
a. Dependent Variable: lnYI
Aunque la correlación entre dos variables no tiene efecto causal, puede darnos
pistas interesantes acerca del comportamiento de las variables en el modelo. Por
ejemplo, observemos que la correlación de orden cero existente entre lnYt lnX3,
tiene un valor de 0.815 sin embargo cuando eliminamos lnYt baja hasta -0.770 y
2
cuando el efecto atribuible a lnX2 se elimina de lnX3, el valor de baja hasta -0.178
de tal manera que podría concluirse que la relación entre consumo de pollo y
precio de la carne de pollo (lnYt – lnYX3) puede explicarse casi por completo
recurriendo a la variable lnX2t, ingreso per cápita. El mismo análisis puede ser
Modelo 4 Coefficientsa
Unstandardized Standardized
Coefficients Coefficients Correlations Collinearity Statistics
Model B Std. Error Beta t Sig. Zero-order Partial Part Tolerance VIF
1 (Constant) 2,107 ,160 13,210 ,000
lnX2 ,377 ,087 1,146 4,353 ,000 ,973 ,716 ,147 ,016 61,132
lnX3 -,456 ,117 -,550 -3,897 ,001 ,815 -,677 -,131 ,057 17,536
lnX4 ,116 ,106 ,235 1,096 ,288 ,924 ,250 ,037 ,025 40,673
lnX5 ,050 ,105 ,101 ,477 ,639 ,934 ,112 ,016 ,025 39,735
a. Dependent Variable: lnYI
Donde SECnueva = Suma de cuadrados bajo el modelo nuevo (es decir, después de
agregar las regresoras nuevas), SECvieja = Suma de cuadrados bajo el viejo modelo
o modelo original y SRCnuvea =SRC Suma de Cuadrados de los Residuos bajo el
modelo nuevo, es decir, después de considerar todas las regresoras. Bajo estas
suposiciones, este valor F deberá seguir la distribución F con 1 y 22 grados de
libertad. Explicado lo anterior, procedemos a realizar nuestra prueba de hipótesis.
3
Prueba de hipótesis
1. Ho. La agregación de las variables lnX4 y lnX5 relativas al precio de la carne de
cerdo y precio de la carne de res aumentará significativamente la Suma de
Cuadrados Explicativas y por tanto deberán agregarse al modelo
ln Yt 1 2 ln X 2 t ln 3 ui
2. H1. La agregación de las variables lnX4 y lnX5 relativas a precio de la carne de
cerdo y precio de la carne de res no aumentará significativamente la Suma de
Cuadrados Explicativas y por tanto no deberán ser agregadas al modelo
ln Yt 1 2 ln X 2 t ln 3 ui
3. Nivel de significancia á= 0.05 con (1-á) = 95%
4. Muestra = 23 observaciones
5. El estadístico a utilizar es F = á = 0.05 y G de l con 1 y 18 grados de libertad
6. Valores críticos y regla de decisión. Los valores críticos para F considerando 1 grado
de libertad en numerador y 18 grados de libertad en el denominador. Se rechaza Ho, si F
calculado es mayor que F esperado con á = 0.05 y 1 y 18 grados de libertad; de otra
manera no se rechaza. En nuestro caso F esperado = 4.41
7. Cálculos
b
MODELO 1 ANOVA MODELO
Sum of
Model Squares df Mean Square F Sig.
