Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Investigadores: Gerardo Reina Mora, Anderson Rodríguez Osorio y Julio Jhoan Sebastián
García Arcila.
SUPUESTOS MINIMOS CUADRADOS ORDINARIOS
1. Modelo de regresión lineal/logarítmica. 2. Los valores de X son fijos en un
SI muestreo repetido. SI
3. los residuos deben comportarse como 4. El modelo debe ser homocedastico, es
una distribución normal en la que tienda al decir, que tiende a comportarse los
centro, es decir, a 0. SI residuos de manera similar dentro de los
datos.
5. No existe una auto correlación entre las 6. La covarianza entre el residuo y el eje X
perturbaciones. NO debe ser 0.
7. El número de observaciones “n” debe de 8. La varianza de X debe ser mayor de 0,
ser mayor que el número de parámetros a porque los datos deben variar.
estimar.
9.El modelo de regresión está 10. No hay multicolinealidad perfecta.
correctamente especificado mayor
comportamiento de “X”, los datos se van
expandiendo.
Tabla 1: Supuestos Mínimos Cuadrados Ordinarios
DISTRIBUCION LOG VARIABLES
DV
DV= Producción = Trabajo (Logaritmo) DV: Capital (Logaritmo)
(Logaritmo)
Resultados= Se acepta hipótesis nula a razón de Prob>chi2 = 0.781 (Mayor a 0.05). Las
medias son iguales.
TEST DE HOMOCEDASTICIDAD
Test Breusch-Pagan/Cook-Weisberg Test de White
Ho: Constant variance White's test for Ho: homoskedasticity
Variables: fitted values of logprod against Ha: unrestricted
heteroskedasticity
chi2(1) = 2.88
Prob > chi2 = 0.0898 chi2(5) = 12.20
Prob > chi2 = 0.0321
Tabla 7: Test de Homocedasticidad.
CONCLUSIONES
Las variables se comportan de manera atípica, siendo necesario la utilización de mecanismo
de suavización como lo es el uso de logaritmo base aplicado a las variables. Por otro lado,
la realización de prueba de homocedasticidad genero controversia en el análisis de los
resultados, pues al ejecutar los test de Breush-Pagan y Test de White nos arroja diferente
frutos, esto se debe principalmente a que la primera realiza una regresión lineal entre los
errores del modelo y las variables independiente, generando que este sea menos estricto que
su sucesor, el cual involucra el estudio de las variables independientes al cuadrado
generando que los betas aumenten causalidad de aumento en la probabilidad de rechazo de
H0. A partir de lo anterior se genera la conjetura de un posible error de especificación del
modelo para lo cual la teoría sugiere la eliminación o adición de variables que complemente
el desarrollo del modelo.