Universidad Nacional de Ingenierı́a

Facultad de Ingenierı́a Económica,Estadı́stica y

Ciencias Sociales

Tarea de Econometrı́a 2 N.ro 1

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

Figura 1: Resultados de la estimación MCO

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:

1. Dep. Variable: Lottery

Indica que la variable endógena o dependiente será la variable Lottery.

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.

4. Date: Thu, 04 Jun 2020

Fecha en la que se realizó la estimación.

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.

9. Covariance Type: nonrobust

El tipo de covarianza será no robusta.

10. R squared: 0.348

La varianza del modelo explica en un 34.8 % a la varianza de la variable dependien-
te(”Lottery”).

11. Adj. R-squared: 0.333

El valor del R2 ajustado será 33.3 %.

12. F-statistics: 22.20

El valor del estadı́stico F es de 22.20.

13. Prob (F-Statistic): 1.90e-08

El valor de la probabilidad del estadı́stico F será de 1,9 ∗ 10−8 . Como este valor es menor
al 5 %, se rechazará la hipótesis nula de que todos los parámetros son no significativos,
es decir que como mı́nimo hay 1 parámetro que si lo es.

14. Log-likelihood: -379.82

El valor de la máxima verosimilitud en logaritmos será de -379.82

4
Tarea de Econometrı́a 2 N.ro 1

15. AIC: 765.6

El valor del Criterio de información de Akaike será de 765.6 y representa la calidad relativa
del modelo.

16. BIC: 773.0

El valor del Criterio de información Bayesiano será de 773.0

En la 2da división podemos observar los componentes:

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.

En la 3era división podemos ver los siguientes componentes:

1. Omnibus: 3.713
El valor de la prueba Omnibus es de 3.713

2. Prob(Omnibus): 0.156 El valor de la probabilidad de la prueba omnibus es de 0.156, y al

ser mayor que el 5 %, se entiende que el modelo no ayuda a explicar el evento.

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.

6. Jarque-Bera: 3.394 Valor J-B igual al 3.394.

7. Prob(JB): 0.183 Como el valor de probabilidad de JB es mayor al nivel de significancia,

no se rechaza la hipótesis nula que indica la normalidad de los errores

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:

##−−−−−−−−−−−−−−−−−O p e r a c i o n e s Bá s i c a s −−−−−−−−−−−−−−−−−

x=7//3
# Una v a r i a b l e l l a m a d a ” x ” g u a r d a r á e l v a l o r de l a d i v i s i ón e n t e r a
# de 7 e n t r e 3

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

##−−−−−−−−−−−−−−−−−Importando Mó d u l o s −−−−−−−−−−−−−−−−−

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

# numpy e s un mó d u l o usado para r e a l i z a r c a l c u l o s matemá t i c o s

# simples o avanzados

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 ”

# s t a t s m o d e l s e s un mó d u l o usado para r e a l i z a r e s t i m a c i o n e s de

# d i f e r e n t e s modelos e s t a d ı́ s t i c o s

##−−−−−−−−−−−−−−−−−R e g r e s i ón MCO−−−−−−−−−−−−−−−−−

d a t o s=sm . d a t a s e t s . g e t r d a t a s e t ( ” Guerry ” , ” HistData ” ) . data
# Importamos l a d a t a y s e g u a r d a r á en l a v a r i a b l e ” d a t o s ”

r e g r e s i o n=smf . o l s ( ’ L o t t e r y ˜ L i t e r a c y+np . l o g ( Pop1831 ) ’ ) . f i t ( )

# Realizamos l a r e g r e s i ón por MCO y s e g u a r d a r a en
# la variable ” regresion ”

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 = np . random . random ( ( nobs , 2 ) )

# Crea una m a t r i z con v a l o r e s a l e a t o r i o s e n t r e 0 y 1
# Esta m a t r i z e s t a r á compuesta por 100 f i l a s ( nobs ) y 2 columnas

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

e = np . random . random ( nobs )

# Crea un v e c t o r de 100 t é rminos ( nobs ) a l e a t o r i o s e n t r e 0 y 1

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.

2. Ondiz.(2017).Un curso no convencional de Latex. Recuperado de

https://github.com/Ondiz/cursoLatex/