INSTITUTO POLITÉCNICO NACIONAL

Escuela Superior de Economía

MODELO DE REGRESIÓN
LINEAL MÚLTIPLE

PRESENTA:
Ambrosio Velázquez Ángela Jocelyne
Barrera Reyes María Guadalupe
López López Guadalupe
Valdez Romero Hannya Jocelyn

TUTOR:
Santos Pérez Rubén

MATERIA:
Econometría

GRUPO:
2EM24

Fecha de entrega: 03 de Noviembre del 2021

El director de una cadena hotelera quiere estudiar el sector turístico en España; para ello
dispone de cinco variables relativas al sector hotelero con las que pretende construir un
modelo econométrico que le permita conocer el grado de ocupación hotelera (Y) número
de huéspedes. Los datos disponibles son de corte transversal y pertenecen a cada una de
las 17 comunidades autónomas para el último trimestre de 1995. (Las comas se deben
sustituir por puntos y los puntos equivalen al separador de centenas dado que los datos
tienen el formato europeo).
y X1 X2 X3 X4
40.16 421844 2.96 116.7 1
22.67 72323 1.76 115.4 0
23.43 25581 2.16 117.9 1
43.51 75614 10.96 117.2 1
71.41 249763 8.16 118.7 1
18.08 18.022 1.68 116.1 1
23.65 126887 1.52 116.7 0
26.89 77751 1.5 117.2 0
35.81 28509.000 2.32 116.8 1
48.20 143514 5.11 115.3 0
27.69 45072 1.57 117.6 1
22.94 86473 1.9 117.6 0
41.58 317845 1.97 115.9 1
29.35 26471 2.93 116.5 0
22.07 1647.000 1.69 120.5 1
28.85 577.000 1.81 117.1 0
30.85 12963 1.92 118.6 1

Las variables que se desea incluir en el modelo son número medio de viajeros (X1), días de
estancia promedio (X2), ingreso en dólares (X3) y una variable de localización geográfica
(X4) que toma el valor 1 si la comunidad autónoma tiene costa y 0 en caso contrario.
1. Estime el modelo de regresión lineal múltiple e interprete los coeficientes estimados
del modelo:

Y = β0 + β 1 X + β 2 X + β 3 X + β 4 X + µ
1 2 3 4

Se utiliza la fórmula: ^ −1
β=¿ ( X ‘ X ) X ' y ¿
Para ello se calcula:

Página 2 de 10
 [ ]
17.00 2059383.00 51.92 1991.80 10.00
2059383.00 491283107989.00 7128470.92 240628774.10 1468264.00
( X ' X ) = 51.92 7128470.92 270.47 6085.74 35.39 5x5
1991.80 240628774.10 6085.74 233395.46 1176.00
10.00 1468264.00 35.39 1176.00 10.00

[ ]
557.14
82502308.35
Y X ‘ y = 2108.7116
65280.61
354.59

Con lo que se obtiene:

(X ¿ ¿' X) ¿-1

[ ]
744.2197798 −2.5681E-05 −0.04277309 −6.36452314 8.287630175
−2.681E-05 5.40231E-12 −2.1864E-08 2.2375E-07 −5.47789E-07
¿ −0.042773089 −2.18645E-08 0.00953222 0.000189714 −0.010061499
−6.36452314 2.23753−07 0.000189771 0.54445039 −0.071737296
8.287630175 −5.47789E-07 −0.0100615 −0.071737296 0.364713382

Sustituyendo en la fórmula, se obtiene:

[ ][ ]
744.2197798 −2.5681E-05 −0.04277309 −6.36452314 8.287630175 557.14
−2.681E-05 5.40231E-12 −2.1864E-08 2.2375E-07 −5.47789E-07 82502308.35
^β= −0.042773089 −2.18645E-08 0.00953222 0.000189714 −0.010061499 2108.7116
−6.36452314 2.23753−07 0.000189771 0.54445039 −0.071737296 65280.61
8.287630175 −5.47789E-07 −0.0100615 −0.071737296 0.364713382 354.59

[ ]
−181.5764986
0.0000582
^β= 3.2831603
1.6975758
−2.7711142

Por lo tanto, el modelo estimado está dado por:

Y^ =−181.5764986 + 0.000058 X +3.2831603 X 2 +1.6975758 X 3 + −2.771114 X 3

1

Y=Numero de huéspedes
X1= son número medio de viajeros
X2=días de estancia en promedio
X3=ingreso en dólares
X4= una variable de localización geográfica