1 Regression ,756 2 ,378 449,084 ,000a
Residual ,017 20 ,001
Total ,772 22
a. Predictors: (Constant), lnX3, lnX2
b. Dependent Variable: lnYI
Modelo 4 ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression ,757 4 ,189 215,872 ,000a
Residual ,016 18 ,001
Total ,772 22
a. Predictors: (Constant), lnX5, lnX3, lnX4, lnX2
b. Dependent Variable: lnYI
5
Coefficient Correlationsa
0.1160 0.0500
t 0.5851
0.01122 0.01097 2(0.00487)
6
ln y t 1 2 ln x 2 t 3 t ln x 3 u t
D b1 b2 b3
Yi= 1.9970 + 0.4500 lnX2 - 0.3610 lnX3
ee(B) 0.1190 0.0260 0.0670
t 16.8360 17.0000 -5.4050
Sig. 0.0000 0.0000 0.0000
R R AJ DW F EE
2 2
Yi= 2.1070 + 0.3770 lnX2 - 0.4560 lnX3 + 0.1160 lnX4 + 0.0500 lnX5
ee(B) 0.1600 0.0870 0.1170 0.1060 0.1050
t 13.2100 4.3530 -3.8970 1.0960 0.477
Sig. 0.0000 0.0000 0.0010 0.2880 0.639
R R AJ
2 2
DW F EE
0.980 0.975 1.563 215.87 0.2960
EE= Error de estimación
7
porcentual del ingreso; si la elasticidad ingreso es positiva (como nuestro caso), se
dice que son bienes normales. Si la elasticidad ingreso es menor que uno, se dice
que son bienes necesarios, si es mayor que uno se dice que son bienes de lujo o
suntuarios.
En el caso de â3 mide la elasticidad precio de la demanda o elasticidad de la
demanda que es el cambio porcentual de la cantidad demandada dividido por el
cambio porcentual del precio.
c. ¿Cual es la diferencia entre las especificaciones (2) y (4)?
La función 2 contempla la utilización de tres variables (X2, X3 y X4) mientras que
la función 4 propone la utilización de 4 variables (X2, X3, X4 y X5) este hecho
representa una variación cuantitativa como cualitativo; como hemos visto en el
desarrollo de nuestro ejercicio, algunas de esas variables contribuyen más que
otras al ajuste del modelo, sin embargo, en nuestro caso, el agregar la carne de
cerdo no ayudo mucho al ajuste y aún más al agregar la carne de res que tampoco
agrega valor al modelo al menos en nuestro análisis, solo viene a complicar las
cosas puesto que como hemos analizado ambas variables corren riesgo de sufrir
de colinealidad o fuerte correlación; formular una función con estas debilidades
nos conduciría a realizar pronósticos equivocados violando supuestos y principios
como el de la parsimonia.
d. Son el Cerdo y/o la carne de res productos que compiten con el pollo o
que lo sustituyen? ¿Cómo se sabe?
El hecho de que la carne de pollo, la carne de cerdo y la carne de res son
productos no correlacionados ha sido demostrado mediante prueba de hipótesis no
obstante se pueden agregar otras técnicas. El conocer si el cerdo y la carne de res
son productos que compiten con la carne de pollo o si le sustituyen puede
indagarse mediante el análisis de la elasticidad cruzada de la demanda es decir, el
análisis merece atención en conocer como o de que manera responden los
individuos ante cambios en los precios de de la carne de res, de pollo y de cerdo,
esto se hace a través de la técnica conocida como elasticidad precio cruzado de la
demanda.
La elasticidad cruzada es la variación porcentual de la cantidad demandada de un
bien ante la variación porcentual del precio de otro bien. El valor que toma la
elasticidad cruzada permite clasificar a los bienes. Dos bienes cualesquiera, x y z,
son sustitutos si la elasticidad cruzada es positiva y son complementarios si la
elasticidad cruzada es negativa.
8
e. Supóngase que la función 5 es la demanda correcta. Estímese los
parámetros de este modelo, obtenga los errores estándar, así como el R2
y R2 Ajustado, F. Interprete los resultados.
