Clase 20/09/2022

EJERCICIO DE MULTICOLINEALIDAD_pbi_profits_div

Se conocen los datos suministrados en la Tabla 21.1 del libro de Gujaratti, referidos a datos de la
macroeconomía de los Estados Unidos de Norteamérica 1970-1991.

GDP= Producto Bruto Interno = Gross Domestic Product, Billions of 1987 $

PDI= Ingreso Personal Disponible = Personal Disposable Income, Billions of 1987 $
PCE= Gasto de Consumo Personal = Personal Consumption Expenditure, Billions of 1987 $
PROFITS= Ganancias de las Empresas antes de Impuestos = Corporate Profits After Tax, Billions of 1987 $
DIV= Pagos Netos de Dividendos Netos las empresas = Net Corporate Dividends Payments, Billions of 1987 $

Source: U.S. Department of Commerce, Bureau of Economic Analysis,

Business Statistics, 1963-1991, June 1992.

Se solicita:

a) Realizar una la especificación de un modelo que relacione el GDP en función a los PROFITS y los
DIV.

GDP= β1+ β2 X.PROFITS+ β3.DIV+ μt

b) Plantee las hipótesis de trabajo de los posibles signos y cuantificación que podrían poseer dichas
variables.

β1> A medida que los PROFITS aumentan, aumenta el GDP, existe una relación directa.

β2> A medida que los DIV aumentan, aumenta el GDP, existe una relación directa.

c) Estime un modelo de regresión lineal entre las variables planteadas. Interprete sus resultados.

Los coeficientes nos muestran que:

A medida que los PROFITS aumentan en una unidad de peso, el GPD aumentan en 3,36111 unidades
de pesos.
1
 Clase 20/09/2022

A medida que los DIV aumentan en una unidad de peso, el GPD aumenta en 12,7658.

Observamos también que el R² es significativamente alta y también el R² corregido.

Posee un F observado altamente significativo de 3011,263.

Los p valor son altamente significativos con *** estrellitas al 99%.

d) Construya los gráficos múltiples de nube de puntos, que muestre la relación entre las variables a
analizar. Interprete qué lectura hace de ellos.
GDP

GDP

PROFITS DIV

Se observa la relación positiva entre el GDP y PROFITS, existe una relación directa.

Se observa la relación positiva entre el GDP y DIV, existe una relación directa.

e) Realice la prueba de significación y de estimación por intervalos de cada uno de los coeficientes
estimados, con un nivel de confianza del 95%.

Prueba de significación: Dócima de Hipótesis.

1° Paso: Planteamos la Hipótesis Individual de Cada Coeficiente.

2° Paso: debemos calcular la t critica, para compararla con la t observada

GRETL/Herramientas/Tablas Estadísticas/ T/ gl=n-k n= 88 cantidad de observación k=3

coeficientes que estamos estimando gl=n-k gl= 88-3= 85

2
 Clase 20/09/2022

Ho: β1=0
H1: β1≠0

T observado β1 (106,7) > T critica (1,98827) se rechaza la Hipótesis Nula y se acepta la Hipótesis
Alternativa β1 es Significativo.

Ho: β2=0
H1: β2≠0

T observado β2 (12,34) > T critica (1,98827) se rechaza la Hipótesis Nula y se acepta la Hipótesis
Alternativa β1 es Significativo.

Ho: β3=0
H1: β3≠0

T observado β2 (37,29) > T critica (1,98827) se rechaza la Hipótesis Nula y se acepta la Hipótesis
Alternativa β1 es Significativo.

Estimación por intervalos

Modelo MCO/Análisis/ Intervalos de Confianza para los Coeficientes.

Este cálculo también nos brinda la t critica.

El coeficiente β1

β2

β3

3
 Clase 20/09/2022

f) Cuantifique cuál es nivel de relación que existe entre las variables a través de la matriz de
correlación. Interprete los resultados. ¿Hay síntomas de Multicolinealidad? Justifique.

Qué otros indicadores, puede utilizar para probar la existencia de multicolinealidad?

Cuáles pueden ser las posibles soluciones a este tipo de problemas en las estimaciones?. Pruebe
utilizando:1) Primeras diferencias de las variables seleccionadas;

4
 Clase 20/09/2022

Factores de inflación de varianza (VIF)

Mínimo valor posible = 1.0
Valores mayores que 10.0 pueden indicar un problema de colinealidad

d_PROFITS 1,236
d_DIV 1,062
d_PDI 1,188
d_PCE 1,357

VIF(j) = 1/(1 - R(j)^2), donde R(j) es el coeficiente de correlación múltiple

entre la variable j y las demás variables independientes

Diagnósticos de colinealidad de Belsley-Kuh-Welsch:

proporciones de la varianza

lambda cond const d_PROFITS d_DIV d_PDI d_PCE

2,768 1,000 0,041 0,018 0,039 0,047 0,040
1,044 1,629 0,018 0,513 0,145 0,005 0,006
0,525 2,296 0,007 0,235 0,271 0,680 0,001
0,390 2,665 0,327 0,102 0,532 0,242 0,157
0,273 3,186 0,607 0,132 0,013 0,026 0,797

lambda = autovalores de la inversa de la matriz de covarianzas (smallest is 0,272773)

cond = índice de condición
nota: Las columnas de proporciones de la varianza suman 1.0

De acuerdo con BKW, cond >= 30 indica "fuerte" dependencia casi lineal,
y cond entre 10 y 30 "moderadamente fuerte". Las estimaciones de los parámetros cuya
varianza está principalmente asociada con valores cond problemáticos pueden así mismo
considerarse problemáticas.