Página 3 de 10
2. Calcule el R2 y el R2 ajustado e interprete el resultado. Emplear la fórmula extensa,
para ello deberá calcular la Matriz de desviaciones M ° . Es decir, emplear la fórmula
β ̂ ' X ' M ° Xβ ̂ û ' u ̂
R 2¿ =1−
y' M° y y' M ° y
Para calcular el coeficiente de determinación, se utiliza la fórmula:
û 'û
R 2=1−
y' M° y
Por tanto, se tiene que:
635.9159895
R 2=1− =0.771122893
21037−17 ( 32.77294118 )2
Por otro lado, el R2 ajustado está dado por:
'
u^ u^ /( n−k−1)
R2¿ 1−
y ' M ° y /(n−1)
635.9159895/17−1
R2=1− =0.694830523
21037/17−5
El 69.48 % de la variación de Y permite saber la ocupación hotelera que es explicado por
el modelo.
3. Calcule la matriz de varianzas y covarianzas de los estimadores del modelo.

u^´ u^
σ 2¿
n−k−1
Para lo cual, primero se calcula u ˆ :

Página 4 de 10
 [ ][ ] [ ][ ][ ]
40.16 48.049 40.16 48.049 −7.8899
22.67 24.3149 22.67 24.3149 −1.6449
23.43 24.3783 23.43 24.3783 −0.9483
43.51 54.9962 43.51 54.9962 −11.4862
71.41 58.4938 71.41 58.4938 12.9162

[ ]
18.08 19.3064 18.08 19.3064 −1.2264
23.65 28.9121 −181.5764986 23.65 28.9121 −5.2621
26.89 26.8331 0.0000582 26.89 26.8331 0.0569
^µ= y −^y = y−x ^β= 35.81 − 38.1526 3.2831603 = 35.81 − 38.1526 = −2.3426
48.20 39.2906 1.6975758 48.20 39.2906 8.9094
27.69 23.0673 −2.7711142 27.69 23.0673 4.6227
22.94 29.3334 22.94 29.3334 −6.3934
41.58 37.3836 41.58 37.3836 4.1964
29.35 27.3527 29.35 27.3527 1.9973
22.07 26.7182 22.07 26.7182 −4.6482
28.85 26.5132 28.85 26.5132 2.3368
30.85 24.0436 30.85 24.0436 6.8064

Entonces:

u^´ u^ =635.9159895
Por lo tanto
635.9159895
σ 2¿ =¿52.99299913
17−5−1
Dado que n = 17 (17 datos u observaciones) y k = 5 (5 variables explicativas).
Así la matriz de varianzas covarianzas está dada por:

Var [ ^β ] =σ 2 ( X ‘ X ) =
−1

[ ]
744.2197798 −2.5681E-05 −0.04277309 −6.36452314 8.287630175
−2.681E-05 5.40231E-12 −2.1864E-08 2.2375E-07 −5.47789E-07
¿ 52.99299913 −0.042773089 −2.18645E-08 0.00953222 0.000189714 −0.010061499
−6.36452314 2.23753−07 0.000189771 0.54445039 −0.071737296
8.287630175 −5.47789E-07 −0.0100615 −0.071737296 0.364713382

Página 5 de 10
 [ ]
900.8809851 109132882 2751.39651 105551.4557 529.929991
109132881.5 2.6035E+13 377759053 12751640415 77807712.9
Var [ β ] =σ 2 ( X ‘ X ) = 2751.396515 377759053 14332.9423 322501.7735 1875.42224
^ −1

105551.4557 1.2752E+10 322501.773 12368325.41 62319.767

529.9299913 77807712.9 1875.42224 62319.76697 529.929991

Var[β1^]= 900.81809851 ee[β1^]= 30.0146795

Var[β2^]= 2.60346E+13 ee[β2^]= 5102407.8
Var[β3^]= 14332.94228 ee[β3^]= 119.720267
Var[β4^]= 12368325.41 ee[β4^]= 3516.86301
Var[β5^]= 529.9299913 ee[β5^]= 23.0202083

4. Contrastar la significancia individual de cada coeficiente de regresión e intérprete.

Para realizar la prueba de significancia individual de cada uno de los coeficientes del
modelo, se plantea:
Se construye
^
β 1− ^
β1°
tc=
ee [β 1]

Para: β1^
En donde H 0= β1=0 Para: β2^

β1^= -181.576 En donde H 0= β2=0

β10= 0
β2^= 0.0000582
ee[β1^]= 30.01467949
β20= 0
Calcular tc
ee[β2^]= 5102407.796
tc= -6.049589788465
Calcular tc
Obtener el valor crítico de t
tc= 0.000000000011
α= 0.25
Obtener el valor crítico de t
n= 17
α= 0.05
k= 5
n= 17
t0.05/2,17-5= 1.208852542
k= 5
t0.05/2,17-5= 2.17881283
Como |tc|>|t0.05/2,17-5| se rechaza H0
Como |tc|<|t0.05/2,17-5| se rechaza H0

