Estimacin del

precio de la
canasta bsica por
medio de otros
factores
econmicos.
JORGE BORJAS
MIGUEL CASTILLO
OBED ESPARZA
JONATHAN MUOZ

27-MAYO-2015

OBJETIVO
El objetivo de nuestra investigacin
ser conocer el modelo de regresin
lineal que nos sirva para estimar el
precio de la canasta bsica a travs
de otras variables econmicas.

PROBLEMA.
Identificar que variables predictoras podran
tener problema de multicolinealidad para
poder obtener un buen ajuste en la regresin
lineal mltiple o bien que la significancia de las
betas no sea suficiente para algunas de las
variables.

Variable Objetivo.

Lacanasta bsicaes un conjunto de

bienes y servicios indispensables para que
una familia pueda satisfacer sus
necesidades bsicas de consumo a partir de
su ingreso.

Variables Predictoras.

INPC: Es un indicador econmico diseado especficamente

para medir el cambio promedio de los precios en el tiempo,
mediante una canasta ponderada de bienes y servicios.

INPP: Tiene como finalidad la de proporcionar mediciones

sobre la variacin de los precios de una canasta fija de bienes y
servicios representativa de la produccin nacional

Variables Predictoras.

Cambio de Moneda: El tipo de cambio se establece de un pas

respecto a otro existen dos tipos el nominal y el real pero
nosotros solo trabajaremos con el nominal.

Exportaciones: Es el trafico legitimo de bienes y/o servicios

desde un territorio aduanero hacia otro territorio aduanero.

Modelo Matricial de la Regresin

Seleccin del Modelo de

Regresin

Enseguida mostramos la frmula utilizada para obtener nuestra

regresin la cual nos queda de la siguiente manera:


Significancia
de la
regresin.
H: =0 vs H: 0 con un
valor F = y
un P-valor = , determinamos
que,
como P-valor < alfa = 0.05,
entonces rechazamos
H, es decir, es diferente de
cero a un nivel del 5%
de significancia. Por lo tanto la
regresin si es significativa.

Significancia de los parmetros.

Tabla de significancia de Betas con
Bet
Hiptesis
Bet Valor
Valor P-valor
P-valor
Hiptesis
as
T
as
T
-12
-7.36
H
-7.36 2.3x10
2.3x10-12
H00::
00=0
=0 vs
vs H
H11::
-16
38.08
38.08 2x10
2x10-16
4
4
6.57
6.57 2.39x10
2.39x1013
13

H
H00::
H
H00::

7.72
7.72

2.68x10
2.68x10-

H
H00::

-0.45
-0.45

0.653
0.653

H
H00::

10
10

000
0

11=0
=0 vs
vs

110
0

22=0
=0 vs
vs

220
0

33=0
=0 vs
vs

330
0

44=0
=0 vs
vs

40
0
4

Es
Es significativa?
significativa?
SI
SI

H
H11::

SI
SI

H
H11::

SI
SI

H
H11::

SI
SI

H
H11::

NO
NO

Modelo ajustado con significancias.

Decidimos obtener la multicolinealidad antes que todos los dems pasos por si
existe la posibilidad de hacer ajuste en las variables observadas no hacer todo el
trabajo nuevamente.
Como se puede observar el INPC y el INPP presentan problemas de multicolinealidad
y decidimos hacer un ajuste sin INPP.

Nuevo Modelo Lineal Ajustado.

Despus de verificar la significancia de la regresin y de las

betas junto con la multicolinealidad el modelo de regresin
lineal final nos queda de la siguiente manera:

Calidad de Ajuste.

Lo cual nos indica que la calidad de ajuste es

excelente.

Varianza.

Para
nuestro modelo de regresin, contamos con una estimacin para la varianza de la siguiente
manera:

MCE= = 1

Supuesto de Varianza Constante

Para el supuesto de varianza constante con las pruebas estadsticas
tenemos la funcin:
bptest(regresion)
Obtuvimos estos resultados:

Se puede mostrar que nos arroja un P-Valor del 3.45e-08 el cual al

compararlo con nuestro del 0.05 tenemos que esta regresin no cumple
con el supuesto de normalidad.

Supuesto de Normalidad
Para el supuesto de normalidad con las pruebas estadsticas tenemos la
funcin:
ad.test(regresion$residuals)
La cual nos arroja los siguientes datos

Se puede mostrar que nos arroja un P-Valor del 0.002651 el cual al

compararlo con nuestro del 0.05 tenemos que esta regresin no cumple
con el supuesto de normalidad.

Supuesto de Independecia
Como se puede mostrar que en la grafica
la lnea roja no es horizontal, por lo tanto
no cumple el supuesto de
Independencia.

Seleccin de dos observaciones nuevas, y determinacin

del valor ajustado, IC para la respuesta media e IP.

Para nuestra variable del INPC seleccionamos una observacin

de 35 y para nuestra variable de Exportaciones
seleccionaremos una nueva observacin de 25

Para nuestro intervalo de confianza tenemos que:

40.71538 < y < 41.6659

40.71538 < 41.10964 < 41.6659

Para nuestro intervalo de prediccin tenemos lo siguiente:

39.16211 < y < 43.21917

39.16211 < 41.10964 < 43.21917

Mejoras del modelo.

Debido a que las exportaciones jugaron un papel
importante en el resultado del modelo final de la
regresin lineal mltiple, quiz agregar la variable de
importacin sea bueno para el modelo o quiz
intentar con otras variables econmicas o mejor an
intentar hacer el modelo con variables econmicas
internacionales.

Conclusiones.

Es claro que el INPC tenga una papel importante en la regresin

ya que la canasta bsica es un subconjunto del INPC ms no
significa que se muevan de igual manera ya que el INPC cuenta
con 283 bienes y servicios sin mencionar que el INPC es un
indicador econmico de la variacin del precio y la canasta
bsica solo cuenta con 80 productos los cuales son
indispensables para satisfacer las necesidades bsicas de una
familia promedio. No se esperaba que las exportaciones fueran
a formar parte del modelo de regresin lineal.

GRACIAS