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients Correlations Collinearity Statistics
Model B Std. Error Beta t Sig. Zero-order Partial Part Tolerance VIF
1 (Constant) 1,995 ,120 16,577 ,000
lnX2 ,493 ,070 1,499 7,019 ,000 ,973 ,850 ,235 ,025 40,703
lnX3 -,331 ,082 -,399 -4,027 ,001 ,815 -,679 -,135 ,114 8,759
lnX6 -,087 ,133 -,165 -,654 ,521 ,941 -,148 -,022 ,018 56,504
a. Dependent Variable: lnYI
ModelO 6 Summaryb
R, el coeficiente de correlación = 0.989 nos indica que entre las variables existe un
alto grado de correlación lineal no causal; el R2 o coeficiente de determinación se
refiere a la bondad del ajuste que en caso se puede interpretar como una relación
casi perfecta lo cual permite pronosticar con bastante certeza los valores del
consumo de carne de pollo; en otras palabras R2, mide la proporción o el
porcentaje de variación total en Y que es explicada por el modelo de regresión. El
R2 Ajustado, mide lo mismo que R2, es un indicador cuya medida se hace
tomando en cuenta el ajuste del número de grados de libertad.
9
CONCLUSION GENERAL
Dada la siguiente función Yi 1.997 0.4500 0.3610 y los análisis realizados en el
presente trabajo podemos concluir que los el comportamiento que el consumo per
cápita de pollo no se ve afectada directamente por los precios de la carne de
cerdo, la de res o por los productos “sustitutos” del pollo en vista que son
productos no relacionados como se ha demostrado además, el resultado de la
función muestra que b2 es mayor que 0 y menor que 1 y que b3 tiene signo
negativo y su valor es mayor que cero y menor que uno lo cual significa lo
siguiente:
Primero, que la carne de pollo es un producto que responde muy poco a la baja de
precios; es decir aún cuando los precios sufriesen grandes cambios o aumentos,
solo se producirían cambios pequeños en la demanda y por lo tanto se concluye
que la carne de pollo es inelástica al precio;
Segundo, el signo menos únicamente refleja el tipo de relación existente entre el
precio y la cantidad demandada que es de tipo inversa lo cual significa que el
coeficiente de elasticidad precio de la demanda siempre será un precio negativo y
por tanto debe verse en términos de valor absoluto; de tal manera que en la
función propuesta no debe interpretarse como que si existe una demanda negativa
de 0.3610 debe leerse como: Una aumento del precio la carne de pollo de 1
centavo, daría lugar a una reducción en el consumo per cápita del 0.33 libras.
10
1. Ejercicio 7.9, Pág. 201
a. Utilizando el modelo de regresión Yi 1 2 X 2i 3i 4 X 4i ui
obtenga una estimación de los coeficientes de regresión e interprete los
resultados.
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) -33,460 48,783 -,686 ,507
Ingreso ,019 ,019 ,264 1,009 ,335
TXfamilia 15,522 9,465 ,425 1,640 ,129
Desemp ,813 1,911 ,111 ,425 ,679
a. Dependent Variable: PFT
11
¿Cómo se verifica la hipótesis de que la tasa global de desempleo no
tiene efecto alguno sobre la participación de la fuerza de trabajo de
familias urbanas pobres?
De hecho, los resultados en SPSS, nos indican que ninguna de las variables es
estadísticamente significativa al nivel de á = 0.05 lo cual significa que si tratamos
de contrastar la hipótesis nula de b4 = 0, tendríamos que aceptar esa hipótesis
puesto que t= 0.425 y Sig. = 0.679.
a
Coefficients
Unstandardized Standardized
Coefficients Coefficients Correlations Collinearity Statistics
Model B Std. Error Beta t Sig. Zero-order Partial Part Tolerance VIF
1 (Constant)
-33,460 48,783 -,686 ,507
Ingreso ,019 ,019 ,264 1,009 ,335 ,301 ,291 ,259 ,964 1,037
TXfamilia15,522 9,465 ,425 1,640 ,129 ,451 ,443 ,421 ,981 1,020
Desemp ,813 1,911 ,111 ,425 ,679 ,040 ,127 ,109 ,975 1,026
a.Dependent Variable: PFT
Model Summaryb
Esto puede deberse (otra hipótesis) que pude existir autocorrelación negativa
(DW=2.407) puesto que la tasa de desempleo es un ponderado de los grupos que
componen la población civil activa que representa los diferentes grupos sociales
entre ellos, negros, jóvenes y adolescentes, familias urbanas, etc.
