Documentos de Académico
Documentos de Profesional
Documentos de Cultura
FACULTAD DE ECONOMÍA
CURSO:
ECONOMETRÍA III
TAREA:
PROFESOR:
CÓDIGO DE ALUMNO:
0402019033
PIURA – PERÚ
2023
1
INDICE
1.ESPECIFICACIÓN DEL MODELO ....................................................................................3
1.1 Forma Algebraica ...............................................................................................................3
1.2 Definición de variables .....................................................................................................3
1.3 Especificación del valor de los coeficientes ......................................................................3
1.4Forma estructural algebraica ...........................................................................................4
1.5 Forma estructural matricial ............................................................................................4
1.6 Forma matricial compacta ...............................................................................................4
1.7 Forma matricial compacta reducida ...............................................................................5
1.8 Forma reducida en su forma algebraica compacta ........................................................5
1.9 Forma reducida en su forma matricial ...........................................................................5
2. IDENTIFICACIÓN ...............................................................................................................7
2.1 Condición de Rango .........................................................................................................7
2.2 Condición de Orden .........................................................................................................9
3.ESTIMACIÓN ......................................................................................................................10
3.1 Estimación MC2E ..........................................................................................................10
3.1.1 Forma 1 (etapa por etapa) ......................................................................................10
3.1.2 Forma 2, forma directa ...........................................................................................12
3.1.3 Forma 3, sistema ......................................................................................................13
3.2 Estimación MC3E ..........................................................................................................14
3.3 Estimación máxima verisimilitud MMV ......................................................................15
3.4 Estimación momentos generales GMM ........................................................................16
4.EVALUACION .....................................................................................................................17
4.1 Evaluación económica ..............................................................................................17
4.1.1 Evaluación de los signos obtenidos de los parámetros en la estimación ..............17
4.1.2 Interpretación de los signos obtenidos de los parámetros en la estimación ..18
4.2 Evaluación estadística ....................................................................................................18
4.2.1 Evaluación estadística individual ...........................................................................18
4.2.2 Evaluación estadística conjunta .............................................................................21
4.2.3 Prueba de Normalidad ............................................................................................23
4.2.4 Prueba de simultaneidad.........................................................................................25
4.3 Evaluación Econométrica ..............................................................................................27
4.3.1 Multicolinealidad .....................................................................................................27
4.3.2 Heterocedasticidad ..................................................................................................30
4.3.3 Autocorrelación .......................................................................................................32
2
MODELO MULTIPLICADOR-ACELERADOR
𝐶𝑡 = 𝛼1 + 𝛼2 𝑌𝑡−1
𝐼𝑡 = 𝛽1 + 𝛽2 𝑌𝑡 + 𝛽3 (𝑌𝑡−1 − 𝑌𝑡−2 )
𝑌𝑡 = 𝐶𝑡 + 𝐼𝑡 + 𝐺𝑡
Signo Tipo de
Ecuación Explicación
esperado relación
El coeficiente 𝛼1 en la ecuación de inversión debería
Consumo 0 < 𝛼1 < 1 Directa tener un signo positivo, se espera que si aumenta el
ingreso aumente el consumo.
El coeficiente 𝛽1 en la ecuación de inversión debería
𝛽1 > 0
Directa tener un signo positivo, se espera que si aumenta el
ingreso aumente la inversión.
Inversión
El coeficiente 𝛽2 en la ecuación de inversión debería
𝛽2 > 0 Directa tener un signo positivo, espera que si aumenta el ingreso
aumente la inversión.
El coeficiente 𝛽3 en la ecuación de inversión debería
𝛽3 > 0 Directa tener un signo positivo, espera que si aumenta la
variación del ingreso aumente la inversión.