Cuenta de índices de condición >= 30: 0 fuerte

5
 Clase 20/09/2022

Cuenta de índices de condición >= 10: 0 moderado

No hay evidencia de excesiva colinealidad

2) porcentaje de cambio de las variables y luego

6
 Clase 20/09/2022

Factores de inflación de varianza (VIF)

Mínimo valor posible = 1.0
Valores mayores que 10.0 pueden indicar un problema de colinealidad

pc_PROFITS 1,416
pc_DIV 1,097
pc_PDI 2,214
pc_PCE 2,727

VIF(j) = 1/(1 - R(j)^2), donde R(j) es el coeficiente de correlación múltiple

entre la variable j y las demás variables independientes

Diagnósticos de colinealidad de Belsley-Kuh-Welsch:

proporciones de la varianza

lambda cond const pc_PROFI~ pc_DIV pc_PDI pc_PCE

3,665 1,000 0,015 0,018 0,018 0,011 0,008
0,772 2,179 0,021 0,522 0,108 0,000 0,001
0,297 3,514 0,001 0,343 0,478 0,210 0,031
0,184 4,469 0,939 0,005 0,354 0,086 0,018
0,083 6,660 0,023 0,113 0,042 0,693 0,942

lambda = autovalores de la inversa de la matriz de covarianzas (smallest is 0,0826289)

cond = índice de condición
nota: Las columnas de proporciones de la varianza suman 1.0

De acuerdo con BKW, cond >= 30 indica "fuerte" dependencia casi lineal,
y cond entre 10 y 30 "moderadamente fuerte". Las estimaciones de los parámetros cuya
varianza está principalmente asociada con valores cond problemáticos pueden así mismo
considerarse problemáticas.

Cuenta de índices de condición >= 30: 0

Cuenta de índices de condición >= 10: 0

No hay evidencia de excesiva colinealidad

3) aplicando logaritmos de las variables seleccionadas). Modelo 4

Factores de inflación de varianza (VIF)

Mínimo valor posible = 1.0
7
 Clase 20/09/2022

Valores mayores que 10.0 pueden indicar un problema de colinealidad

l_PROFITS 4,341
l_DIV 51,569
l_PDI 239,876
l_PCE 181,535

VIF(j) = 1/(1 - R(j)^2), donde R(j) es el coeficiente de correlación múltiple

entre la variable j y las demás variables independientes

Diagnósticos de colinealidad de Belsley-Kuh-Welsch:

proporciones de la varianza

lambda cond const l_PROFITS l_DIV l_PDI l_PCE

4,984 1,000 0,000 0,000 0,000 0,000 0,000
0,014 18,942 0,000 0,005 0,018 0,000 0,000
0,002 51,618 0,000 0,737 0,038 0,000 0,000
0,000 817,676 0,761 0,235 0,813 0,022 0,144
0,000 2005,483 0,239 0,022 0,131 0,978 0,856

lambda = autovalores de la inversa de la matriz de covarianzas (smallest is 1,23925e-006)

cond = índice de condición
nota: Las columnas de proporciones de la varianza suman 1.0

De acuerdo con BKW, cond >= 30 indica "fuerte" dependencia casi lineal,
y cond entre 10 y 30 "moderadamente fuerte". Las estimaciones de los parámetros cuya
varianza está principalmente asociada con valores cond problemáticos pueden así mismo
considerarse problemáticas.

Cuenta de índices de condición >= 30: 3

Proporciones de varianza >= 0.5 asociadas con condición >= 30:

const l_PROFITS l_DIV l_PDI l_PCE

1,000 0,995 0,982 1,000 1,000

Cuenta de índices de condición >= 10: 4

Proporciones de varianza >= 0.5 asociadas con condición >= 10:

const l_PROFITS l_DIV l_PDI l_PCE

1,000 1,000 1,000 1,000 1,000

A su juicio con cuál de los modelos se queda?. JUSTIFIQUE.

8
 Clase 20/09/2022

Factores de inflación de varianza (VIF)

Mínimo valor posible = 1.0
Valores mayores que 10.0 pueden indicar un problema de colinealidad

9
 Clase 20/09/2022

PROFITS 5,103
DIV 44,763
PDI 169,161
PCE 223,494

VIF(j) = 1/(1 - R(j)^2), donde R(j) es el coeficiente de correlación múltiple

entre la variable j y las demás variables independientes

Diagnósticos de colinealidad de Belsley-Kuh-Welsch:

proporciones de la varianza

lambda cond const PROFITS DIV PDI PCE

4,832 1,000 0,000 0,001 0,000 0,000 0,000
0,135 5,974 0,004 0,006 0,021 0,000 0,000
0,032 12,364 0,001 0,549 0,029 0,000 0,000
0,001 96,507 0,989 0,386 0,887 0,092 0,058
0,000 241,995 0,007 0,058 0,063 0,908 0,942

lambda = autovalores de la inversa de la matriz de covarianzas (smallest is 8,25174e-005)

cond = índice de condición
nota: Las columnas de proporciones de la varianza suman 1.0

De acuerdo con BKW, cond >= 30 indica "fuerte" dependencia casi lineal,
y cond entre 10 y 30 "moderadamente fuerte". Las estimaciones de los parámetros cuya
varianza está principalmente asociada con valores cond problemáticos pueden así mismo
considerarse problemáticas.

Cuenta de índices de condición >= 30: 2

Proporciones de varianza >= 0.5 asociadas con condición >= 30:

const DIV PDI PCE

0,995 0,950 1,000 1,000

Cuenta de índices de condición >= 10: 3

Proporciones de varianza >= 0.5 asociadas con condición >= 10:

const PROFITS DIV PDI PCE

0,996 0,993 0,979 1,000 1,000

10