Obsérvese que si eliminamos esta variable, el R2 Ajustado aumenta
sustantivamente pasando del 0.078 a 0.141 mejorando la explicación aunque
todavía pobremente.
12
Model Summaryb
13
¿Deberían excluirse del modelo algunas variables? ¿Por qué?
14
1. Ho: b2=b3=b4 = 0. Todos los coeficientes son simultáneamente = cero
2. H1: b2=b3=b4 ≠ 0. No todos los coeficientes son simultáneamente = cero
3. Estadístico: F
4. Nivel de Significancia = 0.05 = (1-á) 95% de probabilidad
5. Tamaño Muestra = 15
6. Valores críticos: Los valores críticos estarán determinados por Fá (k-1 para el
numerador y n-k para el denominador) donde k es el número de parámetros
incluyendo b1 y n= al número de observaciones siendo F esperado = 3.59
7. Reglas de decisión: Si F calculado es > F crítico =Fá (k-1, n-k), rechazar Ho; de lo
contrario, no se rechace.
8. Procedimientos de cálculos
SEC / gdel (k 1)
F
SRC /(n k )
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 1413,160 3 471,053 1,394 ,296a
Residual 3716,977 11 337,907
Total 5130,137 14
a. Predictors: (Constant), Tasa de desempleo, Tamaño medio de la familia, Ingreso
Familiar promedio
b. Dependent Variable: % en la fuerza de trabajo Y*
F 1.3939
(1,413.16) / 3
(3,716.98) / 11
15
Ejercicio 8.10
Klein y Goldberger intentaron ajustar el siguiente modelo de regresión a la
economía de los Estados Unidos: Yi 1 2 X 2i 3 X 3i X 4i u i Donde: Y=
Consumo; X2 = Ingreso, X3 = Ingreso diferente a salarios o diferente a ingreso
agrícola y X4 = Ingresos Agrícolas. Pero, puesto que se espera que X2, X3 y X4
tengan alta colinealidad, ellos obtuvieron estimaciones para b3 y b4 utilizando
análisis de series de corte transversal de la siguiente manera b3 = 0.75 b2 y b4 =
0.625 b2. Utilizando estas estimaciones, formularon su función de consumo de la
siguiente manera: Yi 1 2 ( X 2i 0.753 X 3i 0.625 X 4i ) ui 1 2 Z i ui donde
Donde : Z i X 2 i 0.75 X 3i 0.625 X 4 i .
Preguntas:
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 23,803 6,364 3,740 ,003
Zi ,685 ,066 ,948 10,303 ,000
a. Dependent Variable: Y
16
4. Nivel de significancia = á=0.05
5. Tamaño de la muestra: n=14
6. Valores críticos para n-k = 14 – 4 (cuatro regresoras incluyendo constante)=
2.228
7. Regla de decisión: Si tá=0.05; para 10 gdl > t calculado, rechazar hipótesis
nula; de lo contrario no se rechace.
