Correccion Del Examen Nuevo

UNIVERSIDAD TÉCNICA DEL NORTE
Facultad de Ciencias Administrativas y Económicas

Econometría I
Nombre:Selena Rivera
Curso: 4to Economía
Fecha: 14-02-2020
Tema: Corrección del examen
I PARTE: EJERCICIOS DE APLICACION
RESOLUCIÓN DE EJERCICIOS EN STATA
Considere las siguientes bases de datos wage2.dta/ gpa2.dta/ nbsal.dta
1. Especifique y estime correctamente un modelo de regresión lineal múltiple de tipo

ANCOVA de cualquier forma funcional (al menos 4 variables explicativas
estadísticamente significativas hasta 10%). Elija como endógena a la variable que
usted crea más pertinente, justifique su elección. Si cree que es oportuno proceda a
estacionalizar cada una de las variables del modelo. Una vez integradas las
variables, por favor, estime nuevamente el modelo y proceda a realizar cada uno de
los contrastes que se detallan a continuación.
Especificación del modelo económico
consump=f (wagetot , profits ,totinc , taxnetx)
Especificación del modelo econométrico
consump=β 0 + β 1 ( wagetot ) + β 2 ( profits )+ β3 ( totinc ) + β 4 (taxnetx)

Regresión
Tabla 1: Estadísticos
Number of obs 22
F(4, 17) 139.0
6
Prob > F 0.000
0
R-squared 0.970
3
Adj R-squared 0.963
4
Root MSE 1.406
4
Fuente: Base de datos klein9
Tabla 2: Coeficientes
consump Coef. Std. Err. t P>t [95% Interval]
Conf.
wagetot 0.982746 0.2731715 3.6 0.002 0.4064045 1.559088
profits 0.7747467 0.4804033 1.61 0.125 -0.2388156 1.788309
totinc -0.3216726 0.3596345 -0.89 0.384 -1.080435 0.4370899
taxnetx 0.5914036 0.4009233 1.48 0.158 -0.2544706 1.437278
_cons 15.27896 1.870693 8.17 0.000 11.33214 19.22577
Estacionalizar
Hipótesis
H o =Noes estacionaria
H 1=Es estacionaria
Variable consump
Tabla 3: Estadistico de Dickey-Fuller

Null Hypothesis: CONSUMP has a unit root
Exogenous: Constant
Lag Length: 1 (Automatic - based on SIC, maxlag=4)
t-Statistic Prob. *
Augmented Dickey-Fuller test -1.059379 0.7105
statistic
Test critical values: 1% level -3.808546
5% level -3.020686
10% level -2.650413
*MacKinnon (1996) one-sided p-values.
Análisis
La probabilidad del test de Dickey-Fuller es de 0,7105 mayor al nivel de significancia por

lo que se acepta la hipótesis nula, lo que no es estacionaria.

Null Hypothesis: D(CONSUMP,2) has a unit root
Exogenous: Constant
t-Statistic Prob. *
Augmented Dickey-Fuller test statistic -4.683417 0.0017
5% level -3.02997
10% level -2.655194
Warning: Probabilities and critical values calculated for 20
observations
and may not be accurate for a sample size of 19
Análisis
La variable con segunda diferencia tiene probabilidad del test de Dickey-Fuller de 0.0017
por lo que se rechaza H0 por lo que el modelo es estacionario en segunda diferencia
Variable wagetot

Null Hypothesis: WAGETOT has a unit root
Exogenous: Constant
t-Statistic Prob. *
statistic
5% level -3.020686
10% level -2.650413
Análisis


Null Hypothesis: D(WAGETOT,2) has a unit root
Exogenous: Constant
t-Statistic Prob. *
5% level -3.02997
10% level -2.655194
observations
Análisis
por lo que se rechaza la hipótesis nula por lo que el modelo es estacionario en segunda
diferencia.
Variable profits

Null Hypothesis: PROFITS has a unit root
Exogenous: Constant
t-Statistic Prob. *
statistic
5% level -3.020686
10% level -2.650413
Análisis


