Ejemplo 1 Con EViews

Ejemplo 1 con EViews
Introducción
Dado el modelo: yt = β1 + β2 xt2 + β3 xt3 + εt
y la información muestral:
^ ^
t yt x^t 1 ^
xt 2 ^
xt 3
1 15 1 23 4
2 10 1 8 3
3 12 1 11 6
4 9 1 8 5
5 8 1 11 4
6 6 1 7 8
7 12 1 9 8
8 14 1 10 7
9 9 1 2 2
10 5 1 6 3
^ ^2 ^ 2 ^ ^
Se desea estimar por MCO: β, σ , ε, R , Var(β), representar los residuos, contrastar
hipótesis, p.e. H0: β1 = 0 ; H0: β2 = β3 = 0 ; H0: 3β2 = 1 ; H0: 5β2 – β3 = 0 …
Introducción: datos en fichero Excel
Resulta útil guardar la información muestral de las variables del modelo en un fichero Excel.
En este caso se ha creado un fichero denominado Ejemplo 1.xls en el que se han colocado los datos de las
variables en columna, siendo la celda B2 la que contiene el primer dato.
1. Abrir el programa EViews
Al pulsar el icono de Eviews, tras aceptar las condiciones de la licencia, aparece la siguiente ventana
emergente:
► Permite realizar directamente tareas habituales tales como: crear un nuevo archivo de trabajo, abrir un
archivo de trabajo ya existente o abrir un archivo externo (por ejemplo Excel).
► Si se cierra la ventana se accede a la pantalla principal del programa.
1. Abrir el programa EViews
Al pulsar el icono de Eviews, tras aceptar las condiciones de la licencia, aparece la siguiente ventana
emergente:
► Permite realizar directamente tareas habituales tales como: crear un nuevo archivo de trabajo, abrir un
archivo de trabajo ya existente o abrir un archivo externo (por ejemplo Excel).
► Si se cierra la ventana se accede a la pantalla principal del programa.
2. Crear un archivo de trabajo (Workfile)
1 Seleccionar el menú File
2 Seleccionar la opción New
Seleccionar el tipo de fichero Workfile…

3
1
2 3
Aparece la siguiente ventana emergente:
1 Seleccionar la frecuencia de las observaciones. En este ejemplo Unstructured / Undated
2 Teclear el número de observaciones. En este ejemplo 10
3 Se confirma pulsando OK
1 2
3
Aparece la siguiente pantalla:
3. Importar los datos de un fichero Excel
2 Seleccionar la opción Import
3 Seleccionar la acción Import from file… o alternativamente Read…
2 3
Seleccionar el directorio en que se encuentra el fichero Excel, por ejemplo el Escritorio
4
y elegir el fichero, por ejemplo, Ejemplo 1.xls y el tipo (Excel)
5 Confirmar pulsando Abrir o, alternativamente, intro
5
Especificar las opciones de lectura.
6
Paso 1: por defecto el rango de datos lo reconoce como de datos en columna
7 Confirmar pulsando Siguiente
7
Paso 2: Identificar las líneas de encabezado que contienen el nombre de las variables. En este caso la fila 1.
8
9 Confirmar pulsando Siguiente
9
Paso 3: Confirmar la lectura secuencial de los datos
10
11 Confirmar pulsando Finish
10
11
Aparece la siguiente pantalla en la que ya figuran en memoria las variables: x2, x3, y.
En ella se aprecia que el área de trabajo no tiene título (UNTITLED).
Conviene salvar el área de trabajo y darle un título.
4. Guardar un archivo de trabajo (Workfile)
2 Seleccionar la opción Save As…
Seleccionar el directorio en que se guardará el fichero, por ejemplo Escritorio

3
1
2
2 Seleccionar la opción Save As…
Seleccionar el directorio en que se guardará el fichero, por ejemplo Escritorio

