UNIVERSIDAD AUTÓNOMA GABRIEL RENE

MORENO
FACULTAD DE CIENCIAS ECONÓMICAS
EMPRESARIALES

TRABAJO DE INVESTIGACION

NOMBRE: DOLPH BRYAN SOLIZ ARISPE

REGISTRO: 218051077

MATERIA: ECONOMETRIA (ECO-360)

DOCENTE: LIC. HERNAN MACHACA
GRUPO: D
FECHA: 17/07/2022

SANTA CRUZ-BOLIVIA

PROYECTO DE INVESTIGACION
  Introducción.

La soya es un producto importante, debido a su extensión, el volumen de producción y el rendimiento que

tiene en Bolivia.

La importancia de esta oleaginosa, bajo manejo sostenible, con rotación de cultivos, siembra
directa, innovación tecnológica y mecanización, aporta directa e indirectamente a la soberanía
alimentaria, la generación de empleos y obtención de divisas para la economía de Bolivia.

Entonces el rendimiento de este cultivo es una variable económica importante, ya que genera utilidad.

Un aspecto de gran importancia en la empresa agrícola es el análisis de la producción en términos de

eficiencia; tanto técnica como económica, y de sustentabilidad. El desarrollo de metodologías
paramétricas se fundamenta en la estimación de funciones de producción mediante las que se establecen
las relaciones entre factores y productos, y se procede a la mejora en la toma de decisiones. La
planificación y toma de decisiones, en consecuencia, no debe efectuarse sin considerar la variabilidad que
muestran los elementos que intervienen en su funcionamiento. Con el propósito de comprender el
funcionamiento de los sistemas de producción pecuaria, y a fin de expresar las relaciones causa-efecto,
se desarrollan los modelos.

El trabajo que realizamos estamos utilizando los datos del INE a nivel Bolivia entre los años 2010-2021.Se
ha desarrollado este trabajo con la finalidad de medir el rendimiento de acuerdo a la producción y la
superficie que ocupada el producto, para así tener en cuenta si al aumentar la producción o la superficie
ocupada en qué proporción aumenta la rendimiento.

1.- Planteamiento de la teoría o formulación de una hipótesis

Las empresas productoras de soya, están dispuesta a incrementar su rendimiento a medida que
aumentan su producción y superficie. Existe una relación positiva del rendimiento entre la producción y la
superficie.

Y= f(X2+X3)

Donde:

Y= Rendimiento

X2= Producción

X3= Superficie

2.- Especificación del modelo matemático

Y=β1 + β2X2 + β3X3

Donde:

Y= Variable rendimiento (en kilogramos por hectáreas)

X2= Variable de producción (en toneladas métricas)

X3= Variable de superficie (en hectáreas)

β1, β2 y β3 = Parámetros del modelo y además respectivamente son los coeficientes de intersección y la
pendiente.

Y
 Rendimiento

β2 y β3

β1
Producción y superficie X2 y X3

3.- Especificación del modelo econométrico

Y= β 1 + β2X + β3 + u
Donde:
u= Conocido como termino de perturbación o error. El termino u representa todos los factores que afectan
al consumo pero que se consideran en el modelo en forma explicativa.

Y
+0 ,
Rendimiento

X2 y X3
Producción y superficie

4.- Obtención de información

Datos en X2 producción (en toneladas métricas)

Datos en X3 superficie (en hectáreas)

Datos en Y rendimiento (en kilogramos por hectáreas)

Datos obtenidos del INE: Rendimiento, producción y superficie de soya por año (Gestión 2010-2021)

AÑOS
RENDIMIENTO PRODUCCION SUPERFICIE
OBSERVACIONES Y X2 X3
2009 - 2010 2077 1934394 931436
2010 - 2011 2243 2319524 1034235
2011 - 2012 2196 2429109 1106025
2012 - 2013 2073 2645777 1276344
2013 - 2014 2194 2814321 1282455
2014 - 2015 2348 3105938 1322992
2015 - 2016 2398 3203992 1336042
2016 - 2017 2114 2671046 1263702
2017 - 2018 2144 2818897 1314925
2018 - 2019 2155 2990845 1387973
2019 - 2020 2083 2829356 1357998
2020 - 2021 2319 3318169 1431021

5.- ESTIMACION DE LOS PARAMETROS DEL MODELO (β1, β2, β3)