Página 6 de 10
 Como |tc|<|t0.05/2,17-5| se rechaza H0

Para: β4^
Para: β3^
En donde H 0= β 4=0
En donde H 0= β3 =0

β4^= 1.698
β3^= 3.283
β40= 0
ee[β4^]= 3516.863007
β30= 0
Calcular tc
ee[β3^]= 119.7202668
tc= 0.0004826960
Calcular tc
Obtener el valor crítico de t
tc= 0.027423596221
α= 0.05
Obtener el valor crítico de t
n= 17
α= 0.05
k= 5
n= 17
t0.05/2,17-5= 2.17881283
k= 5
t0.05/2,17-5= 2.17881283
Como |tc|<|t0.05/2,17-5| se rechaza H0

Para: β5^
En donde H 0= β5 =0

β5^= -2.771
β50= 0
ee[β5^]= 23.02020832
Calcular tc
tc= -0.1203774605
Obtener el valor crítico de t
α= 0.05
n= 17
k= 5
t0.05/2,17-
5= 2.17881283

Como |tc|<|t0.05/2,17-5| se rechaza H0

Página 7 de 10
5. Construir un intervalo de confianza al 99% para el coeficiente de X1.
Pr ¿
Sustituir:
t α/ 2 ,n−k
α =0.05
n=17
k =5
t 0.05/ 2,17−5=t 0.25,12=2.17881283
ee [ β 1]=30.0146795
Sustituir:
Pr ¿
Pr (−116.1796312≤ β 1 ≤−246.9723688)=99 %
Con un 99 % de probabilidad o confianza el verdadero valor de β 1 se encuentra entre
116.1796312 y −246.9723688
6. Verificar sus cálculos en Stata. Mostrar la salida de la regresión.
regress y x1 x2 x3 x4

Source | SS df MS Number of obs = 17

-------------+---------------------------------- F(4, 12) = 10.11

Model | 2142.50107 4 535.625267 Prob > F = 0.0008

Residual | 635.915985 12 52.9929988 R-squared = 0.7711

-------------+---------------------------------- Adj R-squared = 0.6948

Total | 2778.41705 16 173.651066 Root MSE = 7.2796

------------------------------------------------------------------------------

y | Coef. Std. Err. t P>|t| [95% Conf. Interval]

-------------+----------------------------------------------------------------

x1 | .0582497 .0169199 3.44 0.005 .0213843 .0951151

x2 | 3.283161 .7107326 4.62 0.001 1.734607 4.831714

x3 | 1.69758 1.698591 1.00 0.337 -2.003331 5.398491

x4 | -2.771119 4.396278 -0.63 0.540 -12.34979 6.807548

_cons | -181.577 198.5913 -0.91 0.379 -614.2702 251.1162

Página 8 de 10
------------------------------------------------------------------------------

scalars:

e(N) = 17

e(df_m) = 4

e(df_r) = 12

e(F) = 10.10747229843673

e(r2) = .771122918920241

e(rmse) = 7.279629028097249

e(mss) = 2142.501068991298

e(rss) = 635.9159854405932

e(r2_a) = .6948305585603214

e(ll) = -54.907706518131

e(ll_0) = -67.44155307686974

e(rank) = 5

mvc[1,5]

x1 x2 x3 x4 _cons

y1 .05824971 3.2831606 1.6975799 -2.7711194 -181.57698

symmetric mvc[5,5]

x1 x2 x3 x4 _cons

x1 .00028628

x2 -.00115866 .50514083

x3 .0118572 .01005411 2.88521

x4 -.029029 -.5331898 -3.8015799 19.327263

_cons -1.4033108 -2.2667445 -337.27564 439.18701 39438.493

best[1,5]

x1 x2 x3 x4 _cons

y1 .05824971 3.2831606 1.6975799 -2.7711194 -181.57698

regress y x1 x2 x3 x4, level(99)

Source | SS df MS Number of obs = 17

-------------+---------------------------------- F(4, 12) = 10.11

Model | 2142.50107 4 535.625267 Prob > F = 0.0008

Residual | 635.915985 12 52.9929988 R-squared = 0.7711

-------------+---------------------------------- Adj R-squared = 0.6948

Página 9 de 10
 Total | 2778.41705 16 173.651066 Root MSE = 7.2796

------------------------------------------------------------------------------

y | Coef. Std. Err. t P>|t| [99% Conf. Interval]

-------------+----------------------------------------------------------------

x1 | .0582497 .0169199 3.44 0.005 .0065671 .1099323

x2 | 3.283161 .7107326 4.62 0.001 1.1122 5.454121

x3 | 1.69758 1.698591 1.00 0.337 -3.490832 6.885992

x4 | -2.771119 4.396278 -0.63 0.540 -16.19973 10.65749

_cons | -181.577 198.5913 -0.91 0.379 -788.1819 425.0279

------------------------------------------------------------------------------

Página 10 de 10