3
1.4 Forma estructural algebraica
Pasa todos los valores al primer miembro y déjalos en función de cero. Hazlo para cada
ecuación, quedará expresada como:
𝐶𝑡 − 𝛼1 − 𝛼2 𝑌𝑡−1 − 𝑒1𝑡 = 0
𝐼𝑡 − 𝛽1 − 𝛽2 𝑌𝑡 − 𝛽3 (𝑌𝑡−1 − 𝑌𝑡−2 ) − 𝑒2𝑡 = 0
𝑌𝑡 − 𝐶𝑇 − 𝐼𝑇 − 𝐺𝑡 = 0
−𝛼1 −𝛽1 0
1 0 −1
−𝛼2 0 0
[𝐶𝑡 𝐼𝑡 𝑌𝑡 ] 𝑇𝑥3 [0 1 −1] + [1 𝑌𝑡−1 (𝑌𝑡−1 − 𝑌𝑡−2 ) 𝐺𝑡 ] 𝑇𝑥4
0 −𝛽2 1 0 −𝛽3 0
3𝑥3 [ 0 0 −1]4𝑥3
Donde:
1 0 −1
𝑌 = [𝐶𝑡 𝐼𝑡 𝑌𝑡 ]𝑇𝑥3 ; 𝚪 = [0 1 −1] ; 𝑋 = (1 𝑌𝑡−1 (𝑌𝑡−1 − 𝑌𝑡−2 ) 𝐺𝑡 )
0 −𝛽2 1
3𝑥3
−𝛼1 −𝛽1 0
−𝛼 0 0
𝚩=[ 2 ] 𝚬 = [−𝑒1𝑡 −𝑒2𝑡 0]𝑇𝑋3
0 −𝛽3 0
0 0 −1 4𝑥3
Donde:
4
1.7 Forma matricial compacta reducida
𝒀𝒕 𝚪 + 𝚾𝚩 + 𝚬 = 𝟎
𝒀𝒕 𝚪𝚪 −𝟏 + 𝚾𝚩𝚪 −𝟏 + 𝚬𝚪 −𝟏 = 𝟎
𝒀𝒕 𝚪𝚪 −𝟏 = −𝚾𝚩𝚪 −𝟏 − 𝚬𝚪 −𝟏
𝒀𝒕 = −𝚾𝚩𝚪 −𝟏 − 𝚬𝚪 −𝟏
𝒀𝒕 = 𝚾𝚷 + 𝐕
Donde:
• 𝚷 = −𝚩𝚪 −𝟏
• 𝐕 = −𝚬𝚪 −𝟏
Donde:
𝜋01 𝜋02 𝜋03
𝜋 𝜋12 𝜋13
𝒀 = (𝑪𝒕 𝑰𝒕 𝒀𝒕 ); 𝚾 = (1 𝑌𝑡−1 (𝑌𝑡−1 − 𝑌𝑡−2 ) 𝐺𝑡 ); 𝚷 = [𝜋11 𝜋22 𝜋23];
21
𝜋31 𝜋32 𝜋33
𝑽 = (𝑉1𝑡 𝑉2𝑡 0)
5
[𝐶𝑡 𝐼𝑡 𝑌𝑡 ](𝑇𝑥3)
SUPUESTOS
1.Completitud
Se evalúa la matriz 𝜞, la cual acompaña a la matriz de variables endógenas, debe ser una
matriz cuadrada no singular, esto garantiza que el sistema es completo, además toda
matriz cuadrada tiene un determinante para estimar el modelo |𝛤| ≠ 0 . Los valores por
encima y por debajo de la diagonal principal son diferentes, lo cual es característica
principal de una matriz cuadrada no singular, por tanto, el sistema es completo.
1 0 −1
𝜞 = [0 1 −1]
0 −𝛽2 1
3𝑥3
2.Interdependencia
Podemos evaluar la interdependencia vía variables endógenas y vía variables aleatorias.
Canal de interdependencia vía variables endógenas:
Se evalúa la matriz 𝜞, la cual acompaña a las variables endógenas, se dice que existe
interdependencia vía variables endógenas cuando los valores de sus diagonales son
diferentes a cero.
1 0 −1 1 0 0
Γ = [0 1 −1] ≠ [0 1 0]
0 −𝛽2 1 0 0 1
6
Se evalúa la matriz 𝜀, matriz de varianzas y covarianzas de los valores aleatorios.
𝐸 = [−𝑒1𝑡 −𝑒2𝑡 0]
2. IDENTIFICACIÓN
(𝑹𝒊 𝒙𝜟) = 𝑴 − 𝟏
(𝑅𝑖 ∗ 𝛥) = 𝑀 − 1
𝑅𝑖 = (𝐽 ∗ (𝑀 + 𝐾))
7
Donde:
✓ 𝐽 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑟𝑒𝑠𝑡𝑟𝑖𝑐𝑐𝑖𝑜𝑛𝑒𝑠
✓ 𝑀+𝐾=
𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑒𝑛 𝑒𝑙 𝑚𝑜𝑑𝑒𝑙𝑜, 𝑒𝑠 𝑑𝑒𝑐𝑖𝑟 𝑙𝑎𝑠 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑒𝑛𝑑ó𝑔𝑒𝑛𝑎𝑠 𝑚á𝑠 𝑙𝑎𝑠 𝑒𝑥ó𝑔𝑒𝑛𝑎𝑠.