12 33081368.00 15045148.00
(Xt.X)= 92896918220418. 42087198766191.
33081368.00 00 00
42087198766191. 19113986468738.
15045148.00 00 00
 6.7623610152515 0.0000014023252 -0.0000084106298
(Xt.X)-1= 0.0000014023252 0.0000000000047 -0.0000000000115
-0.0000084106298 -0.0000000000115 0.0000000000321

26344.00
(Xt.Y)= 72913943115.00
33081988467.00

2156.344663
(Xt.X)-1.(Xt.Y)= 0.000760766
-0.00164168

Y = 2156.3446+0.00076X2-0.00164X3

Donde:

β1= 2156.344663

β2= 0.000760766

β3= -0.00164168

INTERPRETACION:

Hay una relación directa positiva entre la producción de soya (X2) y el rendimiento de la misma, por cada
tonelada métrica de soya producida el rendimiento de esta aumenta en 2156.34 kilogramos, por otra parte
existe una relación inversa negativa entre el rendimiento y la superficie medidas en hectáreas pero no hay
un efecto significativo debido a que por cada hectárea de soya cosecha el rendimiento es de 2156,34
kilogramos de esta.

5.1.- PROPIEDADES NUMERICAS DEL MODELO DE REGRESION

Y ESTIMADA Ui Y ESTIMADA.Ui X2.Ui X3.Ui

2098.85 -21.85 -45851.67 -42259026.35 -20348273.65
2223.08 19.92 44290.51 46212032.08 20605133.21
2188.59 7.41 16219.05 18001472.49 8196453.355
2073.81 -0.81 -1687.29 -2152643.233 -1038452.324
2192.00 2.00 4375.48 5617696.396 2559922.209
2347.31 0.69 1625.61 2150990.387 916226.6194
2400.48 -2.48 -5952.47 -7944945.528 -3312986.085
2113.79 0.21 440.64 556808.286 263432.2826
2142.18 1.82 3899.21 5130969.518 2393432.642
2153.07 1.93 4154.22 5770649.838 2678007.776
2079.42 3.58 7434.87 10116213.56 4855450.419
2331.42 -12.42 -28948.15 -41200217.45 -17768346.45
26344.00 0.00 0.00 0.00 0.00

- El valor promedio de (Y estimada) es igual al valor promedio de Y

Y = 2195,33

Y Estimada = 2195,33

- La suma de los residuos (Ui) es igual a 0.

- La suma del producto de la multiplicación entre (Y estimada) y (Ui) es igual a 0.

- La suma del producto de la multiplicación entre las variables explicativas (X2,X3) y los residuos (Ui) es
igual a 0.

5.2.- DESCOMPOSICION DE LA VARIANZA

t
STC=Y Y −¿ ¿
STC= 134412.67

SRC=Y t .Y −( ^β ) .( X t . Y )
2

SRC= 1114.41

SEC=STC−SRC
SEC= 133298.26

5.3.- MEDIDAS DE BONDAD DE AJUSTE

VARIANZA DE LA REGRESION

S2=¿ ¿
S2= 123.82

ERROR CUADRATICO MEDIO (ECM)

ECM =
∑ Ui 2
n
ECM= 92.87

ERROR ESTANDAR DE LA ESTIMACION

S= √ S2
S= 11.13

Este resultado nos muestra en que cantidad los datos están apartados del valor del promedio de la
variable explica estimada (Y estimada).

COEFICIENTE DE DETERMINACION

SRC
R2=1−
STC
R2= 0.991709

R cercano a 1, el cual significa alta capacidad explicativa del modelo para predecir.

COEFICIENTE DE DETERMINACION AJUSTADO

2 n−1 2
R =1− (1−R )
n−k
2= 0.926072
R

R2ajustado cercano a 1, el cual significa alta capacidad explicativa del modelo para predecir.
COEFICIENTE DE CORRELACION

R=± √ R2
R= ±1.00

R igual a 1, nos demuestra un ajuste perfecto, Y depende funcionalmente de sus regresores X2, X3.

