CONTROL 2 - MÉTODOS Y MODELOS DE PROYECCIÓN.

SECCIÓN A2
Profesor: Medardo Aguirre G. Ayudante: Benjamín Alfaro
Nombre Alumno: Simón Lagos Haspeklo
Desarrollo
Para ver qué modelo ((1) o (2)) se ajusta mejor a los datos se irá sacando variables del
Modelo (1) haciendo correlaciones parciales y también las pruebas pertinentes.
Estimación del modelo (1) utilizando la tabla Coeficientes con las variables calculadas con
Logaritmo Natural.

ln ( Y^ ) =2,190+0,343 ln ( X 1) −0,505 ln ( X 2 ) + 0,149 ln ( X 3 ) +0,091 ln ⁡( X 4 )

Quitando X 4(precio real de la carne de res) para probar si el modelo sirve sin esta variable y

nueva salida de Coeficientes.

H 0 : β 4=0

( NR ) ln (Y )=β 0 + β 1 ln ( X 1) + β2 ln ( X 2 ) + β3 ln ( X 3 ) + β 4 ln ( X 4 ) + ε

( R ) ln ( Y )=β 0 + β 1 ln ( X 1 ) + β 2 ln ( X 2 ) + β 3 ln ( X 3 ) +ε
 ( R ) ln ( Y^ )=2,125+ 0,406 ln ( X 1 ) −0,439 ln ( X 2 ) +0,107 ln ( X 3 )
Prueba-F y tablas de salida ANOVA de los modelos NR y R.

(NR) (R)
0,761−0,760
4−3
F c= F ( 4−3,18 )α=0,05 → F c =1,2857< 4,41
0,014
18
No se rechaza H 0, por lo tanto, la
Quitando X 3 (Precio de la carne de cerdo) para probar su el modelo X 4 sesin
variablesirve esta
puede variable.
quitar del
modelo

Ya sin estas dos variables ( X 4 y X 3) se logra el Modelo (2) para la demanda por pollo.

H 0 : β 3=0

( NR ) ln (Y )=β 0 + β 1 ln ( X 1) + β2 ln ( X 2 ) + β3 ln ( X 3 ) + ε

( R ) ln ( Y )=β 0 + β 1 ln ( X 1 ) + β 2 ln ( X 2 ) +ε

( R ) ln ( Y^ )=2,033+ 0,452 ln ( X 1 )−0,372 ln ( X 2 )

Prueba-F y tablas ANOVA de los modelos NR y R.

(NR) (R)

No se rechaza H 0, por lo tanto, la

(0,760−0,759) /(3−2) variable X3 se puede quitar del
F c= F (3−1,19)α =0,05 → F c =1,2667< 4,38
0,015/(19) modelo
∴ Para este estudio si se pueden no incorporar las variables del Precio real al menudeo del cerdo
(X ¿ ¿3)¿ y el Precio real al menudeo de la carne de res ( X 4 ¿, ya que, sin estas variables el
modelo es mucho mejor para hacer pronósticos.

Por lo tanto, la función de la demanda que mejor se ajusta a los datos es el Modelo (2):
ln ( Y )= β0 + β 1 ln ( X 1 ) + β 2 ln ( X 2 ) + ε