ACTIVIDAD N°1

A partir de la 1era y la 2da ecuación normal:

Despejar las fórmulas de los coeficientes o parámetros de un modelo de regresión.

ACTIVIDAD 3

Si el intercepto es 106.35 , la variable independiente es la morosidad y la variable

dependiente es el volumen de crédito. Interprete el intercepto de acuerdo con el
modelo LINEAL.
 si la morosidad es 0 el volumen de crédito a ser igual a 106.35%

Si la pendiente es 0.35 , la variable independiente es la solvencia y la variable

dependiente es el volumen de colocaciones. Interprete la pendiente de acuerdo con
el modelo ESTANDARIZADO.
 Si la solvencia estandarizada incrementa en una desviación estándar en
promedio el volumen de colocación estandarizada incrementara en 0.35
desviaciones estándar

Si el intercepto es 2.34, la variable independiente es el número de vehículos de la

ciudad de Quito y la variable dependiente es la contaminación ambiental.
Interprete el intercepto de acuerdo con el modelo LOGARÍTMICO.

 Si el número de vehículos logarítmicos es 0 la contaminación ambiental

logarítmica a va ser igual a 2.34 puntos porcentuales

Si la pendiente es 0.095 , la variable independiente es la tasa de desempleo y la

variable dependiente es la tasa de inseguridad ciudadana. Interprete la pendiente
de acuerdo con el modelo LOG-LIN. Solo pendiente

 Si la tasa de desempleo incrementa en un punto porcentual en promedio la tasa

de inseguridad logarítmica incrementara en 0.095 puntos porcentuales
Si la pendiente es −5000.25, la variable independiente es la inflación y la variable
dependiente es el consumo de los hogares. Interprete la pendiente de acuerdo con
el modelo LIN-LOG.
 Si la inflación logarítmica incrementa en un punto porcentual el consumo de
los hogares disminuirá en -5000.25

ACTIVIDAD 4

Es importante la detección de la multicolinealidad dentro de un modelo de regresión. Una de las técnicas

para detectar la multicolinealidad es la Prueba de Belsley, Kuh y Welsch. Suponiendo un valor propio
mínimo de 0.62 y un valor propio máximo de 1.37, calcule el índice de condición e interprete el resultado.

Es importante la detección de la heteroscedasticidad dentro de un modelo de regresión. Una de las

técnicas para detectar la heteroscedasticidad es la Prueba de Breusch-Pagan-Godfrey. Suponiendo que la
sumatoria de los estimadores cuadrados es SCE= 15.25, calcule el valor del  de la distribución Chi-
cuadrado e interprete el resultado (valor crítico de Chi-cuadrado es 3.00).

Es importante la detección de la multicolinealidad dentro de un modelo de regresión. Una de las técnicas

para detectar la multicolinealidad es el Factor Inflacionario de la Varianza. Suponiendo un coeficiente de
determinación de 0.95, calcule el valor del FIV e interprete el resultado.

Es importante la detección de la heteroscedasticidad dentro de un modelo de regresión. Una de las

técnicas para detectar la heteroscedasticidad es la Prueba de Goldfeld-Quandt. Suponiendo que la
sumatoria de los cuadrados residuales son SCR1= 1537 y SCR2= 377 respectivamente con 11 grados de
libertad, calcule el valor del λ de la distribución de Fisher e interprete el resultado (valor crítico de Fisher
es 4.00).

Es importante la detección de la autocorrelación dentro de un modelo de regresión. Una de las técnicas

para detectar la autocorrelación es la Prueba de Rachas. Utilice los datos desplegados en la tabla adjunta
para calcular el número de observaciones de las rachas positivas (N1), el número de observaciones de las
rachas negativas (N2) y el número de rachas (R).
Ui 4.82 -10.36 4.45 -0.73 4.09 -1.09 -6.27 3.55 8.36 -6.82