5.4.- MEDIDAS DE FIABILIDAD DE LOS ESTIMADORES

VARIANZA DE LOS ESTIMADORES

V ( ^β )=S . ¿
2

Var (β1) = 837.34

Var (β2) = 0.0000000006

Var (β3) = 0.0000000040

ERROR TIPICO DE LOS ESTIMADORES

o=√ Var ( β)
o (β1) = 28.94

o (β2) = 0.0000242

o (β3) = 0.0000630

INFERENCIA ESTADISTICA

ESTIMACION DE LOS PARAMETROS

- ESTIMACION PUNTUAL

E ( ^β )=βi
β 1= 2156.344663

β 2= 0.000760766

β 3= -0.00164168

- ESTIMACION POR INTERVALOS DE CONFIANZA

t=t (1−α ;n−k)

t = t(1-0,95;12-3)= 2.262

β 1= + = 2221.7997

- = 2090.8896

P (2090.88≤β 1≤2221.79) = 0.95

β 2= + = 0.0008

- = 0.0007

P (0.0007≤β 2≤0.0008) = 0.95

β 3= + = -0.0015

- = -0.0018

P (-0.0015≤β3≤-0.0018) = 0.95

Los resultados obtenidos al hacerle la inferencia estadística al modelo de regresión lineal nos demuestran
una baja Δ (β1, β2, β3) y nos demuestra que los estimadores son confiables.

COEFICIENTE DE DISPERSION
 t . o ^β
CD= .100
^β
CD (β1) = 3.04 %

CD (β2) = 7.20 %

CD (β3) = -8.68 %

Los coeficientes de dispersión de los estimadores son menor al 30% lo cual nos demuestra también la
alta predicción del modelo de regresión lineal múltiple.

PREDICCION PARA LAS VARIABLES EXPLICATIVAS DEL MODELO

X2 = 3000000

X3 = 1500000

Y = 2156.34+0.00076(3000000)-0.00164(1500000)

Y estimada = 1976.12

PREDICCION MEDIA

V ( Y^ )=o2 ´ .¿
V (Y estimada) = 14206.14

o (Yo) = 119.19

t = t(1-0,95;12-3)= 2.262

Y0 = + = 2245.73

- = 1706.52

P (1706.52≤Y 0≤2245.73) = 0.95

CD(Yo) = 1.90 %

Los resultados obtenidos al hacerle la inferencia estadística al modelo de regresión lineal con una Y0 nos
demuestran una baja ΔY0 y nos demuestra que la estimación es confiable. El coeficientes de dispersión
de la estimacion es menor al 30% lo cual nos demuestra también la alta predicción del modelo de
regresión lineal múltiple.

6.- PRUEBA DE HIPOTESIS

PRUEBA DE SIGNIFICACION INDIVIDUAL

1° Formulación de la hipótesis:

βi ≠ 0 H0: βi = 0 X

H1: βi ≠ 0 V

2° Estadístico de contraste:

Estadístico teórico

t= t(0,95;9) = 2.262

Estadístico de prueba
 ^β
t p=
o ^β
tp (β1) = 74.519

tp (β2) = 31.409

tp (β3) = -26.050

-2,262 +2,262

Como tp >t de todos los parámetros se rechaza H0, la hipótesis planteada es verdadera

PRUEBA GLOBAL DEL MODELO

1° Formulación de la hipótesis:

p2 > 0 H 0: p2 = 0 X

H1: p > 0
2
V

2° Estadístico de contraste:

Estadístico teórico

F= F(0,05;2;9) = 4.26

Estadístico de prueba

( n−k ) . R2
F p= 2 F = 0.037
P

( k−1 ) .(1−R )
Como FP>F se rechaza H0, la hipótesis planteada es verdadera

Por lo tanto al 5% de significación, el modelo es globalmente significativo.

7.- PRONOSTICO DE PREDICCION

De acuerdo a los resultados obtenidos en las medidas de bondad de ajuste, el modelo de regresión lineal
múltiple realizado por el método de mínimos cuadrados ordinarios es fiable y posee una alta capacidad
explicativa para predecir y con la aplicación de la inferencia estadística se reafirma la alta capacidad
predictiva del modelo de regresión lineal múltiple.

8.- UTILIZACIÓN DEL MODELO PARA FINES DE CONTROL O DE LA POLÍTICA

El modelo diseñado puede ser utilizado para la predicción del rendimiento de la soya para gestiones
futuras y con ello poder tomar acciones de prevención ante cambios climáticos o incluso en predecir el
rendimiento ante una tonelada cosechada mas de soya o una hectárea sembrada mas de esta y con ello
evitar fluctuaciones en su oferta o demanda futura de este producto agrícola que es uno de los mas
importas y de mayor aporte al crecimiento del país (PIB).