𝑀+𝐾=7
J1 = 𝐼𝑡 , 𝑌𝑡 , (𝑌𝑡−1 − 𝑌𝑡−2 ), Gt , = 4
J2 = 𝐶𝑡 , Yt−1 , Gt = 3
(𝑹𝒊 𝒙𝚫) = 𝑴 − 𝟏
0 1 0 0 0 0 0
0 0 1 0 0 0 0
R1 = [ ] (4 ∗ 7)
0 0 0 0 0 1 0
0 0 0 0 0 0 1
1 0 −1
0 1 −1
0 −𝛽2 1
Γ(3X3)
Δ=[ ] = −𝛼1 −𝛽1 0
𝛽4𝑋3
−𝛼2 0 0
0 −𝛽3 0
[ 0 0 −1](7∗3)
Entonces: R1 𝑥Δ
1 0 −1
0 1 −1
0 1 0 0 0 0 0
0 −𝛽2 1
0 0 1 0 0 0 0
R1 𝑥Δ = [ ] 𝑥 −𝛼1 −𝛽1 0
0 0 0 0 0 1 0
−𝛼2 0 0
0 0 0 0 0 0 1
0 −𝛽3 0
[ 0 0 −1]
0 1 −1
0 −𝛽2 0
R1 𝑥Δ = [ ]
0 −𝛽3 0
0 0 −1 (4∗3)
Conclusión:
𝑅𝑎𝑛𝑔𝑜 = 2 = 𝑀 − 1
𝑅𝑎𝑛𝑔𝑜 = 2 = 3 − 1
8
Para la segunda ecuación: R2 𝑥Δ
1 0 0 0 0 0 0
𝑅2 = [ 0 0 0 0 1 0 0 ] (3 ∗ 7)
0 0 0 0 0 0 1
1 0 −1
0 1 −1
0 −𝛽2 1
Γ(3X3)
Δ=[ ] = −𝛼1 −𝛽1 0
𝛽4𝑋3
−𝛼2 0 0
0 −𝛽3 0
[ 0 0 −1](7∗3)
Entonces: 𝑅2 𝑥Δ:
1 0 −1
0 1 −1
1 0 0 0 0 0 0 0 −𝛽2 1
R 2 𝑥Δ = [ 0 0 0 0 1 0 0 ] −𝛼1 −𝛽1 0
0 0 0 0 0 0 1 (3∗7) −𝛼2 0 0
0 −𝛽3 0
[ 0 0 −1](7∗3)
1 0 −1
𝑅2 𝑥Δ = [−𝛼2 0 0]
0 0 −1 (3∗3)
Conclusión:
𝑅𝑎𝑛𝑔𝑜 = 2 = 𝑀 − 1
𝑅𝑎𝑛𝑔𝑜 = 2 = 3 − 1
𝑱≥𝑴−𝟏
𝐶𝑡 = 𝛼1 + 𝛼2 𝑌𝑡−1
J1 = 𝐼𝑡 , 𝑌𝑡 , (𝑌𝑡−1 − 𝑌𝑡−2 ), Gt , = 4
𝐽 ≥𝑀−1
4 ≥ 3−1
4≥2
9
4 ≥ 2; por lo tanto, la primera ecuación esta sobre identificada, es decir, existe más
información de la estrictamente necesaria para estimar los parámetros de la primera
ecuación.
𝐼𝑡 = 𝛽1 + 𝛽2 𝑌𝑡 + 𝛽3 (𝑌𝑡−1 − 𝑌𝑡−2 )
J2 = 𝐶𝑡 , Yt−1 , Gt = 3
𝐽 ≥𝑀−1
3 ≥ 3−1
3≥2
3 ≥ 2; por lo tanto, la segunda ecuación esta sobre identificada, es decir, existe más
información de la estrictamente necesaria para estimar los parámetros de la primera
ecuación.
3.ESTIMACIÓN
Debido a que en la identificación del modelo se encontraron que las dos ecuaciones son
identificadas por el rango y sobre identificadas por el orden, podemos utilizar MC3E,
MC2E, máxima verisimilitud, sin embargo, es importante tener en cuenta que el MC3E
nos permite estimar mejor el modelo, los parámetros tienen menor varianza por tanto son
más eficientes.
𝑴𝑪𝟑𝑬 ≠ 𝑴𝑪𝟐𝑬
Exactamente identificadas
𝑴𝑪𝟑𝑬 = 𝑴𝑪𝟐𝑬
10
• Paso 1, estimamos la forma reducida de cada ecuación.