Null Hypothesis: D(PROFITS) has a unit root
Exogenous: Constant
t-Statistic Prob. *
statistic
5% level -3.020686
10% level -2.650413
Análisis
La variable con primera diferencia tiene probabilidad del test de Dickey-Fuller es de 0.0388
por lo que se rechaza la hipótesis nula por lo que el modelo es estacionario en primera
diferencia.
Variable totinc

Null Hypothesis: TOTINC has a unit root
Exogenous: Constant
t-Statistic Prob.*
statistic
5% level -3.020686
10% level -2.650413
Análisis

lo que se acepta la hipótesis nula, lo que no es estacionaria

Null Hypothesis: D(TOTINC,2) has a unit root
Exogenous: Constant
t-Statistic Prob.*
5% level -3.02997
10% level -2.655194
observations
Análisis
por lo que se rechaza la hipótesis nula, por lo que el modelo es estacionario en segunda
diferencia.
Variable taxnetx

Null Hypothesis: TAXNETX has a unit root
Exogenous: Constant
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic 1.019088 0.9946
5% level -3.052169
10% level -2.666593
observations
Análisis
La probabilidad del test de Dickey-Fuller es de 0.9446 mayor al nivel de significancia por


Null Hypothesis: D(TAXNETX) has a unit root
Exogenous: Constant
t-Statistic Prob.*
5% level -3.052169
10% level -2.666593
observations
Análisis
La variable con primera diferencia tiene probabilidad del test de Dickey-Fuller es de 0.0056
por lo que se rechaza la hipótesis nula, por lo que el modelo es estacionario en primera
diferencia.
Modelo con sus respectivas diferencias
Regresión con diferencias

Number of obs 20
F(4, 15) 22.52
Prob > F 0
R-squared 0.8572
Adj R-squared 0.8192
Root MSE 1.1775
d2consum Coef. Std. Err. t P>t [95% Conf. Interval]
p
d2wagetot -0.3033832 0.203874 -1.49 0.157 -0.7379307 0.1311643
2
d1profits 0.1775743 0.152380 1.17 0.262 -0.1472179 0.5023666
9
d2totinc 0.5619793 0.122910 4.57 0.000 0.3000013 0.8239572
7
d1taxnetx 0.007939 0.184148 0.04 0.966 -0.3845632 0.4004412
_cons -0.1313277 0.280691 -0.47 0.647 -0.7296069 0.4669515
2
Estimación del modelo
d 2 consump=−0.1313277−0.3033832( d 2 wagetot )+ 0.1775743(d 1 profints)+0.5619793 (d 2totinc )+0.0079
2. Considerar que el modelo de regresión lineal estimado está correctamente

especificado; es decir, por ejemplo, si no se está omitiendo alguna variable
explicativa importante o incluyendo alguna irrelevante en el modelo. Efectué a
menos dos contrastes para verificar este supuesto.
Sesgo de especificación.
Prueba de Reset Ramsey
Hipótesis
H 0 : Prob> F=0 modelo no tiene variables omitidas
H 1 : Prob > F ≠ 0 tiene variables omitidas

Ramsey RESET test using powers of the fitted values of d2consump
F (3, 12) = 0.09
Prob > F = 0.9667
Análisis
La Prob > F de 0,3328 es mayor al 0.05 del nivel de significancia, es decir que se acepta la
hipótesis nula, lo que significa que el modelo no tiene variables omitidas.
Multiplicador de Lagrange
Hipótesis
H 0 : El modelo no tiene variables omitidas
H 1 : El modelo tiene variables omitidas
Número de observaciones = 20
- R^2 = 0.8572
- 20 x 0.8572 = 17.144
- Gados de libertad = 4
- Chi ^ 2 = 9.488
Análisis
La multiplicación del número de observaciones y el r^2 es de 17.144 lo que es mayor al

9.488 del chi ^ 2 lo que se acepta la hipotesis nula, esto significa que el modelo está bien
especificado.
3. Verifique si en el modelo hay multicolinealidad, aplique al menos tres métodos de

identificación, incluyendo un método gráfico. Si existe, por favor, corrija este
supuesto y consiga que el modelo de regresión sea el adecuado. Justifique
apropiadamente su respuesta.
Prueba VIF
Tabla 15: Prueba VIF

