INVESTIGACION PRODUCCION EN EL CARIBE

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)

Tabla 2: Distribuciones Variables Logarítmicas Trabajo, Capital & Producción

REGRESIONES VARIABLES LOG IMPLICADAS
Producción= Trabajo + Capital
logprod | Coef. Std. Err. T P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
logtrab | .3397362 .1856928 1.83 0.085 -.0520414 .7315138
logcap | .8459951 .093352 9.06 0.000 .6490397 1.042951
_cons | -1.652429 .6062017 -2.73 0.014 -2.931402 -.3734547
Producción= Trabajo
logprod | Coef. Std. Err. T P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
logtrab | 1.99342 .0807477 24.69 0.000 1.823775 2.163065
 _cons | -6.317483 .7512923 -8.41 0.000 -7.895889 -4.739076
Producción= Capital
logprod | Coef. Std. Err. T P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
logcap | 1.01383 .0183914 55.13 0.000 .9751915 1.052469
_cons | -.6184239 .2331025 -2.65 0.016 -1.108154 -.1286937
Tabla 3: Regresiones Variables Log Trabajo, Capital & Producción
Resultados= De acuerdo con los resultados de la regresión Producción= Trabajo + Capital
se evidencia que no hay significancia individual en variable logarítmica de trabajo cuyo P>|
t| es mayor a 0.05.
RESULTADOS VARIABLES LOG IMPLICADAS
Producción= Trabajo + Capital
Number of obs = 20
F(2, 17) = 1719.20
Prob > F = 0.0000
R-squared = 0.9951
Adj R-squared = 0.9945
REGRESION Log
Producción= Trabajo
Number of obs = 20
F(1, 18) = 609.45
Prob > F = 0.0000
R-squared = 0.9713
Adj R-squared = 0.9697
REGRESION Log
Producción= Capital
Number of obs = 20
F(1, 18) = 3038.79
Prob > F = 0.0000
R-squared = 0.9941
Adj R-squared = 0.9938
Tabla 4: Resultados Regresiones Variables Log Trabajo, Capital & Producción
Resultados= Haciendo análisis a los resultados, se evidencia que el modelo Producción=
Trabajo + Capital es significativo globalmente debido a que Prob > F es menor a 0.05. Por
otro lado, la bondad de ajuste o R-squared nos indica que las variables del modelo se
relacionan en un 99.5% se sospecha posible colinealidad entre variables.
PRUEBA DE MULTICOLINEALIDAD (VIF)
Variable | VIF 1/VIF
-------------+----------------------
logcap | 29.12 0.034336
logtrab | 29.12 0.034336
-------------+----------------------
 Mean VIF | 29.12
Tabla 5: Prueba de Multicolinealidad (VIF)
Resultado= De acuerdo a la prueba VIF se detecta que el modelo presenta problemas
severos de multicolinealidad por lo cual se sugiere eliminar una variable, sin embargo, para
el modelo presentado que se apoya de capital y trabajo y de acuerdo a la teoría de la
produccion, no es posible concebir una producción si no hay capital y trabajo
mancomunado.

Resultado= De acuerdo a lo anterior, para el modelo presentado no es posible eliminar

alguna de las dos variables debido a que si esto se hace contradeciría la teoría del capital.
¿Cómo sacar tabla ANOVA?

Se crea nueva variable “KC”, posteriormente se completa los datos con 1 y 0

respectivamente. Luego, apoyados del comando “oneway” se genera la table mostrada a
continuación. Para generar la tabla es necesario una variable categórica y una numérica.
ANOVA CAPITAL
Analysis of Variance
Source SS df MS F Prob > F
------------------------------------------------------------------------
Between groups 2.6974e+09 1 2.6974e+09 0.15 0.7020
Within groups 3.2124e+11 18 1.7846e+10
------------------------------------------------------------------------
Total 3.2393e+11 19 1.7049e+10

Bartlett's test for equal variances: chi2(1) = 0.0769 Prob>chi2 = 0.781

Tabla 6: ANOVA CAPITAL.

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.

Resultados= De acuerdo al test Breusch Pagan se determina que existe homocedasticidad

en el modelo es decir las varianzas son constantes. No obstante, el test White siendo más
estricto en su análisis nos indica lo contrario pues Prob > chi2 es menor a 0.05 es decir
tiene problemas de heterocedasticidad.

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.