• Paso 2, una vez que se tiene las estimaciones en su forma reducida, se pronostica
cada ecuación con forecat, a fin de pronosticar las variables endógenas.
• Paso 3, ahora vamos a estimar el modelo estructural, pero trabajando con las
variables pronosticadas.
LS CN C GNP (-1)
Dependent Variable: CN
Method: Least Squares
Date: 09/30/23 Time: 22:12
Sample: 1950Q1 1985Q4
Included observations: 144
11
Dependent Variable: I
Method: Least Squares
Date: 09/30/23 Time: 22:14
Sample: 1950Q1 1985Q4
Included observations: 144
Dependent Variable: CN
Method: Two-Stage Least Squares
Date: 09/22/23 Time: 12:19
Sample: 1950Q1 1985Q4
Included observations: 144
Instrument specification: C GNP(-1) (GNP(-1)-GNP(-2)) G
TSLS I C GNP (GNP (-1)-GNP (-2)) @ C GNP (-1) (GNP (-1)-GNP (-2)) G
12
Dependent Variable: I
Method: Two-Stage Least Squares
Date: 09/22/23 Time: 12:20
Sample: 1950Q1 1985Q4
Included observations: 144
Instrument specification: C GNP(-1) (GNP(-1)-GNP(-2)) G
13
System: MC2E_SYSTEM
Estimation Method: Two-Stage Least Squares
Date: 09/22/23 Time: 14:27
Sample: 1950Q1 1985Q4
Included observations: 144
Total system (balanced) observations 288
Equation: CN=C(1)+C(2)*GNP(-1)
Instruments: C GNP(-1) GNP(-1)-GNP(-2) G
Observations: 144
R-squared 0.993231 Mean dependent var 1411.162
Adjusted R-squared 0.993183 S.D. dependent var 486.7321
S.E. of regression 40.18680 Sum squared resid 229327.0
Durbin-Watson stat 0.260236
Equation: I=C(3)+C(4)*GNP+C(5)*(GNP(-1)-GNP(-2))
Instruments: C GNP(-1) GNP(-1)-GNP(-2) G
Observations: 144
R-squared 0.947954 Mean dependent var 383.8354
Adjusted R-squared 0.947215 S.D. dependent var 131.0940
S.E. of regression 30.11869 Sum squared resid 127906.1
Durbin-Watson stat 0.491122
• Object
• New Object
• System
CN=C(1)+C(2)*GNP(-1)
I=C(3)+C(4)*GNP+C(5)*(GNP(-1)-GNP(-2))
INST C GNP(-1) (GNP(-1)-GNP(-2)) G
• Estimate
• Three stage least squares
14
System: MC3E_SYSTEM
Estimation Method: Three-Stage Least Squares
Date: 09/22/23 Time: 14:37
Sample: 1950Q1 1985Q4
Included observations: 144
Total system (balanced) observations 288
Linear estimation after one-step weighting matrix
Equation: CN=C(1)+C(2)*GNP(-1)
Instruments: C GNP(-1) GNP(-1)-GNP(-2) G
Observations: 144
R-squared 0.993231 Mean dependent var 1411.162
Adjusted R-squared 0.993183 S.D. dependent var 486.7321
S.E. of regression 40.18680 Sum squared resid 229327.0
Durbin-Watson stat 0.260238
Equation: I=C(3)+C(4)*GNP+C(5)*(GNP(-1)-GNP(-2))
Instruments: C GNP(-1) GNP(-1)-GNP(-2) G
Observations: 144
R-squared 0.947954 Mean dependent var 383.8354
Adjusted R-squared 0.947215 S.D. dependent var 131.0940
S.E. of regression 30.11872 Sum squared resid 127906.3
Durbin-Watson stat 0.489787
15
System: MMV
Estimation Method: Full Information Maximum Likelihood (BFGS / Marquardt
steps)
Date: 09/24/23 Time: 16:09
Sample: 1950Q1 1985Q4
Included observations: 144
Total system (balanced) observations 288
Convergence achieved after 16 iterations