Variable VIF 1/VIF
d2wagetot 6.77 0.147713
d2totinc 6.34 0.157814
d1profits 2.63 0.380231
d1taxnetx 1.53 0.65363
Mean VIF 4.32
Análisis
Los valores VIF de todas las variables independientes son menores a 10 lo que significa
que no existe multicolinealidad en modelo.
Correlación entre las variables explicativas
Tabla 16: Correlación

d2wage~t d1prof~s d2totinc d1taxn~x
d2wageto 1
t
d1profits 0.7404 1
d2totinc 0.8955 0.6841 1
d1taxnetx -0.288 -0.4269 -0.089 1
Análisis
Los niveles de asociatividad de las variables son altos por lo que a priori se puede decir que
hay multicolinealidad.
- Grafico
-10 0 10 -5 0 5
d2wagetot 0
-5
10
0 d2totinc
-10
5
d1profits 0
-5
5
0 d1taxnetx
-5
-5 0 5 -5 0 5
Ilustración 1: Grafico matricial
Los puntos están dispersan en 10 de 12 correlaciones gráficas confirmando de esta manera

la no existencia de multicolinealidad.
4. ¿En el modelo hay presencia de heterocedasticidad? Realice los siguientes

contrastes: método gráfico, test de Park, test de Glejser, test de Breusch - Pagan y
tést de White para verificarlo. Si el modelo no es homoscodástico, por favor
aplique cualquier método pertinente para corregirlo.
Método de Parks

Number of obs 8
F(4, 3) 3.58
Prob > F 0.1614
R-squared 0.8269
Adj R-squared 0.596
Root MSE 0.54471

lne Coef. Std. Err. t P>t [95% Interval]
Conf.
lnd2wagetot 0.3215733 0.2744948 1.17 0.326 -0.5519916 1.195138
d1profits -0.1517052 0.0988565 -1.53 0.222 -0.4663107 0.1629003
d2totinc 0.1609348 0.1036399 1.55 0.218 -0.1688936 0.4907633
d1taxnetx 0.3898464 0.1338221 2.91 0.062 -0.0360353 0.8157282
_cons -0.1067598 0.2984003 -0.36 0.744 -1.056403 0.8428832
Análisis
Las variables no son significativas al 5% lo que significa que las variables, lo que significa
que las variables son homosedásticas.
Método de Glejser

Number of obs 20
F(4, 15) 0.15
Prob > F 0.9611
R-squared 0.0379
Adj R-squared -0.2186
Root MSE 0.7215
abse Coef. Std. Err. t P>t [95% Conf. Interval]
d2wagetot 0.0563372 0.1249258 0.45 0.658 -0.2099358 0.3226101
d1profits -0.0047433 0.0933728 -0.05 0.96 -0.2037627 0.1942762
d2totinc -0.0105246 0.0753146 -0.14 0.891 -0.1710539 0.1500048
d1taxnetx 0.0263629 0.1128384 0.23 0.818 -0.2141464 0.2668722
_cons 0.7673709 0.1719961 4.46 0 0.4007699 1.133972
Análisis
Las variables no son significativas al 5% lo que significa que las variables, lo que significa
que las variables son homosedásticas.
Método de Breusch-Pagan
Hipótesis
H 0 : Prob> chi2=0 :homocedastico
H 1 : Prob >chi 2 ≠ 0: heterocedastico
Prob > chi2 = 0.9541
Nivel de significancia = 0.05
Análisis
La Prob > chi2 es 0.9541 el cual es mayor que el nivel de significancia lo que significa que
se aceptó Ho y se rechazó H1. En otras palabras, el modelo es homosedástico.
Método White
H 0 : Prob> chi2=0 :homocedastico
H 1 : Prob >chi 2 ≠ 0: heterocedastico

