FACULTAD DE ECONOMÍA Y NEGOCIOS

ESCUELA DE INGENIERÍA COMERCIAL

ECONOMETRÍA

PROFESOR : Medardo Aguirre González

TALLER Nº6

HETEROCEDASTICIDAD

PROBLEMA 1 (Modelo del Portafolio)

La línea del mercado de capitales de la Teoría del Portafolio postula, para portafolios eficientes, una relación
lineal entre el retorno esperado y el riesgo (medido por la desviación estándar) como la siguiente:
i  0  1i  

donde i  retorno esperado sobre el portafolio i y i  desviación estándar del retorno. Dados los
siguientes datos sobre retorno esperado y desviación estándar del retorno de los portafolios de 34 fondos
mutuos,

1.1 Verifique si los datos apoyan la teoría.

1.2 Analice la existencia de heterocedasticidad.
FACULTAD DE ECONOMÍA Y NEGOCIOS
ESCUELA DE INGENIERÍA COMERCIAL

ANEXOS

1. Regresión:   0  1  

1.1. Model Summary

Model R R Square Adjusted R Square Std. Error of the
Estimate
1 .836 .699 .689 1.3580

1.2. ANOVA
Model Sum of df Mean Square F Sig.
Squares
1 Regression 136.888 1 136.888 74.227 .000
Residual 59.014 32 1.844
Total 195.902 33

1.3. Coefficients
Unstandardized Standardized t Sig.
Coefficients Coefficients
Model B Std. Error Beta
1 (Constant) 5.541 .969 5.721 .000
X .475 .055 .836 8.616 .000

2. Regresión:  2   0  1   2 2   (Test de White)

2.1. Model Summary

Model R R Square Adjusted R Square Std. Error of the
Estimate
1 .538 .289 .243 2.54484

2.2. ANOVA
Model Sum of df Mean Square F Sig.
Squares
1 Regression 81.626 2 40.813 6.302 .005
Residual 200.763 31 6.476
Total 282.389 33

2.3. Coefficients
Unstandardized Standardized t Sig.
Coefficients Coefficients
Model B Std. Error Beta
1 (Constant) 9.536 6.826 1.397 .172
 -1.323 .830 -1.941 -1.593 .121
2 4.780E-02 .024 2.407 1.975 .057

3. Regresión: ln    
2
0  1 ln    (Test de Park)

3.1. Model Summary

Model R R Square Adjusted R Square Std. Error of the
Estimate
1 .469 .220 .196 2.29171
 FACULTAD DE ECONOMÍA Y NEGOCIOS
ESCUELA DE INGENIERÍA COMERCIAL

3.2. ANOVA
Model Sum of df Mean Square F Sig.
Squares
1 Regression 47.463 1 47.463 9.037 .005
Residual 168.062 32 5.252
Total 215.525 33

3.3. Coefficients
Unstandardized Standardized t Sig.
Coefficients Coefficients
Model B Std. Error Beta
1 (Constant) -13.752 4.226 -3.254 .003
Ln(X) 4.510 1.500 .469 3.006 .005

4. Nonparametric Correlations (Test de Correlación por Rangos de Spearman)

Correlations
| | 
Spearman's rho | | Correlation 1.000 .411
Coefficient
Sig. (2-tailed) . .016
N 34 34
 Correlation .411 1.000
Coefficient
Sig. (2-tailed) .016 .
N 34 34
* Correlation is significant at the .05 level (2-tailed).