8. Cálculos
ˆ3 ˆ4
t
var(ˆ3 ) var(ˆ4 ) 2 cov(ˆ3 , ˆ4 )
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients Correlations Collinearity Statistics
Model B Std. Error Beta t Sig. Zero-order Partial Part Tolerance VIF
1 (Constant) 19,556 6,880 2,842 ,017
X2 ,334 ,256 ,354 1,306 ,221 ,933 ,382 ,117 ,108 9,231
X3 1,525 ,614 ,580 2,485 ,032 ,946 ,618 ,222 ,147 6,825
X4 ,480 1,386 ,053 ,346 ,736 ,769 ,109 ,031 ,336 2,974
a. Dependent Variable: Y
Coefficient Correlationsa
Model X4 X3 X2
1 Correlations X4 1,000 ,065 -,514
X3 ,065 1,000 -,824
X2 -,514 -,824 1,000
Covariances X4 1,921 ,055 -,182
X3 ,055 ,376 -,129
X2 -,182 -,129 ,066
a. Dependent Variable: Y
1.525 0.480
t 0.409
0.376 1.921 2(0.129)
17
(d) Suponga que usted ya ha corregido la regresión y que
posteriormente desea introducir otra variable ortogonal, digamos la
variable Xk-1 en el modelo. ¿Se tienen que volver a calcular todos los
coeficientes anteriores desde b1 hasta bk? ¿Porqué sí o porqué no?
Asumiendo que Yi 1 2 ( X 2i 0.753 X 3i 0.625 X 4i ) ui 1 2 Z i ui es el
modelo “verdadero”, adicionar otra variable implicaría volver a calcular todos los
coeficientes anteriores puesto que esa nueva “variable” explicaría en parte el
comportamiento de la variable independiente incrementando o disminuyendo el
error de estimación; debe considerarse que este recurso utilizado por los
investigadores, esta suponiendo implícitamente que b3 y b4 han sido obtenidos a
partir de una análisis puro lo que podría acarrear problemas de interpretación; por
una parte, por otra hay que considerar que la utilización de la técnica de datos
transversales tiene la restricción de que debe ser aplicada en situaciones en donde
las estimaciones de corte transversal no varían sustancialmente de un grupo a otro
por tal razón, agregar otra variable que tanta es la variación de la información
entre los grupos.
18
Ejercicio 8.19.-
La siguiente tabla proporciona datos sobre importantes, PNB e índice de precios al
consumidor (IPC) para los Estados Unidos durante el periodo 1970-1983.
Se solicita considerar el siguiente modelo:
ln importacionest 1 2 ln PNBt 3 ln IPC t u i
(a) Calcule los parámetros de este modelo utilizando la información dada en la
tabla.
a
Coefficients
Unstandardized Standardized
Coefficients Coefficients Correlations Collinearity Statistics
Model B Std. Error Beta t Sig. Zero-order Partial Part Tolerance VIF
1 (Constant)-2,311 1,029 -2,245 ,046
LnPNB 3,230 ,751 1,941 4,299 ,001 ,981 ,792 ,210 ,012 85,039
LnCPI -1,968 ,920 -,965 -2,138 ,056 ,964 -,542 -,105 ,012 85,039
a.Dependent Variable: Lnimport
Model Summaryb
Collinearity Diagnosticsa
3. ln PNBt C1 C 2 ln IPC t
Con base en estas regresiones ¿Qué puede decir usted sobre la naturaleza de la
multicolinealidad en los datos?
Caso Original = ln importacionest 1 2 ln PNBt 3 ln IPC t u i
Model Summaryb
Unstandardized Standardized
Coefficients Coefficients Correlations Collinearity Statistics
Model B Std. Error Beta t Sig. Zero-order Partial Part Tolerance VIF
1 (Constant)-2,311 1,029 -2,245 ,046
LnPNB 3,230 ,751 1,941 4,299 ,001 ,981 ,792 ,210 ,012 85,039
LnCPI -1,968 ,920 -,965 -2,138 ,056 ,964 -,542 -,105 ,012 85,039
a.Dependent Variable: Lnimport
20
Caso 2: ln importaciones A1 A2 ln PNBt
Model Summaryb
a
Coefficients
Unstandardized Standardized
Coefficients Coefficients Correlations Collinearity Statistics
Model B Std. Error Beta t Sig. Zero-order Partial Part Tolerance VIF
1 (Constant) -,543 ,699 -,777 ,452
LnPNB 1,633 ,093 ,981 17,595 ,000 ,981 ,981 ,981 1,000 1,000
a. Dependent Variable: Lnimport
Model Summaryb
a
Coefficients
Unstandardized Standardized
Coefficients Coefficients Correlations Collinearity Statistics
Model B Std. Error Beta t Sig. Zero-order Partial Part Tolerance VIF
1 (Constant) 1,508 ,815 1,850 ,089
LnCPI 1,966 ,156 ,964 12,564 ,000 ,964 ,964 ,964 1,000 1,000
a. Dependent Variable: Lnimport
21
Ahora tenemos un R2 Ajustado = 0.923 y obsérvese que b1 continua siendo
cambio de signo pero aún continua siendo no no aparecen signos de colinealidad
puesto que T=1 y VIF =1.