Tabla 21: Heteroscedasticidad de White
Source chi2 df p
Heteroskedasticity 11.34 14 0.6595
Skewness 7.7 4 0.1032
Kurtosis 0.04 1 0.8348
Total 19.08 19 0.4518
Análisis
El p value para heteroscedasticidad es 0.8939 es mayor al nivel de significancia por lo cual

se acepta la hipótesis nula y se rechaza la alternativa, el modelo es homosedástico.
Corrección
El modelo no cuenta con heteroscedasticidad por lo que no es necesario su corrección, el

modelo es homosedástico.
5. Determinar si los residuos del modelo tienen una distribución de probabilidad

normal. Aplique al menú dos métodos de identificación que incluyen un método
gráfico para verificarlo. Si su modelo no cumple con este supuesto, por favor
corríjalo, usando cualquier medida correctiva pertinente.
Histograma de residuos
.4
.3
Density
.2.1
0
-2 -1 0 1 2
Residuals
Ilustración 2: Histograma de residuos
Análisis
A priori se puede interpretar que si existe normalidad en los residuos. El grafico no es

100% seguro.
Estadístico de Jarque-Bera
Hipótesis
H o =Hay distribucion normal
H 1=No hay distribucion normal
Ilustración 3: Estadístico de Jaque-Bera

Análisis
El estadístico de Jarque-Bera es de 0.900876 el cual es menor a 5.99 que es el límite lo que

significa que acepta la hipótesis nula y se rechaza la alternativa lo que significa que el
modelo tiene normalidad en sus residuos.
6. Si es oportuno, aplique al menos cuatro métodos para identificar la autocorrelación

serial de los residuos, incluido el método gráfico, prueba de rachas, test de Durbín
Watson y Breusch Godfrey. Si existe autocorrelación serial en su modelo, por
favor, use el método más adecuado para corregir y validar este supuesto.
Diagrama de autocorrelación
0.50
Autocorrelations of e
0.00
-0.50
0 2 4 6 8
Lag
Bartlett's formula for MA(q) 95% confidence bands
Ilustración 4: correlograma
Análisis
Según el gráfico, el primer rezago sale un poco del límite lo que a priori se puede decir que
el modelo tiene autocorrelación.
Estadístico de Durbin-Watson
Durbin-Watson d-statistic (5, 20) = 2.807536

Autocorrelación Indecisión No existe Indecisión Autocorrelación
positiva autocorrelació negativa
n
0 0.894 1.828 2 2.172 3.106 4
2.8075
36
Análisis
El estadístico de Durbin-Watson se encuentra en la parte de indecisión lo que significa que

puede existir autocorrelación y si esta existiera fuese negativa como no puede existir
autocorrelación.
Prueba de Rachas
Hipótesis
H 0=No existe autocorrelacion
H 0=Existe autocorrelacion
N= número total de observaciones N1 + N2 = 20
N1= número de símbolos + (es decir, residuos +) = 10
N2= número de símbolos − (es decir, residuos −) = 10
R= número de rachas = 16
2 N1 N2
Media=E ( R )= +1
N
2(10)(10)
Media=E ( R )= +1
20
2(10)(10)
Media=E ( R )= +1
20
Media=E ( R )=11
2
2 N 1 N 2 ( 2 N 1 N 2−N )
Varianza=σ R=
( N )2 ( N −1 )
2(10)(10) ( 2(10)(10)−20 )
Varianza=σ 2R= 2
( 20 ) ( 20−1 )
2
Varianza=σ R=4 , 74
Prob[E (R)−1.96 σ R ≤ R ≤ E(R)+1.96 σ R ]0.95
Prob [11−1.96 (2.18)≤ 16 ≤11+ 1.96(2.18)]0.95
Prob [6.73 ≤ 16 ≤ 15.27]0.95
Análisis
El intervalo no cumple con los términos. Lo que significa que se rechaza la hipótesis nula y
se acepta la alternativa. En otras palabras, los residuos muestran autocorrelación.
Método de Breusch Godfrey
2
H 0 : Prob> ch i =0 No existe autocorrelacion
2
H 0 : Prob> ch i ≠ 0 Existe autocorrelacion
Tabla 22: Método de Breusch Godfrey

lags(p) chi2 df Prob >
chi2
1 4.848 1 0.0277
Análisis
El chi^2 es de 0.0277 lo cual es menor que el nivel de significancia lo que significa que se
rechaza la hipótesis y se acepta la alternativa. En otras palabras, el modelo tiene
autocorrelación.
Corrección
El modelo al no cumplir el supuesto de autocorrelación el modelo debe ser corregido. Por

esta razón se utilizó el comando prais.