5. Graph :  2 versus 

14

12

10

2
CUARES

-2
0 10 20 30

S
 FACULTAD DE ECONOMÍA Y NEGOCIOS
ESCUELA DE INGENIERÍA COMERCIAL

6. Graph:  2 versus ̂

14

12

10

2
CUARES

-2
8 10 12 14 16 18

Unstandardized Predicted Value

7. Análisis de mínimos cuadrados ponderados

Resumen de potencia

b
Val ores de log-verosimi litud
Pot encia -2.000 -64.768
-1.500 -62.835
-1.000 -60.988
-.500 -59.250
.000 -57.649
.500 -56.211
1.000 -54.963
1.500 -53.927
2.000 -53.121a
a. Se ha seleccionado la potencia correspondiente
para análisis adicionales porque maximiza la
f unción de log-v erosimilitud.
b. Variable dependiente: Y, v ariable de origen: X
FACULTAD DE ECONOMÍA Y NEGOCIOS
ESCUELA DE INGENIERÍA COMERCIAL

Estadísticos del mejor modelo

Descripción del modelo

Variable dependient e Y
Variables independientes 1 X
Ponderación Origen X
Valor de pot encia 2.000
Modelo: MOD_1.

Resumen del model o

R múltiple .884
R cuadrado .782
R cuadrado ajustado .775
Error típico de la
.072
estimación
Valor de la f unción
-53.121
log-v erosimilitud

ANOVA

Suma de Media
cuadrados gl cuadrática F Sig.
Regresión .594 1 .594 114.781 .000
Residual .166 32 .005
Total .760 33

Coeficientes

Coef icientes no Coef icientes

estandarizados estandarizados
B Error típico Beta Error típico t Sig.
(Constante) 5.178 .712 7.274 .000
X .496 .046 .884 .083 10.714 .000
FACULTAD DE ECONOMÍA Y NEGOCIOS
ESCUELA DE INGENIERÍA COMERCIAL

PROBLEMA 2

Se tiene información trimestral (I trimestre de 2000 al IV trimestre de 2003) sobre las siguientes variables:

Y = cantidad de rosas vendidas, docenas

X1 = precio promedio al por mayor de las rosas, US$/docena
X2 = ingreso promedio disponible familiar semanal, US$/semana

Se pide analizar el modelo:

1Y   0  1 X 1   2 X 2  
Sobre la base de la información en tablas anexas, responda las siguientes preguntas.

2.1 Haga un diagnóstico de heterocedasticidad, del modelo (1), mediante tres criterios diferentes.
2.2 Analice la existencia de residuos inusuales y puntos influyentes en la muestra. Explique brevemente.
2.3 A partir del anexo 1, ¿puede usted detectar un posible problema de heterocedasticidad? Explique.
2.4 ¿Utilizaría el modelo (1) para estimar la elasticidad precio de la demanda por rosas? Explique.
FACULTAD DE ECONOMÍA Y NEGOCIOS
ESCUELA DE INGENIERÍA COMERCIAL

ANEXOS

1. Regresión: Y   o  1 X 1   2 X 2  

Model Summary
Model R R Square Adjusted R Square Std. Error of the
Estimate
1 .487 .238 .120 2.55306

ANOVA
Model Sum of df Mean Square F Sig.
Squares
1 Regression 26.408 2 13.204 2.026 .171
Residual 84.735 13 6.518
Total 111.143 15

Coefficients
Unstandardized Standardized t Sig.
Coefficients Coefficients
Model B Std. Error Beta
1 (Constant) 28.439 13.221 2.151 .041
Precio -.524 .203 -.143 -2.581 .031
Ingreso .122 .043 .442 2.796 .006