Caso 4: ln PNBt C1 C 2 ln IPC t
Finalmente, si regresamos ahora PNB (X2) sobre IPC (X3), tendremos los
siguientes resultados:
Model Summaryb
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients Correlations Collinearity Statistics
Model B Std. Error Beta t Sig. Zero-order Partial Part Tolerance VIF
1 (Constant) 1,182 ,200 5,915 ,000
LnCPI 1,218 ,038 ,994 31,756 ,000 ,994 ,994 ,994 1,000 1,000
a. Dependent Variable: LnPNB
Aunque este otro modelo, podremos valor el impacto aislado que el IPC, tiene
sobre el PNB, algo que hasta el momento no hemos podido verificar con exactitud;
observemos que el coeficiente de determinación entre X3 y X3 es alto, o sea que
una buena parte de lo que ocurre en PNB es explicado por IPC; no obstante el
signo no esta acorde ya que un aumento en el IPC, deberá incidir negativamente
en las importaciones debido a la baja en el poder adquisitivo.
Un facto no comentado hasta ahora es que todas las regresiones muestran clara
tendencia a la autocorrelación positiva ya que en caso 1 DW= 1.314; caso 2
DW=0.688; Caso 3 DW = 0.486 y Caso 5 DW=0.796.
Independientemente de lo anterior podemos concluir que la naturaleza de la
multicolinealidad, dificulta el cálculo de los coeficientes estimados con errores
pequeños.
(e) Suponiendo que existe multicolinealidad en los datos pero que b2 y
b3 son individualmente significativas al nivel de 5% y que la prueba F
también es significativa, en ese caso ¿debemos preocuparnos sobre el
problema de la multicolinealidad?
La multicolinealidad es un problema de marca mayor cuando en la forma de
multicolinealidad perfecta puesto que los coeficientes de regresión se tornan
indeterminados o sea no se puede obtener una solución única de los coeficientes
de regresión individual; sin embargo, en presencia de multicolinealidad imperfecta
no existe razón a priori para pensar que no se puedan calcular dichos coeficientes;
el único efecto de la multicolinealidad, según Christopher Achen, es que dificulta el
22
cálculo de los coeficientes estimado con errores pequeños; por tanto hay que
preocuparse cuando existe multicolinealidad muestral para lo cual se debe
agrandar la muestra o utilizar otras técnicas a fin de lidiar con el engorroso hecho
de aislar la influencia individual de las variables sobre Y.
23
9.7. En una encuesta de más de 9966 economistas en 1964 se obtuvieron
los siguientes datos:
a.- Desarrolle un modelo adecuado de regresión que explique el salario
mediano en relación con la edad.
¿¿????
Model Summaryb
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 9102,542 1114,635 8,166 ,000
Edad2 1,267 ,386 ,738 3,279 ,010 1,000 1,000
a. Dependent Variable: Salarios
24
5. Transformar la edad media a logaritmo
Una vez hecho esto se procederá a correr el siguiente modelo:
ln ui2 ln Xi vi
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) -,131 4,419 -,030 ,977
lnEdad -,191 1,159 -,055 -,164 ,873
a. Dependent Variable: lnZre2
son:
Model Summary
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 5968,947 1568,101 3,806 ,004
Spropocional ,513 ,122 ,815 4,213 ,002
a. Dependent Variable: Salarios
25
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) -5,183 10,524 -,493 ,634
lnSpropor ,451 1,124 ,133 ,401 ,698
a. Dependent Variable: lnZre2c2
Dado que â igual que en el caso anterior resulta no ser estadísticamente significativo por
tanto se acepta la hipótesis nula de existencia de homocedasticidad.