Number of obs 19
F(4, 14) 43.46
Prob > F 0
R-squared 0.9255
Root MSE 0.99774

d2consump Coef. Std. Err. t P>t [95% Conf. Interval]
d2wagetot -0.1878184 0.1745171 -1.08 0.3 -0.5621204 0.1864835
d1profits 0.0439362 0.0891047 0.49 0.63 -0.1471744 0.2350469
d2totinc 0.5977289 0.0990552 6.03 0.000 0.3852766 0.8101812
d1taxnetx 0.024834 0.134785 0.18 0.856 -0.2642511 0.3139191
_cons -0.1159978 0.1455588 -0.8 0.439 -0.4281904 0.1961949
rho -0.6845886
Análisis
Al aplicar el comando, el estadístico de Durbin-Watson se reduce a 2.039 entrando de esta
manera a la zona de no autocorrelación. De esta manera el modelo queda cumple con el
supuesto de autocorrelación.
Estimación del nuevo modelo sin autocorrelación
d 2 consump=−0.1159978−0.1878184( d 2 wagetot )+0.0439362(d 1 profints)+0.5977289 (d 2totinc )+0.0248
7. ¿Puede considerar alguna variable exógena de su modelo como una variable

endógena? Valide su respuesta aplicado los contrastes de endogeneidad de
Hausman, Pindyck & Rubinfeld y Gujarati. (0,50 puntos)
Método de Hauman
Hipótesis
H 0 : p >t=0 :es cien porciento exogena
H 1 : p> t ≠ 0 :es variable es endogena y exogena

Number of obs 20
F(4, 15) 174.17
Prob > F 0
R-squared 0.9789
Root MSE 0.45241

d2consump Coef. Std. Err. t P>t [95% Interval]
Conf.
d2wagetotf 0 (omitted)
d1profits 0.1308979 0.0572945 2.28 0.037 0.0087776 0.2530182
d2totinc 0.4120034 0.0270314 15.24 0 0.3543873 0.4696194
d1taxnetx 0.1017159 0.0664819 1.53 0.147 -0.039987 0.2434188
e 1 0.099206 10.08 0 0.7885474 1.211453
_cons -0.2096854 0.1059334 -1.98 0.066 -0.4354771 0.0161063
Análisis
Después del valor obtenido en P>|t| de los residuos se puede determinar que la variable
d2wagetot no funciona solo como variable exógena; debido a que, el valor de P > |t| de los
residuos es menor al nivel de significancia del 0,05. Por lo tanto, se rechaza la hipotesis
nula y se acepta la alternativa.
Método de Pindick
Hipótesis
H 0 : p >t=0 :es cien porciento exogena
H 1 : p> t ≠ 0 :es variable es endogena y exogena

Number of obs 10
F(2, 7) 2.64
Prob > F 0.14
R-squared 0.4297
Root MSE 0.83279

lnd2consump Coef. Std. Err. t P>t [95% Conf. Interval]
d2wagetot 0.2530857 0.1200314 2.11 0.073 -0.0307436 0.5369149
e 0.3182242 0.2567351 1.24 0.025 -0.2888578 0.9253062
_cons -0.4908851 0.4562865 -1.08 0.318 -1.569831 0.5880611
Análisis
Después de los resultados obtenidos se puede determinar que la variable d2wagetot es

endógena y exógena, debido a que el valor de P > | t | es menor al nivel de significancia del
0,05. Por lo tanto, se rechaza la hipótesis nula y se acepta la alternativa.
Método de Gujarati