3
Y elegir el nombre del fichero, por ejemplo Ejemplo 1 con Eviews 8 y el tipo (Workfile)
4 Guardar
4
5 Seleccionar las opciones de archivo y confirmar pulsando OK
5
Aparece la siguiente pantalla que muestra el área de trabajo con el nuevo título.
5. Representar nubes de puntos
1 Seleccionar el menú Quick
2 Seleccionar la opción Graph
1
2
Aparece la siguiente ventana emergente Series List en la que se especificarán las variables que se desean
representar.
Especificar la relación de variables que se desea representar. En este caso x2 y
3
Se confirma pulsando OK
4
4
Aparece la siguiente ventana emergente Graph Options en la que se seleccionarán las opciones del tipo de
gráfico que se desea representar.
Seleccionar el tipo de gráfico que se desea representar. En este caso Scatter
5
6
6
Aparece la siguiente pantalla con el gráfico de la nube de puntos. Por defecto no tiene título (UNTITLED).
Se le puede dar nombre y salvarlo.
7 Pulsar la opción Name
7
Introducir el nombre elegido para denominar el gráfico. En este caso graph01x2y
8
9
9
Análogamente se obtiene la nube de puntos correspondiente a las variables x3, y. Para ello basta con
pulsar consecutivamente las opciones y valores:
Quick > Graph > x3 y > OK > Scatter > OK > Name > graph01x3y > OK
Nube de puntos: x2, y Nube de puntos: x3, y

6. Estimar el modelo lineal por M.C.O.
2 Seleccionar la opción Estimate Equation…
2
Aparece la siguiente ventana emergente en la que se especificará el modelo que se desea estimar.
3 Especificar el modelo que se desea estimar. En este caso y c x2 x3
4 Seleccionar el método de estimación. En este caso LS - Least Squares (Mínimos Cuadrados Ordinarios)
Se confirma pulsando Aceptar

5
5
Aparece la siguiente pantalla con el modelo estimado o “estimation output”. Por defecto no tiene título
(UNTITLED).
Se le puede dar nombre y salvarlo.
6
Introducir el nombre elegido para denominar el modelo. En este caso eq01
7
8
8
Aparece la siguiente pantalla que muestra la ecuación con el nuevo título.
Además aparece el nuevo objeto salvado (eq01) que contiene el modelo estimado por M.C.O.
6. Estimar el modelo lineal por M.C.O.: resumen
1 Seleccionar la opción View
1
2 Seleccionar la opción Representations
2
Aparece la siguiente pantalla con la ecuación del modelo estimado.
y^ytt = ^β1 xt1 + ^β2 xt2 + … + ^βk xtk

6. Estimar el modelo lineal por M.C.O.: cálculo de ^y y de residuos
2 Seleccionar la opción Actual, Fitted, Residual
Seleccionar la acción Actual, Fitted, Residual Table

3
1
2
3
6. Estimar el modelo lineal por M.C.O.: cálculo de ^y y de residuos
Aparece la siguiente pantalla con:
∙ los valores de la variable y observada (Actual);
∙ los valores de la variable y explicada (Fitted);
∙ los valores de los residuos (Residual); y
∙ el gráfico de los residuos (Residual Plot) rotado 90 grados.
6. Estimar el modelo lineal por M.C.O.: gráfico de residuos
2 Seleccionar la opción Actual, Fitted, Residual
Seleccionar la acción Residual Graph