Coefficient covariance computed using outer product of gradients
Equation: CN=C(1)+C(2)*GNP(-1)
Observations: 144
R-squared 0.993231 Mean dependent var 1411.162
Adjusted R-squared 0.993183 S.D. dependent var 486.7321
S.E. of regression 40.18713 Sum squared resid 229330.8
Durbin-Watson stat 0.260091
Equation: I=C(3)+C(4)*GNP+C(5)*(GNP(-1)-GNP(-2))
Observations: 144
R-squared 0.947951 Mean dependent var 383.8354
Adjusted R-squared 0.947212 S.D. dependent var 131.0940
S.E. of regression 30.11960 Sum squared resid 127913.8
Durbin-Watson stat 0.488140
16
System: GMM
Estimation Method: Generalized Method of Moments
Date: 09/24/23 Time: 16:10
Sample: 1950Q1 1985Q4
Included observations: 144
Total system (balanced) observations 288
White Covariance
Linear estimation after one-step weighting matrix
Equation: CN=C(1)+C(2)*GNP(-1)
Instruments: C GNP(-1) GNP(-1)-GNP(-2) G
Observations: 144
R-squared 0.992924 Mean dependent var 1411.162
Adjusted R-squared 0.992874 S.D. dependent var 486.7321
S.E. of regression 41.08798 Sum squared resid 239727.6
Durbin-Watson stat 0.255824
Equation: I=C(3)+C(4)*GNP+C(5)*(GNP(-1)-GNP(-2))
Instruments: C GNP(-1) GNP(-1)-GNP(-2) G
Observations: 144
R-squared 0.946768 Mean dependent var 383.8354
Adjusted R-squared 0.946013 S.D. dependent var 131.0940
S.E. of regression 30.45991 Sum squared resid 130820.6
Durbin-Watson stat 0.423781
4.EVALUACION
Periodo de estimación: 1950q1-1985q4
Estimación por MC3E:
17
Ecuación Signo esperado Signo esperado Conclusión
0 < 𝛼1 < 1 −132.374885161 𝛼1 : No Cumple con lo
especificado.
Consumo
𝛼2 > 0 0.674790312475 𝛼2 : Cumple con lo especificado.
18
Si 𝑡𝑐 > 𝑡𝑡 se rechaza la hipótesis nula 𝐻0 Si 𝑃 < 0.05 se rechaza la hipótesis nula 𝐻0
Si 𝑡𝑐 < 𝑡𝑡 se acepta la hipótesis nula 𝑯𝟎 Si 𝑃 > 0.05 se acepta la hipótesis nula 𝐻0
Primera ecuación
𝐶𝑡 = 𝛼1 + 𝛼2 𝑌𝑡−1
𝜶𝟐
𝐻0 : 𝛼1 = 0 (𝑛𝑜 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑜)
System: MC3E_SYSTEM 𝐻1 : 𝛼1 ≠ 0 (𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑜)
Estimation Method: Three-Stage Least Squares
Date: 09/22/23 Time: 20:01
Sample: 1950Q1 1985Q4
Included observations: 144
𝒕𝑪 = 𝟏𝟒𝟓.
Total system (balanced) observations 288 𝟑𝟓𝟕𝟗 𝒕𝒕 = 𝟏. 𝟗𝟕𝟔𝟖𝟏𝟎𝟗𝟗𝟑𝟔𝟑𝟐𝟖𝟔𝟗
Linear estimation after one-step weighting matrix
𝜶 = 𝟓% = 𝟎. 𝟎𝟓
Coefficient Std. Error t-Statistic Prob.
𝒈𝒍 = 𝑻 − 𝒌 = 𝟏𝟒𝟒 − 𝟐 = 𝟏𝟒𝟐
C(1) -132.3749 11.12744 -11.89626 0.0000
1-0.025 = 0.975
C(2) 0.674790 0.004642 145.3579 0.0000
C(3) -22.84872 8.343024 -2.738661 0.0066
Scalar t= @qtdist (0.975,142) =
C(4) 0.172725 0.003492 49.46867 0.0000 𝟏. 𝟗𝟕𝟔𝟖𝟏𝟎𝟗𝟗𝟑𝟔𝟑𝟐𝟖𝟔𝟗
C(5) 0.455744 0.081494 5.592332 0.0000
Segunda ecuación
𝐼𝑡 = 𝛽1 + 𝛽2 𝑌𝑡 + 𝛽3 (𝑌𝑡−1 − 𝑌𝑡−2 )
𝜷𝟐
19
𝐻0 : 𝛼1 = 0 (𝑛𝑜 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑜)
System: MC3E_SYSTEM 𝐻1 : 𝛼1 ≠ 0 (𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑜)
Estimation Method: Three-Stage Least Squares
Date: 09/22/23 Time: 20:01
Sample: 1950Q1 1985Q4
Included observations: 144
𝒕𝑪 = 𝟒𝟗.