Number of obs 10
F(2, 7) 9.78
Prob > F 0.0094
R-squared 0.7364
Root MSE 0.56623

lnd2consump Coef. Std. Err. t P>t [95% Conf. Interval]
d2wagetot -0.1499617 0.1378929 -1.09 0.313 -0.4760266 0.1761032
d2wagetotf 0.449719 0.1328143 3.39 0.012 0.1356631 0.7637749
_cons -0.4639572 0.3030389 -1.53 0.17 -1.18053 0.2526159
Análisis
Después de los resultados obtenidos se puede determinar que la variable d2wagetot es

exógena y endógena, debido a que el valor de P > | t | es menor al nivel de significancia del
0,05. Por lo tanto, se rechaza la hipotesis nula y se acepta la alternativa.
8. Calcule las elasticidades de cada uno / de los parámetros del modelo e interprete los
parámetros de los resultados. ¿Son estas individuales y estadísticamente
significativas?
Modelo econométrico
Elasticidades
β1 ( )
X ¿
Y
=(−0.1878184 ) (
0.5799999
0.1299997 )
=−0.838
Análisis
Ante una variación del cien por ciento en el salario total se espera que el consumo tenga
una variación del 83.8%. No es estadísticamente significativa debido a que el valor de la
elasticidad es menor a 1.
β2 ( )
X ¿
Y (
=( 0.0439362 )
0.5142857
0.1299997 )
=0.174
Análisis
Ante una variación del cien por ciento en las ganancias privadas se espera que el consumo
tenga una variación del 17.4%. No es estadísticamente significativa debido a que el valor de
la elasticidad es menor a 1.
( ) ( )
¿
X 0.6000004
β3 =( 0.5977289 ) =2.759
Y 0.1299997
Análisis
Ante una variación del cien por ciento en el ingreso total se espera que el consumo tenga
una variación del 275.9%%. Es estadísticamente significativa debido a que el valor de la
elasticidad es mayor a 1.
β4 ( )
X ¿
Y (
= ( 0.024834 )
0.3904762
0.1299997 )
=0.075
Análisis
Ante una variación del cien por ciento en los impuestos indirectos se espera que el consumo
tenga una variación del 7.5%. No es estadísticamente significativa debido a que el valor de
la elasticidad es menor a 1.
9. Interpretar adecuadamente los coeficientes de cada uno de los parámetros del

modelo, específicamente la forma funcional, las unidades y escalas de medición de
las variables del modelo previamente especificado.
Modelo econométrico
d 2 consump=−0.1159978−0.1878184(d 2 wagetot )+0.0439362(d 1 profints)+0.5977289 (d 2totinc)+0.0248
Interpretación
β o= no puede ser interpretado debido a que no es estadísticamente significativo.
β 1= no puede ser interpretado debido a que no es estadísticamente significativo.
β 3= cuando ingreso total aumenta el cambio esperado en el consumo es un aumento del

0.5977 dólares.

10. Efectuar la predicción económica de la variable explicada medios y mínimos de las
variables explicativas. Interpretar con precisión los resultados.
Tabla 31: Media, desviación estándar, mínimo y máximo.

Variable Obs Mean Std. Dev. Min Max
d2consump 20 0.1299997 2.768831 -5.400002 6.200005
d2wagetot 20 0.5799999 3.447439 -5.599995 6.799999
d1profits 21 0.5142857 2.808253 -6.1 4.5
d2totinc 20 0.6000004 5.532298 -8.299999 12.7
d1taxnetx 21 0.3904762 1.982399 -3.8 4.3
Predicción con valores medios
d 2 consump=−0.1159978−0.1878184(0.5799999)+ 0.0439362(0.5142857)+0.5977289(0.6000004 )+ 0.024
d 2 consump=0.166
Análisis
Cuando las variables independientes toman sus valores medios el consumo esperado es de
0.166 dólares.
Predicción con valores mínimos
d 2 consump=−0.1159978−0.1878184(−5.599995)+0.0439362 (−6.1)+ 0.5977289(−8.299999)+0.024834 (
d 2 consump=−4.38
Análisis
Cuando las variables independientes toman sus valores medios el consumo esperado es de -
4.38 dólares.
II PARTE: 2 EJERCICIOS DE APLICACIÓN
RESOLUCION DE EJERCICIO MANUAL
Considere los siguientes resultados de regresión
^
Tasinv i=−4,138216+0,8486802 Tasahoi +0,072419 PIBpci +ui
ee=( 1,81889 )( 0,0703945 )( 0,0183 )
2
R =0 , 98
^
lnTasinv i=−0,3694631+0,826453 ln Tasa h oi +0,0162419 ln PIBpc i+ ui
ee=( 0,2274763 )( 0,0707358 )( 0,216248 )
2
R =0 ,87
a) ¿Son los parámetros B1 y B2estadísticamente significativos en ambos modelos?