3
1
2
3
6. Estimar el modelo lineal por M.C.O.: gráfico de residuos
Aparece la siguiente pantalla con el gráfico de los residuos.
6. Estimar el modelo lineal por M.C.O.: gráfico de y, ^y , residuos
1 Seleccionar la opción Resids
Aparece el gráfico de la variable y observada (Actual), la variable y estimada (Fitted) y los residuos (Residual).
Alternativamente se podría obtener el mismo gráfico seleccionado consecutivamente las opciones:
View > Actual, Fitted, Residual > Actual, Fitted, Residual Graph
1
6. Estimar el modelo lineal por M.C.O.: Matriz Var( βMCO )
^
2 Seleccionar la opción Covariance Matrix
2
6. Estimar el modelo lineal por M.C.O.: Matriz Var( βMCO )
^
Aparece la siguiente pantalla con la estimación de la matriz de varianzas y covarianzas del estimador MCO
de los parámetros β, es decir,
^ ^
Var (βMCO) .
7. Realizar contraste de hipótesis
2 Seleccionar la opción Coefficient Diagnostics
Seleccionar la acción Wald Test – Coefficient Restrictions…

3
3
7. Realizar contraste de hipótesis: significación individual
1 Especificar la hipótesis. En este caso C(1)=0 que representa H0: β1 = 0
2
7. Realizar contraste de hipótesis: significación individual
Aparece la siguiente pantalla con el resultado del contraste de la hipótesis lineal H0: β1 = 0
∙ valor calculado del test t: t = β^1 ^ ^
dt (β1) = 1,94496 ~ t n–k
∙ valor calculado del test F: F = (β^1)2 ^ ^

Var (β1) = 3,782869 ~ F1, n – k
∙ p-valor: 0,0929  9,29%

7. Realizar contraste de hipótesis: significación conjunta
1 Especificar las hipótesis. En este caso C(2)=0, C(3)=0 que representa H0: β2 = β3 = 0
2
7. Realizar contraste de hipótesis: significación conjunta
Aparece la siguiente pantalla con el resultado del contraste de las dos hipótesis lineales H0: β2 = β3 = 0
∙ valor calculado del test F: F ^

= n–k
•
^
R2 ^ 10 – 3 ^ ^7
= 3 – 1 • 1 – R2 = 2 • 1 –0,454359
R2 ^
= 2,914478
k–1 1 – R2 0,454359
∙ p-valor: 0,1200  12,00%

7. Realizar contraste de hipótesis: 1 hipótesis lineal sobre β
1 Especificar las hipótesis. En este caso 3*C(2)=1 que representa H0: 3β2 = 1
2
Aparece la siguiente pantalla con el resultado del contrate de la hipótesis lineal H0: 3β2 = 1
∙ valor calculado del test t: t = 3β^2-1 ^ ^
3dt (β2) = 0,303059 ~ t n – k
^ ^ ^ = 0,091845 ~ F
∙ valor calculado del test F: F = (3β 2
2-1) 9Var (β2) 1, n – k
∙ p-valor: 0,7707  77,07%

Tras pulsar consecutivamente en la ecuación eq01 las opciones:
View > Coefficient Diagnostics > Wald Test – Coefficient Restrictions…
1 Especificar las hipótesis. En este caso 5*C(2)-C(3)=0 que representa H0: 5β2 – β3 = 0
2
Aparece la siguiente pantalla con el resultado del contrate de la hipótesis lineal H0: 5β2 – β3 = 0
∙ valor calculado del test t: ^ ^ ^ ^ ^ ^ ^ ^ ^
√52Var (β2) + Var (β3) ‒ 10Cov (β2 β3) = 1,720464 ~ t n – k
2 ‒ β 3)
t = (5β
^ ^ 2
52Var (β2) + Var (β3) ‒ 10Cov (β2 β3) = 2,959997 ~ F1, n – k
∙ valor calculado del test F: ^ ^ ^ ^ ^ ^ ^
2 ‒ β 3)
F = (5β
∙ p-valor: 0,1290  12,90%