2. Tabla de datos

AÑO TRIMESTRE Y X1 X2 RES_1 SRE_1 DFB0_1 DFB1_1 DFB2_1

2000 I 14.484 4.260 158.110 3.077 1.586 13.677 0.239 -0.079
2000 II 9.348 2.540 173.360 0.701 0.320 1.731 -0.138 -0.006
2000 III 8.426 3.070 165.260 -1.486 -0.691 -5.228 0.192 0.024
2000 IV 10.079 2.910 172.920 1.184 0.513 2.309 -0.144 -0.009
2001 I 12.240 4.730 178.460 3.066 1.356 -1.943 0.534 0.001
2001 II 8.862 2.770 198.620 3.172 1.519 -8.185 -3.355 0.054
2001 III 6.216 3.590 186.280 -1.407 -0.576 1.063 -0.011 -0.006
2001 IV 8.253 3.230 188.980 1.147 0.479 -1.021 -0.043 0.007
2002 I 10.038 4.600 180.490 1.180 0.512 -0.972 0.179 0.002
2002 II 7.476 2.890 183.330 -0.140 -0.059 -0.036 0.014 0.000
2002 III 5.911 3.770 181.870 -2.344 -0.951 0.596 -3.057 -0.003
2002 IV 7.950 3.640 185.000 0.144 0.059 -0.087 0.002 0.001
2003 I 9.134 4.820 184.000 0.588 0.269 -1.047 0.126 0.004
2003 II 5.868 2.960 188.200 -1.191 -0.503 0.662 0.094 -0.006
2003 III 3.160 4.240 175.670 -6.097 -2.544 -1.658 -3.492 0.017
2003 IV 5.872 3.690 188.000 -1.594 -0.660 1.771 -0.040 -0.010
FACULTAD DE ECONOMÍA Y NEGOCIOS
ESCUELA DE INGENIERÍA COMERCIAL

3. Nonparametric Correlations

Correlations
| | Precio Ingreso
Spearman's rho | | Correlation Coefficient 1.000 -.226 .447
Sig. (2-tailed) . .399 .007
N 16 16 16
Precio Correlation Coefficient -.226 1.000 -.176
Sig. (2-tailed) .399 . .513
N 16 16 16
Ingreso Correlation Coefficient .447 -.176 1.000
Sig. (2-tailed) .007 .513 .
N 16 16 16
VAR: valor absoluto de los residuos

4. Regresión :  2   0  1 X 1   2 X 2   3 X 12   4 X 22   5 X 1 X 2  

Model Summaryb

Adjusted St d. Error of
Model R R Square R Square the Estimate
1 .545a .297 -.055 9.4338
a. Predictors: (Constant), X1X2, CX2, CX1, Precio, Ingreso
b. Dependent Variable: CR

ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 375.831 5 75.166 .845 .548a
Residual 889.957 10 88.996
Total 1265.788 15
a. Predictors: (Const ant), X1X2, CX2, CX1, Precio, Ingreso
b. Dependent Variable: CR

Coeffi ci entsa

St andardi
zed
Unstandardized Coef f icien
Coef f icients ts
Model B St d. Error Beta t Sig.
1 (Constant) -1668.687 1374.930 -1.214 .253
Precio 194.164 118.895 15.693 1.633 .134
Ingreso 15.123 13.557 16.248 1.116 .291
CX1 -1.236 5.524 -.744 -.224 .827
CX2 -3.30E-02 .033 -12.604 -1.007 .338
X1X2 -1.019 .662 -14.614 -1.539 .155
a. Dependent Variable: CR
FACULTAD DE ECONOMÍA Y NEGOCIOS
ESCUELA DE INGENIERÍA COMERCIAL

CR: cuadrado de los residuos, CX1: cuadrado de X1, CX2: cuadrado de X2.
5. Regresión:    0  1 X 1  
2

Variabl es Entered/Removedb

Variables Variables
Model Entered Remov ed Method
1 Precioa . Enter
a. All requested v ariables entered.
b. Dependent Variable: CR

Model Summaryb

Adjusted St d. Error of
Model R R Square R Square the Estimate
1 .299a .090 .025 9.0728
a. Predictors: (Constant), Precio
b. Dependent Variable: CR

ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 113.373 1 113.373 1.377 .260a
Residual 1152.414 14 82.315
Total 1265.788 15
a. Predictors: (Const ant), Precio
b. Dependent Variable: CR

Coeffi ci entsa

St andardi
zed
Unstandardized Coef f icien
Coef f icients ts
Model B St d. Error Beta t Sig.
1 (Constant) -8.060 11.604 -.695 .499
Precio 3.703 3.155 .299 1.174 .260
a. Dependent Variable: CR
FACULTAD DE ECONOMÍA Y NEGOCIOS
ESCUELA DE INGENIERÍA COMERCIAL

PROBLEMA 3

En los anexos se muestran los resultados de la estimación del modelo:

ln Pfob    0  1calibre   i Di  

En que la variable endógena “Pfob” es el precio FOB de la Palta Hass chilena. Las variables exógenas
corresponden a la variable continua “calibre” y variables dicotómicas “D i” que representan puertos de
embarque y meses del año en que se realizan las exportaciones. Se dejó como referencia el mes de Septiembre
con destino a Los Angeles (Estados Unidos). Los datos, de corte transversal, corresponden al período 2005-
2006

Sobre la base de la información entregada en los ANEXOS responda las siguientes preguntas.