Total system (balanced) observations 288 𝟒𝟔 𝒕𝒕 = 𝟏. 𝟗𝟕𝟔𝟗𝟑𝟏𝟒𝟖𝟖𝟔𝟑𝟒𝟐𝟒𝟐
Linear estimation after one-step weighting matrix
𝜶 = 𝟓% = 𝟎. 𝟎𝟓
Coefficient Std. Error t-Statistic Prob.
𝒈𝒍 = 𝑻 − 𝒌 = 𝟏𝟒𝟒 − 𝟑 = 𝟏𝟒𝟏
C(1) -132.3749 11.12744 -11.89626 0.0000
1-0.025 = 0.975
C(2) 0.674790 0.004642 145.3579 0.0000
C(3) -22.84872 8.343024 -2.738661 0.0066
Scalar t= @qtdist (0.975,141) =
C(4) 0.172725 0.003492 49.46867 0.0000 𝟏. 𝟗𝟕𝟔𝟗𝟑𝟏𝟒𝟖𝟖𝟔𝟑𝟒𝟐𝟒𝟐
C(5) 0.455744 0.081494 5.592332 0.0000
𝜷𝟑
𝐻0 : 𝛼1 = 0 (𝑛𝑜 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑜)
System: MC3E_SYSTEM 𝐻1 : 𝛼1 ≠ 0 (𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑜)
Estimation Method: Three-Stage Least Squares
Date: 09/22/23 Time: 20:01
Sample: 1950Q1 1985Q4
Included observations: 144
𝒕𝑪 = 288
Total system (balanced) observations 𝟓. 𝟓𝟗 𝒕𝒕 = 𝟏. 𝟗𝟕𝟔𝟗𝟑𝟏𝟒𝟖𝟖𝟔𝟑𝟒𝟐𝟒𝟐
Linear estimation after one-step weighting matrix
𝜶 = 𝟓% = 𝟎. 𝟎𝟓
Coefficient Std. Error t-Statistic Prob.
𝒈𝒍 = 𝑻 − 𝒌 = 𝟏𝟒𝟒 − 𝟑 = 𝟏𝟒𝟏
C(1) -132.3749 11.12744 -11.89626 0.0000
1-0.025 = 0.975
C(2) 0.674790 0.004642 145.3579 0.0000
C(3) -22.84872 8.343024 -2.738661 0.0066
Scalar t= @qtdist (0.975,141) =
C(4) 0.172725 0.003492 49.46867 0.0000 𝟏. 𝟗𝟕𝟔𝟗𝟑𝟏𝟒𝟖𝟖𝟔𝟑𝟒𝟐𝟒𝟐
C(5) 0.455744 0.081494 5.592332 0.0000
20
𝒕𝑪 > 𝒕𝒕 , se rechaza 𝑯𝟎 y se acepta 𝑯𝟏 , lo que quiere decir que el parámetro es
estadísticamente diferente de 0, es decir es significativo. La variable variación del ingreso,
si explica a la inversión.
Se define la regla:
𝐹𝑐 > 𝐹𝑡 𝑆𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝐻0
𝐹𝑐 < 𝐹𝑡 𝑆𝑒 𝑎𝑐𝑒𝑝𝑡𝑎 𝐻0
𝑅2 /(𝐾−1) 𝛼%
𝐹𝑐 = (1−𝑅2)/ (𝑁−𝐾) 𝑐𝑜𝑚𝑝𝑎𝑟𝑎𝑑𝑜 𝑐𝑜𝑛 𝐹𝑇 = 𝐹(𝑘−1)(𝑛−𝑘) = 𝑡(𝛼,(𝑘−1)(𝑛−𝑘)𝑔.𝑙)
En MC3E
21
System: MC3E_SYSTEM
Estimation Method: Three-Stage Least Squares
Date: 09/22/23 Time: 20:01
Sample: 1950Q1 1985Q4
Included observations: 144
Total system (balanced) observations 288
Linear estimation after one-step weighting matrix
Equation: CN=C(1)+C(2)*GNP(-1)
Instruments: C GNP(-1) GNP(-1)-GNP(-2) G
Observations: 144
R-squared 0.993231 Mean dependent var 1411.162
Adjusted R-squared 0.993183 S.D. dependent var 486.7321
S.E. of regression 40.18680 Sum squared resid 229327.0
Durbin-Watson stat 0.260238
Equation: I=C(3)+C(4)*GNP+C(5)*(GNP(-1)-GNP(-2))
Instruments: C GNP(-1) GNP(-1)-GNP(-2) G
Observations: 144
R-squared 0.947954 Mean dependent var 383.8354
Adjusted R-squared 0.947215 S.D. dependent var 131.0940
S.E. of regression 30.11872 Sum squared resid 127906.3
Durbin-Watson stat 0.489787
22
Comparamos el F calculado con el F de tabla para la segunda ecuación