8. Diagnosis del modelo: análisis de residuos. Histograma
2 Seleccionar la opción Residual Diagnostics
3 Seleccionar la acción Histogram – Normality Test
2
3
8. Diagnosis del modelo: análisis de residuos. Histograma
Aparece la siguiente pantalla con el histograma de los residuos, estadísticos descriptivos, test de Jarque y
Bera para contrastar H0: normalidad y su correspondiente p-valor.
8. Diagnosis del modelo: análisis de residuos. Contraste gráfico
Se realiza el gráfico de nube de puntos correspondiente a los pares de valores de los residuos M.C.O. del
modelo original y de cada uno de los regresores xj de dicho modelo para identificar la(s) posible(s)
variable(s) xj causante(s) de la heteroscedasticidad de las perturbaciones.
Para ello se guardan los residuos del modelo eq01. En este caso se van a renombrar como resideq1.
1 Seleccionar los residuos del modelo 1 estimado por MCO pulsando sobre el objeto resid
2 Seleccionar la opción Genr
3 Especificar el nombre del objeto donde archivar permanentemente los residuos. En este caso resideq1=resid
Y Confirmar pulsando OK
2
1
3
Aparece el nuevo objeto salvado (resideq1) que contiene los residuos del modelo estimado por M.C.O.
Para obtener la nube de puntos correspondiente a las variables x3, resideq1 basta con pulsar consecuti-
vamente las opciones y valores:
Quick > Graph > x3 resideq1 > OK > Scatter > OK > Name > graph01x3res01 > OK
1
2
7 4
5 8
6 9
Análogamente se obtiene la nube de puntos de las variables x2, resideq1. Para ello basta con pulsar
consecutivamente las opciones y valores:
Quick > Graph > x2 resideq1 > OK > Scatter > OK > Name > graph01x2res01 > OK
Nube de puntos: x2, resideq1 Nube de puntos: x3, resideq1

8. Diagnosis del modelo: análisis de residuos. Test de White
3 Seleccionar la acción Heteroskedasticity Test…
4 Seleccionar el tipo de test White y confirmar con OK
2
4
3
8. Diagnosis del modelo: análisis de residuos. Test de White
Aparece la siguiente pantalla con el resultado del test de White de contraste de ausencia de
heteroscedasticidad de las perturbaciones, obtenido a partir de la regresión auxiliar:
^ 2
εi = α1 + α2 xi2 + α3 xi3 + α4 xi22 + α5 xi32 + α6 xi2 xi3 + ai
8. Diagnosis del modelo: análisis de residuos. Test de Breusch-Pagan
3 Seleccionar la acción Heteroskedasticity Test…
4 Seleccionar el tipo de test Breusch-Pagan y confirmar con OK
2 4
3
8. Diagnosis del modelo: análisis de residuos. Test de Breusch-Pagan
Aparece la siguiente pantalla con el resultado del test de Breusch-Pagan de contraste de ausencia de
heteroscedasticidad de las perturbaciones, obtenido a partir del modelo auxiliar:
^2
εi = α1 + α2 xi2 + α3 xi3 + ai
8. Diagnosis del modelo: análisis de residuos. Test de Breusch-Godfrey
3 Seleccionar la acción Serial Correlation LM Test…
4 Seleccionar el número de retardos de los residuos para la regresión auxiliar. Por ejemplo 2 y confirmar con OK
4
2
3
8. Diagnosis del modelo: análisis de residuos. Test de Breusch-Godfrey
Aparece la siguiente pantalla con el resultado del test de Breusch-Godfrey de contraste de ausencia de
autocorrelación de las perturbaciones, obtenido a partir de la regresión auxiliar:
^ ^ ^
εt = α1 + α2 xt2 + αk xtk + φ1 εt-1 + φ2 εt-2 + at
8. Diagnosis del modelo: análisis de residuos. Correlogramas
3 Seleccionar la acción Correlogram – Q-statistics…
4 Especificar el número de retardos de los correlogramas y confirmar con OK
2 3
4
8. Diagnosis del modelo: análisis de residuos. Correlogramas
Aparece la siguiente pantalla con:
∙ el gráfico de autocorrelaciones simples (acf),
∙ el gráfico de autocorrelaciones parciales (pacf),
∙ el estadístico Q de Ljung-Box y
∙ el p-valor.
9. Salvar los cambios
2 Seleccionar la opción Save
3 Seleccionar las opciones de archivo y confirmar pulsando OK
1
2
3
10. Salir de EViews
2 Seleccionar la opción Exit
2
11. Abrir un archivo de trabajo ya existente (Workfile)
Al salir de Eviews y volver a entrar aparece una ventana emergente que informa de los archivos recientes.
Luego bastaría con pulsar sobre el fichero wf1deseado, en este caso ejemplo 1 con eviews8.wf1
Alternativamente se podría obtener el mismo resultado seleccionado consecutivamente las opciones:

File > Open > Workfile… y seleccionando el fichero ejemplo 1 con eviews8.wf1 del escritorio
11. Abrir un archivo de trabajo ya existente (Workfile)
Aparece la pantalla que muestra la situación en que quedó el archivo de trabajo la última vez que se
guardó.
12. Estimación robusta de la Matriz de varianzas de βMCO : White
^
1 Seleccionar la estimación del modelo por MCO pulsando sobre el objeto eq01
2 Seleccionar la opción Estimate
3 Seleccionar el menú Options
4 Seleccionar el tipo de estimador de Coefficient covariance matrix: White y confirmar pulsando Aceptar
1 2
3
4
12. Estimación robusta de la Matriz de varianzas de βMCO : White
^
Aparece la siguiente pantalla con el resultado del estimador de White:

∙ desviaciones típicas de los parámetros estimados,
∙ estadístico t para el contraste de significación individual de los parámetros,
∙ el p-valor correspondiente.
Si se compara con la estimación MCO se observa el cambio en los valores calculados.
Estimación MCO
13. Estimación robusta de la Matriz de varianzas de βMCO : N-W
^
1 Seleccionar la estimación del modelo por MCO pulsando sobre el objeto eq01
2 Seleccionar la opción Estimate
3 Seleccionar el menú Options
4 Seleccionar el tipo de estimador de Coefficient covariance matrix: Newey-West y confirmar pulsando Aceptar
1 2
3
4
13. Estimación robusta de la Matriz de varianzas de βMCO : N-W
^
Aparece la siguiente pantalla con el resultado del estimador de Newey-West:

∙ desviaciones típicas de los parámetros estimados,
∙ estadístico t para el contraste de significación individual de los parámetros,
∙ el p-valor correspondiente.
Si se compara con la estimación MCO se observa el cambio en los valores calculados.
Estimación MCO
14. Estimar un modelo lineal por M.C.O. en desviaciones:
Para estimar un modelo con datos en desviaciones se deben generar los datos de las correspondientes
variables en desviaciones con respecto de su propia media. Eso se puede realizar en EViews usando la
función Genr o cargando de nuevo el fichero excel que contenga los datos de estas variables adicionales.
Así para estimar el modelo yi = β1 + β2 xi2 + β3 xi3 + εi con datos en desviaciones se necesitan los datos
transformados, que se han denominado, respectivamente, yd, x2d, x3d.
Alternativamente, los datos transformados se podrían haber generado especificando: Genr yd = y – 10;
Genr x2d = x2 – 9,5; Genr x3d = x3 – 5. Para ello:
Aparece la siguiente ventana emergente en la que se especificará la transformación que se desea realizar.
1
Alternativamente, los datos transformados se podrían haber generado especificando: Genr yd = y – 10;
Genr x2d = x2 – 9,5; Genr x3d = x3 – 5. Para ello:
– ~
2 Especificar la transformación. En este caso yd = y - 10 , que representa (y – y) = y
3
2
3 Especificar el modelo que se desea estimar. En este caso el modelo en desviaciones: yd x2d x3d

5
5
Aparece la siguiente pantalla con el modelo estimado. Inicialmente no tiene título (UNTITLED). Se renombra
y se salva.
Introducir el nombre elegido para denominar el modelo. En este caso eq01d

