Práctica 10.

PREDICCIÓN CON MODELOS ECONOMÉTRICOS: MRLNC

A tenor de los datos publicados por la Asociación Americana de Golf (USGA)

se comprueba que el golf como industria sigue avanzando, teniendo en cuenta
los incrementos observados tanto en el número de campos disponibles, como
en el número de licencias federativas.

Los datos que figuran a continuación se van a utilizar para estimar e interpretar
un modelo de regresión lineal en el que el número de turistas motivados por la
práctica del golf (Golf) depende de la renta per cápita de los usuarios (R). Los
datos corresponden a una muestra de USA para el periodo 1930 a 1970.

Esta relación se analiza a partir de la siguiente especificación de un modelo de

regresión lineal:
𝐺𝑜𝑙𝑓𝑡 = 𝛼 + 𝛽 ∙ 𝑅𝑡 + 𝑢𝑡
o bien,
𝑌𝑡 = 𝛼 + 𝛽 ∙ 𝑋𝑡 + 𝑢𝑡

Dada la siguiente información:

𝑌̅ = 2872.7 ̅
X = 1140.4 ∑ Yt = 117780 ∑ Xt = 46757.8

∑ Yt2 = 375070916 ∑ Xt2 = 57683123.4 ∑ Xt Yt = 145898318

∑ yt2 = 36726320.8 ∑ xt2 = 4358931.7 ∑ xt yt = 11577984.2

donde: yi = Yi − Y y xi = X i − X

1. Estimar los parámetros del modelo.

2. Dar una medida de la bondad del ajuste, es decir, calcular el coeficiente
de determinación.
3. Calcular la suma de cuadrados de residuos.
4. Calcular la varianza y la desviación típica estimada de la variable
aleatoria.
 5. Calcular las varianzas y las desviaciones típicas estimadas de a y b.
6. Contrastar la hipótesis de que la variable X es significativa en la
explicación de la variable Y. Utilice un nivel de significación p=0,05.
7. Contrastar H0: =0, al 5% de significación, utilizando el estadístico Fexp.
8. Estimar un valor de Y para X0=1740

Alternativamente se plantea la posibilidad de que el que el número de turistas

motivados por la práctica del golf (Golf) dependa, además del de la renta per
cápita (R), del precio de los servicios (P), por lo que se planteamos una
regresión adicional:

𝐺𝑜𝑙𝑓𝑡 = 𝛽1 + 𝛽2 ∙ 𝑅𝑡 + 𝛽3 ∙ 𝑃𝑡 + 𝑢𝑡

Dependent Variable: GOLF

Method: Least Squares
Sample: 1930 1970
Included observations: 41

Variable Coefficient Std. Error t-Statistic Prob.

C 2795.476 517.5424 5.401443 0.0000

R 2.913951 0.142667 20.42490 0.0000
P -36.44951 6.071801 -6.003080 0.0000

R-squared 0.916520 Mean dependent var 2872.683

Adjusted R-squared 0.912126 S.D. dependent var 958.2056
S.E. of regression 284.0454 Akaike info criterion 14.20650
Sum squared resid 3065909. Schwarz criterion 14.33188
Log likelihood -288.2333 Hannan-Quinn criter. 14.25216
F-statistic 208.5997 Durbin-Watson stat 0.556501
Prob(F-statistic) 0.000000

9. ¿Es la nueva variable significativa en la explicación de la variable

dependiente? (1-p=0,95).
10. ¿Es el modelo globalmente significativo? Utilizar un nivel de confianza del
95%.