𝐼𝑡 = 𝛽1 + 𝛽2 𝑌𝑡 + 𝛽3 (𝑌𝑡−1 − 𝑌𝑡−2 )
𝑹𝟐
𝒌−𝟏
𝐹𝑐 = (𝟏−𝑹𝟐 )
= 1284.070956461591 𝐹𝑡 = 3.060291772241261
𝑻−𝒌
SEGUNDA FORMA
Tomando en cuenta el 𝑹𝟐 conjunto
𝝈𝟐 𝝈𝟐
𝑹𝟐𝒄 = 𝑹𝟐𝟏 (𝝈𝟐+𝝈
𝟏 𝟐 𝟐
𝟐 ) + 𝑹𝟐 (𝝈𝟐 +𝝈𝟐 ) = 0.9770197074214526
𝟏 𝟐 𝟏 𝟐
Scalar r2conjunto=(0.993231*(229327.0/(229327.0+127906.3)))+(0.947954
*(127906.3/(229327.0+127906.3)))
𝑱𝑩 > 𝑿𝟐𝟐 Se rechaza 𝑯𝟎 , Es decir, los errores no toman una distribución normal.
El resultado de la prueba se compara siempre con un valor de tabla (𝝌𝟐 con 2 gl, que es
5.99).
EN MC3E, VIEW---RESIDUAL DIAGNOSTIC---NORMALITY TEST
23
System Residual Normality Tests
Orthogonalization: Cholesky (Lutkepohl)
Null Hypothesis: residuals are multivariate normal
Date: 09/30/23 Time: 23:28
Sample: 1950Q1 1985Q4
Included observations: 144
1 9.714635 2 0.0078
2 2.131033 2 0.3445
En la primera ecuación
Comparamos el valor de jarque Bera con un chi cuadrado con dos grados de libertad.
9.71 5.99
scalar x2 = @qchisq
(0.95,2)
𝑽𝒂𝒍𝒐𝒓 𝑱𝑩 > 𝝌𝟐 (𝟎.𝟎𝟓,𝟐) , se rechaza 𝑯𝟎 y se acepta 𝑯𝟏 , lo que quiere decir que los errores
de la primera ecuación no siguen una distribución normal.
En la segunda ecuación
Comparamos el valor de jarque Bera con un chi cuadrado con dos grados de libertad.
2.13 5.99
scalar x2 = @qchisq
(0.95,2)
24
𝑽𝒂𝒍𝒐𝒓 𝑱𝑩 < 𝝌𝟐 (𝟎.𝟎𝟓,𝟐) , se acepta 𝑯𝟎 y se rechaza 𝑯𝟏 , lo que quiere decir que los
𝝆 = 𝟎. 𝟎𝟎 < 𝜶 = 𝟎. 𝟎𝟓, Dado que su probabilidad es menor que el 5%, entonces se rechaza
𝑯𝟎 y se acepta 𝑯𝟏,lo que quiere decir que, en la primera ecuación del modelo, la variable
ingreso presenta simultaneidad, (la variable es endógena).
25
Dependent Variable: I
Method: Least Squares
Date: 09/30/23 Time: 23:46
Sample: 1950Q1 1985Q4
Included observations: 144
𝝆 = 𝟎. 𝟑𝟐 > 𝜶 = 𝟎. 𝟎𝟓, Dado que su probabilidad es mayor que el 5%, entonces se acepta
𝑯𝟎 y se rechaza 𝑯𝟏,lo que quiere decir que, en la primera ecuación del modelo, la
variable ingreso no presenta simultaneada (la variable es exógena).
26
Endogeneity Test
Null hypothesis: GNP are exogenous
Equation: MC2E_EQ2_FD
Specification: I C GNP (GNP(-1)-GNP(-2))
Instrument specification: C GNP(-1) GNP(-1)-GNP(-2) G
Endogenous variables to treat as exogenous: GNP
Value df Probability
Difference in J-stats 0.983430 1 0.3214
J-statistic summary:
Value
Restricted J-statistic 22.18036
Unrestricted J-statistic 21.19693
4.3.1.1Test De Klein
Para el test de multicolinealidad de Klein, la multicolinealidad es un problema
complicado solamente si el R2 obtenida en una regresión auxiliar es mayor al R2 global.