1. Según los datos obtenidos en los ANEXOS (1), interprete el signo y el valor de cada uno de los
estimadores de los parámetros del modelo. Justifique su respuesta.

2. Según los datos obtenidos en los ANEXOS (1), analice la bondad del ajuste (capacidad predictiva y
explicativa del modelo). Justifique sus respuestas.

3. ¿Qué problemas con los supuestos básicos podría usted detectar en el modelo? Haga un diagnóstico
completo utilizando cada una de las tablas de los ANEXOS (1). Explique las consecuencias de cada
uno de los problemas detectados. Si realiza pruebas de hipótesis, explicite las hipótesis de trabajo, el
nivel de confianza y las conclusiones.

4. Un analista considera que el modelo propuesto presenta problemas de heterocedasticidad. Para

resolver el problema aplica el método de los mínimos cuadrados ponderados, cuyos resultados se
muestran en el ANEXO (2). Según los resultados del anexo, ¿Cuál es la causa que el analista
consideró como factor de heterocedasticidad? ¿Cuál es el modelo que estimó?
FACULTAD DE ECONOMÍA Y NEGOCIOS
ESCUELA DE INGENIERÍA COMERCIAL

ANEXO

1. Regresión del modelo: ln Pfob    0  1calibre   i Di  

Resumen del modelob

R cuadrado Error típ. de la

Modelo R R cuadrado corregida estimación
1 ,929a ,863 ,860 ,107267
a. Variables predictoras: (Constante), Ene, Felixt owe,
Dunquerque, Miami, Arg, Rott erdam, Houston, Tokio,
Newark, Oct, Algeciras, Calibre, Dic, Nov
b. Variable dependiente: LnPf ob

ANOVAb

Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 60,676 14 4,334 376,667 ,000a
Residual 9,654 839 ,012
Total 70,329 853
a. Variables predictoras: (Constante), Ene, Felixtowe, Dunquerque, Miami, Arg,
Rotterdam, Houston, Tokio, Newark, Oct , Algeciras, Calibre, Dic, Nov
b. Variable dependient e: LnPf ob

Coeficientesa

Coeficientes
Coeficientes no estandarizad Estadísticos de
estandarizados os colinealidad
Modelo B Error típ. Beta t Sig. Tolerancia FIV
1 (Constante) ,770 ,017 45,487 ,000
Calibre -,011 ,000 -,924 -64,565 ,000 ,799 1,251
Houston -,061 ,016 -,050 -3,784 ,000 ,928 1,078
Newark ,064 ,015 ,058 4,275 ,000 ,891 1,122
Miami ,032 ,028 ,015 1,126 ,261 ,970 1,031
Felixtowe -,232 ,012 -,268 -19,865 ,000 ,899 1,113
Algeciras -,234 ,012 -,276 -19,731 ,000 ,835 1,197
Dunquerque -,264 ,034 -,104 -7,865 ,000 ,938 1,066
Rotterdam -,361 ,021 -,235 -17,272 ,000 ,882 1,134
Tokio ,056 ,026 ,028 2,137 ,033 ,956 1,046
Arg -,195 ,022 -,119 -8,834 ,000 ,900 1,111
Oct ,095 ,015 ,150 6,280 ,000 ,288 3,476
Nov ,054 ,015 ,089 3,588 ,000 ,267 3,741
Dic ,106 ,016 ,152 6,698 ,000 ,319 3,131
Ene ,067 ,019 ,064 3,532 ,000 ,498 2,010
a. Variable dependiente: LnPf ob
FACULTAD DE ECONOMÍA Y NEGOCIOS
ESCUELA DE INGENIERÍA COMERCIAL

