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(𝑌̂) = 2,190 + 0,343ln(𝑋1 ) − 0,505 ln(𝑋2 ) + 0,149 ln(𝑋3 ) + 0,091ln⁡(𝑋4 )

Quitando 𝑿𝟒 (precio real de la carne de res) para probar si el modelo sirve sin esta variable y
nueva salida de Coeficientes.

𝐻0 : 𝛽4 = 0

(𝑁𝑅) ln(𝑌) = 𝛽0 + 𝛽1 ln(𝑋1 ) + 𝛽2 ln(𝑋2 ) + 𝛽3 ln(𝑋3 ) + 𝛽4 ln(𝑋4 ) + 𝜀

(𝑅) ln(𝑌) = 𝛽0 + 𝛽1 ln(𝑋1 ) + 𝛽2 ln(𝑋2 ) + 𝛽3 ln(𝑋3 ) + 𝜀

(𝑅) ln(𝑌̂) = 2,125 + 0,406ln(𝑋1 ) − 0,439 ln(𝑋2 ) + 0,107 ln(𝑋3 )

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

(NR) (R)

0,761−0,760
4−3 No se rechaza 𝐻0 , por lo tanto, la
𝐹𝑐 = 0,014 ~𝐹(4 − 3,18)𝛼=0,05 → ⁡ 𝐹𝑐 = 1,2857 < 4,41 variable 𝑋4 se puede quitar del
18 modelo
Quitando 𝑿𝟑 (Precio de la carne de cerdo) para probar su el modelo sirve sin esta variable.
Ya sin estas dos variables (𝑿𝟒⁡𝒚⁡ 𝑿𝟑 ) se logra el Modelo (2) para la demanda por pollo.

𝐻0 : 𝛽3 = 0

(𝑁𝑅) ln(𝑌) = 𝛽0 + 𝛽1 ln(𝑋1 ) + 𝛽2 ln(𝑋2 ) + 𝛽3 ln(𝑋3 ) + 𝜀

(𝑅) ln(𝑌) = 𝛽0 + 𝛽1 ln(𝑋1 ) + 𝛽2 ln(𝑋2 ) + 𝜀

(𝑅) ln(𝑌̂) = 2,033 + 0,452ln(𝑋1 ) − 0,372 ln(𝑋2 )

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

(NR) (R)

No se rechaza 𝐻0 , por lo tanto, la

(0,760 − 0,759)/(3 − 2) variable 𝑋3 se puede quitar del
𝐹𝑐 = ~𝐹(3 − 1,19)𝛼=0,05 → 𝐹𝑐 = 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
(𝑋3 ) y el Precio real al menudeo de la carne de res (𝑋4 ), 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 +
𝛽1 ln(𝑋1 ) + 𝛽2 ln(𝑋2 ) + 𝜀