Econometria – Ejercicio con E-Views

1) En un estudio para aumentar la supervivencia (variable Y en tanto por ciento) de determinada

clase de plantas se utilizan concentraciones de tres productos diferentes (variables X 1 , X2, X3 en
gramos). Para distintos valores de las variables X1 X2 y se obtienen los siguientes porcentajes de
aumento de supervivencia

Y X1 X2 X3
25,5 1,74 5,30 10,80
31,2 6,32 5,42 9,40
25,9 6,22 8,41 7,20
38,4 10,52 4,63 8,50
18,4 1,19 11,60 9,40
26,7 1,22 5,85 9,90
26,4 4,1 6,62 8,00
25,9 6,32 8,72 9,10
32,0 4,08 4,42 8,70
25,2 4,15 7,6 9,20
39,7 10,15 4,83 9,40
35,7 1,72 3,12 7,60
26,5 1,70 5,30 8,20

a) Ajustar los datos a un modelo de regresión lineal multiple que explique el porcentaje de
aumento de la supervivencia en función de las concentraciones de los tres productos que inciden
sobre la supervivencia de las plantas

b) Realizar la estimación de varianza residual

c) realizar la estimación de β 2= -2,5 contra β 2> -2,5 , para α = 0,05

d) Calcular el coeficiente de determinación r 2

e) Realizar el contraste de significación conjunta de la regresión y el contraste de significación

individual parámetro a parámetro

Respuesta

a) Para realizar la regresión:

Quick Estimate Equation

En “Equation Specificatión” escribir: Y C X1 X2 X3

“Std Error” (σ^ ¿ es la desviación típica de los estimadores del modelo (a utilizar para el cálculo de
los intervalos de confianza de los parámetros estimados)

“S.E. of regresión” error estándar de la regresión

Situándonos en la ventana “Equatión”

View “Representation” : da la ecuación del modelo estimado. La constante C juega el papel

de una cuota fija de supervivencia de las plantas independiente de la aplicación o no de los
productos

Observamos que en el análisis de la significatividad individual de c/parámetro: el parámetro X3

presenta una baja significatividad del 41% (p-valor = 0,59) esto podría determinar la eliminación
de esta variable del modelo

Contraste de restricciones sobre los parámetros

Se realiza a partir, del contraste de Wald, es un contraste paramétrico, se utiliza para poner a
prueba el verdadero valor del parámetro basado en la estimación de la muestra

En la pantalla “Equatión” realizar:

View Coefficient test Wald – coefficient restriction

C(1) = C(2) = C(3) = C(4) = 0 para probar la significatividad conjunta del modelo: Se acepta la
significatividad conjunta el P-valor es muy pequeño

Contraste de hipótesis de β 2= -2,5

Se debe poner: C(2) = -5/2 o -2,5

Como el P-valor es pequeño se rechaza esta hipótesis (los grados de libertad de la prueba F:
1 1
F 13− 4 ; F 9

Calculo de la predicción

En la pantalla “workfile”

Procs “Structure/Resize Current Page” (cambiar el tamaño de la muestra)

Necesitamos cambiar el tamaño de la muestra hasta 14 (una “observación” mas

En “end date” = 14

Luego se marcan las tres variables y con el botón derecho elehimos

Open as group

Se coloca Edit y se agregan los valores X1 = 3 ; X2 = 18 ; X3 =9

Luego

Situándonos en la ventana “Equatión”

Procs Forecast ; en Forecast None: yf

En S-E (optional) : SEf

Dar OK

Analisis de los residuos

Una de las comprobaciones que se pueden hacer una vez estimado el modelo es realizar un
analisis de los residues para detector posibles anomalias

En la pantalla Equation

Para la variable endógena “Y” tenemos:

Actual = real
Fifted = ajustado
Residual = residual

View actual fifted residual table ofrece líneas discontinuas situadas a una distancia
de +/- 2S de la línea central siendo “S” el error estandar de la regresión

Las bandas permiten detectar la presencia de residuos significativamente distintos de cero

(atípicos)

Los posibles valores atípicos pueden provenir de la presencia de una variable poco significativa en
el modelo (X3)
2) a)Analizar la relación existente entre:

Y = Grado de estrés
X1 = Tamaño de la empresa en que trabajan
X2 = Número de años de trabajo en la empresa actual
X3 = Salario anual percibido
X4 = edad del trabajador

Observaciones
X1 X2 X3 X4 Y
812 15 30 38 101
334 8 20 52 60
377 5 20 27 10
303 10 54 36 27
505 13 52 34 89
401 4 27 45 60
177 6 26 50 16
598 9 52 60 184
412 16 34 44 34
127 2 28 39 17
601 8 42 41 78
297 11 84 58 141
205 4 31 51 11
603 5 38 63 104
484 8 41 30 76

b) Evaluar la capacidad predictiva del modelo

c) Hallar las predicciones del grado de estrés de los trabajadores para los valores siguientes de las
variables independientes

X1 X2 X3 X4
30 9 44 42
2
35 8 65 62
1
38 9 52 53
1

Respuesta

*Seleccionamos en el workfile todas las series X 1 X2 X3 X4 Y para abrirlas en grupos con:

CTRL open as group

Luego en la pantalla Group

View multiple group scatter First series against all

Permite intuir una relación lineal positive entre Y y cada una de las X, relación que es mas fuerte
con X1 (tamaño de la empresa) y X3 (salario actual)
Tambien podemos cuantificar La relaciones entre las variables mediante su matriz de
correlaciones

En la pantalla Group

View covariance análisis X correlation X

En la matriz de correlaciones se observa que X 1 (tamaño de empresa) y X3 (salario actual) son las
variables que presentan mayor correlación con el nivel de estrés (Y) y que existe una cierta
relación entre X1 y X2 , también entre X2 y X3. Es lógico entonces realizar un ajuste lineal de la
variable Y con respecto a las demás variables

Ajuste lineal

Debemos realizar la estimación del modelo a través de mínimos cuadrados ordinarios

Quick Estimate Equatión en specification poner…Y C X 1 X2 X3 X4 aceptar

Análisis de la salida:

-Todos los parámetros estimados (salvo X2) son significativamente distintos de 0 al 95% (P-valores
menores que 0,005)
-La significatividad conjunta es muy alta (P-valor de la “F” muy pequeño)
-El R2 y el R2 ajustado son altos, la variablilidad explicada es alta
-La desviación estimada del error es 24,03
-Los criterios de información de Akaike y Schwartz tienen valores pequeños con lo que la
capacidad explicativa del modelo es buena
-El Durbin Watson tiene un valor no demasiado alejado de 2, lo que indica ausencia de posibles
problemas de autocorrelación

Si en la pantalla Equation elegimos View Representation

Se obtiene la ecuación del modelo de ajuste

Eliminación de la variable X2

X2 debe eliminarse del modelo por no haber resultado ser significativamente distinta de 0

En la pantalla Equatión

Proc Specify/estimate en specification Y C X1 X2 X3 X4 Ok

Ahora todas las variables del modelo han aumentado su significatividad (P-valores más pequeños)
Y valores de R2 son mejores (mas altos)
La significatividad conjunta de los parámetros del modelo también ha mejorado (P-valor de la F
mas pequeño)

La opción View Representation muestra el nuevo modelo estimado

Se ve que al eliminar a X2, los efectos de las variables independientes sobre la variable
dependiente han disminuido levemente. Por lo tanto la introducción de la variable no significativa
en el modelo provocaba una sobreestimación de los efectos de las restantes variables sobre la
variable dependiente