ANALISIS DE NORMALIDAD:

Pruebas de normali dad

a
Kolmogorov -Smirnov Shapiro-Wilk
Estadí st ico gl Sig. Estadí st ico gl Sig.
St andardized Residual ,067 854 ,000 ,982 854 ,000
a. Corrección de la signif icación de Lillief ors

Correlación por rangos de Spearman

Correlaciones

VARes Calibre
Rho de Spearman VARes Coef iciente de
1,000 ,117**
correlación
Sig. (bilateral) . ,001
N 854 854
Calibre Coef iciente de
,117** 1,000
correlación
Sig. (bilateral) ,001 .
N 854 854
**. La correlación es signif icat iv a al niv el 0,01 (bilat eral).

Regresión del modelo:    0  1Calibre  

Coeficientesa

Coef icientes
Coef icientes no estandarizad
estandarizados os
Modelo B Error típ. Beta t Sig.
1 (Constante) ,462 ,050 9,198 ,000
Calibre ,006 ,001 ,216 6,467 ,000
a. Variable dependient e: VARes

Regresión del modelo:    0  1Calibre   2 Calibre 2  

Resumen del modelo

R cuadrado Error típ. de la

Modelo R R cuadrado corregida estimación
1 ,354a ,126 ,123 1,39771
a. Variables predictoras: (Constante), Cal_2, Calibre
FACULTAD DE ECONOMÍA Y NEGOCIOS
ESCUELA DE INGENIERÍA COMERCIAL
FACULTAD DE ECONOMÍA Y NEGOCIOS
ESCUELA DE INGENIERÍA COMERCIAL

2. Mínimos cuadrados ponderados

MODEL: MOD_1.
Source variable.. Calibre

Log-likelihood Function = 465,928091 POWER value = -2,000

Log-likelihood Function = 535,312794 POWER value = -1,500
Log-likelihood Function = 598,406667 POWER value = -1,000
Log-likelihood Function = 655,343578 POWER value = -,500
Log-likelihood Function = 702,229083 POWER value = ,000
Log-likelihood Function = 731,080687 POWER value = ,500
Log-likelihood Function = 731,871622 POWER value = 1,000
Log-likelihood Function = 696,586269 POWER value = 1,500
Log-likelihood Function = 623,534995 POWER value = 2,000

The Value of POWER Maximizing Log-likelihood Function = 1,000

Source variable.. Calibre POWER value = 1,000

Dependent variable.. LnPfob

Listwise Deletion of Missing Data

Multiple R ,91504
R Square ,83729
Adjusted R Square ,83458
Standard Error ,01576

Analysis of Variance:

DF Sum of Squares Mean Square

Regression 14 1,0717382 ,07655273

Residuals 839 ,2082628 ,00024823

F= 308,39759 Signif F = ,0000

------------------ Variables in the Equation --------------------------------------------

Variable B SE B Beta T Sig T
Calibre -,011643 ,000194 -1,082005 -59,889 ,0000
Houston -,044920 ,016880 -,038604 -2,661 ,0079
Newark ,053772 ,014767 ,053993 3,641 ,0003
Miami ,015491 ,031944 ,006854 ,485 ,6278
Felixtowe -,264184 ,010327 -,434899 -25,582 ,0000
Algeciras -,273035 ,010323 -,477219 -26,450 ,0000
Dunquerqu -,292901 ,022345 -,196146 -13,108 ,0000
Rotterdam -,367493 ,014991 -,387927 -24,515 ,0000
Tokio ,054452 ,028103 ,027588 1,938 ,0530
Arg -,197475 ,028851 -,099496 -6,845 ,0000
Oct ,072423 ,013316 ,141202 5,439 ,0000
Nov ,060454 ,013256 ,122140 4,561 ,0000
Dic ,131385 ,014029 ,232702 9,365 ,0000
Ene ,061914 ,017756 ,066744 3,487 ,0005
Constant) ,793144 ,015957 49,706 ,0000

Log-likelihood Function = 731,871622