¿Realice los contrastes necesarios?
MODELO NIVEL-NIVEL
0,8486802
B1=t= =12 , 05
0,0703945
La variable tasa de ahorro estadísticamente significativa debido a que el valor t es mayor al

nivel de confianza de 2,56, por lo rechaza la hipótesis nula y se acepta la alternativa.
0,072419
B2=t= =3 , 95
0,0183
La variable PIB percapita es estadísticamente significativa debido a que el valor t es mayor

al nivel de confianza de 2,56, por lo rechaza la hipótesis nula y se acepta la alternativa.
MODEOS LOG-LOG
0,826453
B1=t= =11, 6
0,0707358
La variable tasa de ahorro estadísticamente significativa debido a que el valor t es mayor al
nivel de confianza de 2,56, por lo rechaza la hipótesis nula y se acepta la alternativa.
0,0162419
B2=t= =0,075
0,216248
La variable PIB per cápita no es estadísticamente significativa debido a que el valor t es

menor al nivel de confianza de 1.65, por lo rechaza la hipótesis nula y se acepta la
alternativa.
b) Interprete el coeficiente de la pendiente B2 en el modelo lineal y también en el

modelo logarítmico. ¿Hay alguna diferencia en la interpretación de estos
coeficientes?
MODELO NIVEL-NIVEL
B2 :Manteniedo constantes las demás variables cuando la variable PIB percapita varia en 1
dólar, el valor esperado en la tasa de inversión tendría un aumento de 0,0724 dolares.
MODELO LOG-LOG
B2 :Manteniedo constantes las demás variables cuando la variable PIB percapita varia en 1
%, el valor esperado en la tasa de inversión tendría un aumento de 0,016 %.
Si existe diferencia en el modelo nivel- nivel se interpreta con las unidades de origen que
sería dólares, mientras que en el modelo log-log se lo realiza mediante porcentaje y se
observa que en el segundo modelo el beta no es estadísticamente significativo.
c) ¿Interprete los interceptos de los dos modelos ¿Hay alguna diferencia en la

interpretación?
MODELO NIVEL-NIVEL
β 0: Cuando la variable tasa de ahorro es 0 dolares y la variable PIB percapita es 0 dolares,

el valor promedio de la tasa de inversión tendrá una disminución de 4,13 dolares.
β 1: Manteniedo constantes las demás variables cuando la variable tasa de ahorro varia en 1
β 2: Manteniedo constantes las demás variables cuando la variable PIB percapita varia en 1
MODELO LOG-LOG
β 0: Cuando la variable tasa de ahorro es 0% y la variable PIB percapita es 0%, el valor

promedio de la tasa de inversión tendrá una disminución de 0,369%.
β 1: Manteniedo constantes las demás variables cuando la variable tasa de ahorro varia en 1
β 2: Manteniedo constantes las demás variables cuando la variable PIB percapita varia en 1
Solo de que se interpreta en nivel-nivel en manera de dólares, mientras que en log-log en

porcentaje.
d)Con los resultados de los modelos de regresión, ¿Qué modelo preferiría? ¿porque?
El modelo que escogería seria nivel- nivel ya que los betas son estadísticamente
significativos de manera individual y también su R2 es alto.
II PARTE: COMANDOS STATA
Detalle para que sirven los siguientes comandos del programa Stata:
imtest:Test de Cameron & Trivedi's sobre heterocedasticidad
stem: Gráfico de tallo y hojas.
tsset:Declarar si es serie de tiempo

generate: El comando para generar variables
help: Obtendremos la ayuda referente al comando que hemos escrito después de help.
xtset: Después de esta estimación puede hacerse un contraste de Breusch y Pagan de que
los efectos individuales no son significativos.
glm: Mínimos cuadrados generalizados
drop: Borrar y mantener variables en un fichero:
estat vce: Matriz de correlación y covariancia
oneway: Análisis de varianza de una vía