26
10.3.- Al estudiar el movimiento en la participación de los obreros de
producción en el valor agregado (es decir, la participación en la mano de
obra), Gujarati considero los siguientes modelos*.
Modelo A: Yt 0 1t u i
Modelo B: Yt 1t 2t 2 ui
27
Dado que 4 – 1.82 en mayor que dU = 1.446 se acepta Ho; o se no existe razón
para pensar que existe autocorrelación positiva o negativa.
(b) ¿Qué explica la correlación serial?
Asumimos que los términos correlación serial o autocorrelación en la práctica son
sinónimos que pueden explicar tanto la correlación existente entre dos series de
tiempo o bien la correlación de una rezagada de una serie consigo misma,
rezagada por un número de unidades de tiempo; en otras palabras, el término
correlación serial o autocorrelación, explica como la correlación entre miembros de
series de observaciones ordenadas en el tiempo o en el espacio. En el contexto de
la regresión, el modelo clásico de regresión lineal supone que no existe correlación
en las perturbaciones.
(c) Cómo distinguiría usted entre la autocorrelación “pura” y el sesgo de
especificación.
En principio hay que analizar el tipo de datos que estamos manejando; si se trata
de series de tiempo es muy probable que se este en presencia de autocorrelación
pura para ello tendremos que incluir la variable tiempo - tendencia a fin de
observar la relación entre las variables analizadas; si después de hacer este tipo de
transformaciones, “d” continua siendo bajo, estaremos en presencia de un mala
especificación del modelo. Aplicando el DW sobre un modelo al que ya se le ha
tratado para corregir la autocorrelación lo que observamos no es la correlación
positiva o negativa observada en los residuos cuando se ajusta un modelo sino son
los errores de especificación. La correlación observada refleja el hecho de que hay
una o más variables pertenecientes al modelo que están incluidas en términos del
error y necesitan ser rechazadas de este ser introducidas por derecho propio.
28
Ejercicio 12.5
Suponiendo que modificamos la regresión del salario de un profesor universitario
(12.4.1) así: Yi 1 2 D2i 3 D3i 4 ( D2i , D3i ) BX i uo
Donde:
Yi= Salario anual de un profesor universitario
Xi= Años de experiencia docente
D2= 1 si es hombre y cero en los demás casos
D3= 1 si es blanco y cero en los demás casos
(a) El término (D2iD3i) representa el efecto de interacción ¿Qué significa
esta expresión)
En este modelo el sexo y la raza son regresoras cualitativas y los años de docencia
cuantitativos. Esta implícito en este modelo la suposición de que el efecto
diferencial de la variable sexo, D2, es constante en las dos categorías de raza y el
efecto diferencial de la variable dicótoma raza, D3, también es constante en los
dos sexos. Es decir, si el salario medio es mayor para los hombres que para las
mujeres, se debe a que pertenezcan o no pertenezcan a la categoría de blanco. De
igual forma, si los no blancos tienen salarios medios menores, se debe a que son
hombres o mujeres; no obstante en muchas ocasiones un hombre no blanco tal
vez gane menor salario que un hombre de esa misma categoría. En otras palabras,
quizás hay interacción en las dos variables cualitativas D2 y D3. Por tanto, su
efecto sobre la media Y quizás no sea simplemente aditivo sino multiplicativo con
el modelo presentado Yi 1 2 D2i 3 D3i 4 ( D2i , D3i ) BX i ui .
¿?
29