Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Grafica de dispersión
Las estadísticas de la serie nos muestran que los Colombianos anualmente en promedio se
ganan $10.462.713 millones de pesos, el valor central de los datos $10.033.758 millones de
pesos, como el coeficiente de asimetría es mayor a 0 quiere que la distribución es asimétrica
positiva, también nos dice que en esta serie no hay datos que se repitan lo que quiere decir es
que no hay moda, la Curtosis de la variable nos dio -0,35 esto quiere decir que la serie es
platicúrtica, es decir es menos apuntada y con colas menos gruesas que la normal.
Boxplot
El grafico boxsplot nos muestra que la media y la mediana son diferentes pero no distan una
mucho de la otra, por otro lado no existen datos atípicos ni datos repetidos, el valor mínimo es
el PIB del primer año de estudio y el máximo el del año reciente, también observamos que la
distribución que sigue esta serie no es normal.
La metodología de V. guerrero para corregir el problema de varianza
Para el desarrollo de la metodología Box-cox se eliminó el 20% de los datos y se formaron 4
grupos homogéneos de 10 años cada uno. Como se observa en la tabla el valor de la landa que
corresponde al menor coeficiente de variación es de -0,75 que al ser diferente de cero sabemos
que la transformación a utilizar debe ser distinta al logaritmo, en este caso se elevan los valores
a la potencia -0,75.
La grafica que se forma al solucionar el problema de la varianza es:
10
0
0 2 4 6 8 10 12
Se observa que la variable ya no tiene un comportamiento creciente sino que por el contrario
decrece, además los valores se encuentran entre las bandas de 0,000009 y 0,000003.
El segundo paso es realizar los correlogramas, observar que tipo de modelo tenemos y que
transformación utilizar para resolver el problema de la media.
Correlogramas
En él se observa que ningún coeficiente es mayor que 0,2771(intervalo de confianza) por lo que
ningún coeficiente es estadísticamente significativo.
Procedemos ahora con el correlograma de los residuos de modelos para ruido blanco
Por otro lado, si sacamos la primera diferencia de los residuos estos presentan el siguiente
correlograma.
Se puede observar que ningún rezago supera las bandas y que todos se encuentran dentro de
los límites establecidos por ellas. Además, el correlograma nos está indicando que los residuos
son ruido blanco dado que los valores-p del estadístico Q son mayores al 5%.
Como se puede observar los residuos del modelo no se distribuyen normalmente, pues el valor-
p es menor que el 5% por lo que se rechaza la hipótesis nula.
Test de heterosedasticidad de GleJser
H0: los residuos son homocedasticos
H1: los residuos son heterocedasticos
Como se puede observar el valor-p de la Chi cuadrado es mayor que el 5% por lo que no hay
suficiente evidencia estadística para rechazar H0 por lo que se puede afirmar que los residuos
tienen varianza constante.
Prueba de auto correlación Breush-gorfrey
H0: los residuos no presentan autocorrelacion
H1: los residuos presentan autocorrelación
Usamos este test ya que los modelos autoregresivos al tener una variable rezagada en el
tiempo no cumplen con los requisitos para la prueba de Durbin y Watson, y esta prueba es muy
utilizada para este tipo de modelos.
Se encontró que el valor-p de la Chi cuadrado es menor que el nivel de significancia del 5% por
lo que se rechaza la hipótesis nula, lo cual nos quiere decir que los residuos del modelo están
correlacionados.
Predicciones
Primero se evalúa la capacidad predictiva del modelo
La línea azul representa el valor de las predicciones donde PIBestF= valor futuro de la variable
en su nivel que recordemos está en elevada a la potencia -0,75. La línea roja representa las
desviaciones, que se encuentran relativamente cercanas a las predicciones, también se puede
observar que el PIBestF no toma valor de cero, y que el coeficiente de Theil nos muestra que
existe una desigualdad del 0.007605 que podremos considerar pequeña.
Observamos en azul los pronósticos los cuales siguen el comportamiento de la variable real
transformada y en rojo las desviaciones estándar de estos.
Obtención de los valores predichos
Lo que se hizo inicialmente es encontrar los valores transformados del PIB per cápita usando el
modelo autoregresivo estimado. El que se obtuvo es el PIB per cápita transformado, luego se
divide ese valor entre 1 para obtener el reciproco, por último, se eleva el reciproco a la 4/3 y se
obtiene el valor del PIB del año que se quiere predecir.
PIB=0,981349PIB (-1)
Conclusión
El PIB per cápita de un país no es un indicador adecuado para medir el bienestar de un país ya
que depende de su número de habitantes. En el presente trabajo se logró encontrar el modelo
más adecuado que explica cómo se generaron los datos el cual fue el esquema autoregresivo
de orden 1 AR (1), tiene buena capacidad de predicción ya que los valores estimados
contractados con los valores reales son prácticamente iguales solo con algunas excepciones.
Tuvo problema de media y varianza la cual se corrigió la transformación que se hizo fue elevarlo
a la -3/4.
Bibliografía