7
8
6 Para recuperar la estimación del término

constante del modelo original se aplica:
^ – ^ – ^ –
β1 = y – β2 x2 – β3 x3
14. Estimar un modelo lineal por M.C.O. en desv.: βMatriz
^ ^
MCO Var( βMCO )
2 Seleccionar la opción Covariance Matrix
2
14. Estimar un modelo lineal por M.C.O. en desv.: Matriz Var( βMCO )
^
Aparece la siguiente pantalla con la estimación de la matriz de varianzas y covarianzas del estimador MCO
^ ^
de los parámetros β2, es decir, Var (β2MCO) .
Se puede recuperar la estimación de las demás varianzas y covarianzas del estimador MCO de los
parámetros del modelo original aplicando:
– ^ – ^ ^ –
Cov(β1,β2 ) = – x2' Var(β2) y Var(β1) = σn + x2' Var(β2) x2
^ ^ ^ ^ ^ ^ ^ 2
15. Estimar un modelo lineal por M.C.O.: mod. restringido
2
3 Especificar el modelo que se desea estimar. En este caso el modelo restringido y c x2r (siendo x2r = x2 + 5x3)

5
5
Aparece la siguiente pantalla con el modelo estimado. Inicialmente no tiene título (UNTITLED). Se renombra
y se salva.
Introducir el nombre elegido para denominar el modelo. En este caso eq01r

7
8
6
16. Previsión de y: puntual y por intervalo
1 Seleccionar la estimación del modelo por MCO pulsando sobre el objeto. En este caso eq01
2 Seleccionar la opción Forecast
1 2
Aparece la siguiente ventana emergente. En ella se debe:
3 Indicar el nombre del objeto que mostrará el resultado de la previsión puntual. En este caso yf
4 Indicar el nombre del objeto que mostrará la desviación típica del error de previsión. En este caso yse2
5 Indicar en Forecast sample qué valores se pretenden prever. En este caso 11 12. Confirmar pulsando OK
5
Aparece el resultado de la previsión:
1. En yf se muestran:
∙ los 10 primeros valores observados de la variable y;
∙ la previsión puntual de los valores 11 y 12 calculados como: 𝑦𝑇+ℓ = β1 + β2 ∗ 𝑥2𝑇+ℓ + β3 ∗ 𝑥3𝑇+ℓ
𝑦11 = 5,184971 + 0,384393 ∗ 12 + 0,232659 ∗ 3 = 𝟏𝟎, 𝟒𝟗𝟓𝟔𝟔
𝑦12 = 5,184971 + 0,384393 ∗ 11 + 0,232659 ∗ 4 = 𝟏𝟎, 𝟑𝟒𝟑𝟗𝟑
y observada
Previsión puntual
1
2
2. En yse2 se muestra la desviación típica del error de previsión estimada correspondiente a t = 11 y t =12.
El intervalo de confianza de cada observación futura yT + ℓ se calcula como:
^ ^
yT + 1 ∊ [xT + ℓ'β – t ^σε √ xT + ℓ'(X'X)-1 xT + ℓ+ 1 ; xT + ℓ'β + t ^σε√ xT + ℓ'(X'X)-1 xT + ℓ + 1 ]
En t = 11 el extremo inferior del intervalo es: = 𝟏𝟎, 𝟒𝟗𝟓𝟔𝟔 − 2,365 ∗ 3,033743 = 𝟑, 𝟑𝟐𝟎𝟖𝟔
En t = 11 el extremo superior del intervalo es: = 𝟏𝟎, 𝟒𝟗𝟓𝟔𝟔 + 2,365 ∗ 3,033743 = 𝟏𝟕, 𝟔𝟕𝟎𝟒𝟕
En t = 12 el extremo inferior del intervalo es: = 𝟏𝟎, 𝟑𝟒𝟑𝟗𝟑 − 2,365 ∗ 2,915076 = 𝟑, 𝟒𝟒𝟗𝟕𝟖
En t = 12 el extremo superior del intervalo es: = 𝟏𝟎, 𝟑𝟒𝟑𝟗𝟑 + 2,365 ∗ 2,915076 = 𝟏𝟕, 𝟐𝟑𝟖𝟎𝟖
Previsión puntual

