Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Presentado a:
Presentado por:
Caparó Rafael
Soria Talavera Miguel
Curso:
20160485G
Econometrı́a 2
2020
Tarea de Econometrı́a 2 N.ro 1
Índice
1. Problema 1 2
1.1. Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2. Componentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2. Problema 2 6
3. Problema 3 7
4. Bibliografı́a 8
1
Tarea de Econometrı́a 2 N.ro 1
1. Problema 1
Interpretar linea a linea los resultados (.summary) de la regresión MCO con Python.
1.1. Resultados
2
Tarea de Econometrı́a 2 N.ro 1
Figura 2: Prueba
Tarea de Econometrı́a 2 N.ro 1
1.2. Componentes
En la 1era división podemos ver:
2. Model: OLS
Indica que el tipo de método para la estimación de los parámetros será por MCO.
3. Method: LS
Indica que el tipo de técnica a realizar será de los mı́nimos cuadrados.
5. Time: 21:57:58
Hora en la que se realizó la estimación.
6. No. Observations: 86
El número de observaciones por variable explicativa es de 86.
7. Df Residuals: 83
Los residuos tienen 83 grados de libertad.
8. Df Model: 2
El modelo tiene 2 grados de libertad.
4
Tarea de Econometrı́a 2 N.ro 1
1. Intercept:
Su coeficiente es de 246.4341 con una desviación estándar de 35.223. Tendrá un valor t del
6.995 y su p-value será menor al 5 %. Este caso es especial ya que no necesariamente este
debe de ser significativo.
2. Literacy:
Su coeficiente es de -0.4889 con una desviación estándar de 0.128. Tendrá un valor t del
-3.832 y su p-value será menor al 5 %, se rechazará la hipótesis nula y podemos afirmar
que esta variable si es significativa.
3. np.log(Pop1831):
Su coeficiente es de -31.3114 con una desviación estándar de 5.977. Tendrá un valor t del
-5.239 y su p-value será menor al 5 %, se rechazará la hipótesis nula y podemos afirmar
que esta variable si es significativa.
1. Omnibus: 3.713
El valor de la prueba Omnibus es de 3.713
3. Skew: -0.487
El coeficiente de ası́metria es negativo. La cola de esta distribución se alargara hacia la
izquierda
4. Kurtosis: 3.003
El valor de la curtosis es mayor a 0, por lo tanto su distribución será de la forma lep-
tocúrtica.
5. Durbin-Watson: 2.019 Como el valor D-W es cercano al 2,se acepta la hipotesis nula de
que no existe autocorrelación.
5
Tarea de Econometrı́a 2 N.ro 1
2. Problema 2
Explicar lı́nea a lı́nea los códigos implementados en PYTHON en toda la clase
Código Python:
print ( x )
# Imprimir e l v a l o r de ” x ”
print (7 %3)
# Imprimir e l r e s i d u o de l a d i v i s i o n de 7 e n t r e 3
import numpy a s np
# Importar e l mó d u l o numpy y g u a r d a r l o como np
import s t a t s m o d e l s . a p i a s sm
# Importar á e l mó d u l o s t a t s m o d e l s . a p i y g u a r d a r l o como ”sm”
import s t a t s m o d e l s . f o r m u l a . a p i a s smf
# Importar á e l mó d u l o s t a t s m o d e l s . f o r m u l a . a p i y g u a r d a r l o como ” smf ”
6
Tarea de Econometrı́a 2 N.ro 1
print ( r e g r e s i o n . summary ( ) )
# Imprimimos e l resumen de l a r e g r e s i ón con l o s d a t o s má s r e l e v a n t e s .
3. Problema 3
Ejecutar los siguientes códigos e interpretar los resultados.
##−−−−−−−−−−−Pregunta 3−−−−−−−−−−−
import numpy a s np
# Importa e l mó d u l o numpy
import s t a t s m o d e l s . a p i a s sm
# Importa e l mó d u l o s t a t s m o d e l s
nobs = 100
# Crea una v a r i a b l e ” nobs ” i g u a l a 100
X = sm . a d d c o n s t a n t (X)
# Añade un v e c t o r c o n s t a n t e de v a l o r 1 a l a m a t r i z X como
# l a 1 e r a columna
beta = [ 1 , . 1 , . 5 ]
# Crea un v e c t o r ” b e t a ” con l o s v a l o r e s 1 , 0 ,1 y 0 . 5
y = np . dot (X, b e t a ) + e
# Crea una v a r i a b l e ” y ” que almacenar á e l p r o d u c t o m a t r i c i a l
# de l a m a t r i z ”X” con l a m a t r i z ” b e t a ” y s e sumará
# con l o s v a l o r e s d e l v e c t o r ” e ”
r e s u l t s = sm . OLS( y , X ) . f i t ( )
# Crea una v a r i a b l e ” r e s u l t s ” que almacenar á l a e s t i m a c i ón
# por MCO de l a v a r . d e p e n d i e n t e ” y ” con l a v a r . i n d e p e n d i e n t e ”X”
7
Tarea de Econometrı́a 2 N.ro 1
print ( r e s u l t s . summary ( ) )
# Imprime l a v a r i a b l e ” r e s u l t s ” con l o s d a t o s má s r e l e v a n t e s
#de l a e s t i m a c i ón
4. Bibliografı́a
1. Seabold, Skipper, and Josef Perktold. “Statsmodels: Econometric and statistical modeling
with python.” Proceedings of the 9th Python in Science Conference. 2010.