R: Coeficiente de correlación múltiple de todas las variables del modelo (es la raíz
cuadrada del Coeficiente de Determinación “R2”)
27
rxi,xj : Coeficiente de correlación simple entre dos variables explicatorias cualquiera, tales
como “xi” con “xj”
|rxi,xj | : Valor absoluto del coeficiente de correlación simple entre “xi” y “xj”
En MC3E sistema
System: MC3E_SYSTEM
Estimation Method: Three-Stage Least Squares
Date: 09/22/23 Time: 14:37
Sample: 1950Q1 1985Q4
Included observations: 144
Total system (balanced) observations 288
Linear estimation after one-step weighting matrix
Equation: CN=C(1)+C(2)*GNP(-1)
Instruments: C GNP(-1) GNP(-1)-GNP(-2) G
Observations: 144
R-squared 0.993231 Mean dependent var 1411.162
Adjusted R-squared 0.993183 S.D. dependent var 486.7321
S.E. of regression 40.18680 Sum squared resid 229327.0
Durbin-Watson stat 0.260238
Equation: I=C(3)+C(4)*GNP+C(5)*(GNP(-1)-GNP(-2))
Instruments: C GNP(-1) GNP(-1)-GNP(-2) G
Observations: 144
R-squared 0.947954 Mean dependent var 383.8354
Adjusted R-squared 0.947215 S.D. dependent var 131.0940
S.E. of regression 30.11872 Sum squared resid 127906.3
Durbin-Watson stat 0.489787
Procedo a sacar la raíz cuadrada del R-squared de cada ecuación, para obtener R
R en ecuación 1 R en ecuación 2
scalar CR1=SQR(0.993231) scalar CR2=SQR(0.947954)
0.9966097531130228 0.9736292929036184
Para hallar la matriz de correlación para cada ecuación
En la primera ecuación
𝐶𝑡 = 𝛼1 + 𝛼2 𝑌𝑡−1
GROUP GROUP_EQ1 GDP(-1)
28
*En cada ecuación anterior--Viuw---covariance analysis--- correlación, t-stadistic,
probability
En la ecuación del consumo no se puede comprobar la multicolinealidad dado que solo
tenemos una variable explicativa.
En la segunda ecuación
𝐼𝑡 = 𝛽1 + 𝛽2 𝑌𝑡 + 𝛽3 (𝑌𝑡−1 − 𝑌𝑡−2 )
Covariance
Correlation
t-Statistic
Probability GNP GNP(-1)-GN...
GNP 518392.6
1.000000
-----
-----
• Cuando la elipse tiende a volverse una circunferencia significa que hay menos
multicolinealidad (que no existe).
29
.685
.680
C(2)
.675
.670
.665
-10
-20
C(3)
-30
-40
.180
.176
C(4)
.172
.168
.6
.5
C(5)
.4
.3
-150 -140 -130 -120 -110 .665 .670 .675 .680 .685 -40 -30 -20 -10 .168 .172 .176 .180
4.3.2 Heterocedasticidad
𝑯𝟎 : No existe heterocedasticidad
𝑯𝟏 : Existe heterocedasticidad
Para la primera ecuación
TEST DE BRESUCH-PAGAN-GODFREY
𝒆𝟐 = 𝜶𝟏 + 𝜶𝟐 𝒓 + 𝜶𝟑 𝐥𝐨𝐠(𝒈)
Se compara el 𝐱 𝟐 con R-squared*N de observaciones
X ---scalar x21 = @qchisq (0.95,1), dependiendo los grados de libertad
Si:
𝐱 𝟐 < R-squared*N de observaciones, se acepta 𝐇𝟏
30
𝐱 𝟐 > R-squared*N de observaciones, se acepta 𝐇𝟎
Para la primera ecuación
𝐶𝑡 = 𝛼1 + 𝛼2 𝑌𝑡−1
𝑅2 < 𝑋1 2
TEST DE HARVEY
𝑅2 > 𝑋2 2
4.3.3 Autocorrelación
4.3.3.1 Test de correlograma
En la primera ecuación
32
Date: 10/01/23 Time: 00:39
Sample: 1950Q1 1985Q4
Included observations: 144
deducirse, al observar que los valores se salen fuera de la banda y que, además, los
33
Date: 10/01/23 Time: 00:41
Sample: 1950Q1 1985Q4
Included observations: 144
deducirse, al observar que los valores se salen fuera de la banda y que, además, los
34