Correccion Del Examen Nuevo

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Correccion Del Examen Nuevo

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD TÉCNICA DEL NORTE

Facultad de Ciencias Administrativas y Económicas

Curso: 4to Economía

Tema: Corrección del examen

I PARTE: EJERCICIOS DE APLICACION

RESOLUCIÓN DE EJERCICIOS EN STATA

Considere las siguientes bases de datos wage2.dta/ gpa2.dta/ nbsal.dta

1. Especifique y estime correctamente un modelo de regresión lineal múltiple de tipo

Especificación del modelo económico

consump=f (wagetot , profits ,totinc , taxnetx)

Especificación del modelo econométrico

consump=β 0 + β 1 ( wagetot ) + β 2 ( profits )+ β3 ( totinc ) + β 4 (taxnetx)

Tabla 3: Estadistico de Dickey-Fuller

La probabilidad del test de Dickey-Fuller es de 0,7105 mayor al nivel de significancia por

Tabla 4: Estadistico de Dickey-Fuller

Tabla 5: Estadistico de Dickey-Fuller

La probabilidad del test de Dickey-Fuller es de 0,9041 mayor al nivel de significancia por

Tabla 6: Estadistico de Dickey-Fuller

Tabla 7: Estadistico de Dickey-Fuller

La probabilidad del test de Dickey-Fuller es de 0,2502 mayor al nivel de significancia por

Tabla 8: Estadistico de Dickey-Fuller

Tabla 9: Estadistico de Dickey-Fuller

La probabilidad del test de Dickey-Fuller es de 0,7898 mayor al nivel de significancia por

Tabla 10: Estadistico de Dickey-Fuller

Tabla 11: Estadistico de Dickey-Fuller

La probabilidad del test de Dickey-Fuller es de 0.9446 mayor al nivel de significancia por

Tabla 12: Estadistico de Dickey-Fuller

Modelo con sus respectivas diferencias

Regresión con diferencias

Tabla 13: Estadísticos

Estimación del modelo

d 2 consump=−0.1313277−0.3033832( d 2 wagetot )+ 0.1775743(d 1 profints)+0.5619793 (d 2totinc )+0.0079

2. Considerar que el modelo de regresión lineal estimado está correctamente

Prueba de Reset Ramsey

H 0 : Prob> F=0 modelo no tiene variables omitidas

H 1 : Prob > F ≠ 0 tiene variables omitidas

F (3, 12) = 0.09

Prob > F = 0.9667

H 0 : El modelo no tiene variables omitidas

H 1 : El modelo tiene variables omitidas

La multiplicación del número de observaciones y el r^2 es de 17.144 lo que es mayor al

3. Verifique si en el modelo hay multicolinealidad, aplique al menos tres métodos de

Tabla 15: Prueba VIF

Correlación entre las variables explicativas

Tabla 16: Correlación

Ilustración 1: Grafico matricial

Los puntos están dispersan en 10 de 12 correlaciones gráficas confirmando de esta manera

4. ¿En el modelo hay presencia de heterocedasticidad? Realice los siguientes

Tabla 17: Estadísticos

Tabla 18: Coeficientes

Tabla 19: Estadísticos

H 0 : Prob> chi2=0 :homocedastico

H 1 : Prob >chi 2 ≠ 0: heterocedastico

Prob > chi2 = 0.9541

Nivel de significancia = 0.05

H 0 : Prob> chi2=0 :homocedastico

H 1 : Prob >chi 2 ≠ 0: heterocedastico

El p value para heteroscedasticidad es 0.8939 es mayor al nivel de significancia por lo cual

El modelo no cuenta con heteroscedasticidad por lo que no es necesario su corrección, el

5. Determinar si los residuos del modelo tienen una distribución de probabilidad

Ilustración 2: Histograma de residuos

A priori se puede interpretar que si existe normalidad en los residuos. El grafico no es