Ejemplo 1 Con EViews

Cargado por

Información del documento

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

Ejemplo 1 Con EViews

Cargado por

Copyright:

Formatos disponibles

Ejemplo 1 con EViews

Dado el modelo: yt = β1 + β2 xt2 + β3 xt3 + εt

2 Seleccionar la opción New

Seleccionar el tipo de fichero Workfile…

1 Seleccionar la frecuencia de las observaciones. En este ejemplo Unstructured / Undated

2 Teclear el número de observaciones. En este ejemplo 10

2 Seleccionar la opción Import

3 Seleccionar la acción Import from file… o alternativamente Read…

5 Confirmar pulsando Abrir o, alternativamente, intro

7 Confirmar pulsando Siguiente

2 Seleccionar la opción Save As…

Seleccionar el directorio en que se guardará el fichero, por ejemplo Escritorio

2 Seleccionar la opción Save As…

Seleccionar el directorio en que se guardará el fichero, por ejemplo Escritorio

2 Seleccionar la opción Graph

7 Pulsar la opción Name

Nube de puntos: x2, y Nube de puntos: x3, y

2 Seleccionar la opción Estimate Equation…

Se confirma pulsando Aceptar

6 Pulsar la opción Name

2 Seleccionar la opción Representations

y^ytt = ^β1 xt1 + ^β2 xt2 + … + ^βk xtk

2 Seleccionar la opción Actual, Fitted, Residual

Seleccionar la acción Actual, Fitted, Residual Table

2 Seleccionar la opción Actual, Fitted, Residual

Seleccionar la acción Residual Graph

1 Seleccionar la opción View

2 Seleccionar la opción Covariance Matrix

2 Seleccionar la opción Coefficient Diagnostics

Seleccionar la acción Wald Test – Coefficient Restrictions…

∙ valor calculado del test F: F = (β^1)2 ^ ^

∙ p-valor: 0,0929  9,29%

∙ valor calculado del test F: F ^

∙ p-valor: 0,1200  12,00%

∙ p-valor: 0,7707  77,07%

∙ p-valor: 0,1290  12,90%

2 Seleccionar la opción Residual Diagnostics

3 Seleccionar la acción Histogram – Normality Test

2 Seleccionar la opción Genr

Nube de puntos: x2, resideq1 Nube de puntos: x3, resideq1

2 Seleccionar la opción Residual Diagnostics

3 Seleccionar la acción Heteroskedasticity Test…

4 Seleccionar el tipo de test White y confirmar con OK

2 Seleccionar la opción Residual Diagnostics

3 Seleccionar la acción Heteroskedasticity Test…

4 Seleccionar el tipo de test Breusch-Pagan y confirmar con OK

2 Seleccionar la opción Residual Diagnostics

3 Seleccionar la acción Serial Correlation LM Test…

2 Seleccionar la opción Residual Diagnostics

3 Seleccionar la acción Correlogram – Q-statistics…

4 Especificar el número de retardos de los correlogramas y confirmar con OK

2 Seleccionar la opción Save

3 Seleccionar las opciones de archivo y confirmar pulsando OK

2 Seleccionar la opción Exit

Alternativamente se podría obtener el mismo resultado seleccionado consecutivamente las opciones:

2 Seleccionar la opción Estimate

3 Seleccionar el menú Options

Aparece la siguiente pantalla con el resultado del estimador de White:

2 Seleccionar la opción Estimate

3 Seleccionar el menú Options

Aparece la siguiente pantalla con el resultado del estimador de Newey-West:

2 Seleccionar la opción Estimate Equation…

Se confirma pulsando Aceptar