PONTIFICIA UNIVERSIDAD CATOLICA DEL PERU

NOMBRE: EJERCICIO DE APLICACIN 2

CURSO: Econometra 1
PROFESOR: Rodolfo Cermeo
TRABAJO INDIVIDUAL
INTEGRANTE:
Martin Robles Tapullima 20101021

2014-1
Parte A
(1) Estime el modelo de Mnimos Cuadrados Ordinarios ms apropiado y explique los resultados

Sea el modelo a estimar: Y =
0
+
1
X
1
+
2
X
2
+
3
X
3
+
4
X
4
+

Dnde:
Y: Consumo, variable dependiente.

0
: Intercepto multiplicada por vector de unos. Con valor de -2653.543
X
1
: Ingreso, variable explicativa, con
1
= 0.7879 (aprox)
X
2
: Tamao de la familia, variable explicativa, con
2
= -3.70 (aprox)
X
3
: Aos de educacin de la cabeza de familia, variable explicativa, con
3
=152.3707
X
4
: Aos de la cabeza de familia, variable explicativa, con
4
= 44.2892
: Error a estimar.
Como podemos ver que solo el ingreso explica significativamente al consumo, al 1% de
significancia, adems el parmetro de este guarda relacin directa con el consumo. Tanto el
tamao de la familia (famsize), como la educacin de la cabeza de familia (educhead) y la edad de
este (agehead) no explican al consumo.










(2) Aplique 3 pruebas de heterocedasticidad (excepto prueba de efectos ARCH) y determine si
hay o no este problema.

- Vale explicar el algoritmo de cada test esta explicado en el do-file para poder entender
mejor los comandos.


Primero analicemos grficamente.

Dado que ingresos es la nica variable capaz de explicar el consumo para nuestra forma lnea,
vemos grficamente cmo se comportan los residuos entorno a esta variable. A pesar de tener
una muestra relativamente no grande, se puede observar el patrn que siguen los residuos
bordeados con lneas rojas, entonces esta grafica segn Gujarati sigue un patrn de como de lnea
horizontal lo cual es diagnstico de heterocedasticidad.

As demostramos, para comenzar, que existe heterocedasticidad, para nuestra muestra, la cual
esta generada por la variable ingresos.










a) Test de White

Tanto utilizando el comando imtest, white como









Usando una programacin propia del test:



Se puede ver que el valor test (13.40 > chi45) es mayor que el valor Xi-cuadrado, entonces se
rechaza la hiptesis nula de homocedasticidad. Por ende no existe heterocedasticidad en nuestra
muestra segn el Test de White. Para el primer cuadro el P-value excede en 0.05 por ende
tambin se rechaza la hiptesis nula. Existe heterocedasticidad.

b) Test de Breusch-Pagan/Godfrey
Como anteriormente se hizo, utilizando programacin propia:





Y el comando stat hettest, rhs:




Si bien el resultado no es el mismo para vuestra programacin como para el comando de Stata,
esto puede deberse al nmero limitado de tamao muestral. De todos modos aceptamos que no
existe homocedasticiad y que la heterocedasticidad, como en el caso del Test de White est
presente para esta ecuacin.

c) Test Goldeld-Quandt




Podemos apreciar como el ratio de explicados (R) es mayor que el valor tabla Xi-cuadrado,
esto nos dice que se rechaza la hiptesis nula de homocedasticidad. Con esto terminamos
de examinar los tres test solicitados dndonos como resultado que existe
heterocedasticidad en la muestra dada.








(3) Obtenga resultados de estimacin bajo heterocedasticidad utilizando el mtodo de
mnimos cuadrados ponderados.



Aqu podemos apreciar el output estimado bajo el mtodo de los mnimos cuadrados
ponderados. Podemos ver como la variable explicativa ingresos sigue siendo la nica
posible de explicar al consumo (significancia al 1%).

(4) Obtenga resultados de estimacin con errores robustos a heterocedasticidad


Igualmente siempre el ingreso ser la variable explicativa, existen cambios en los outputs
de la pregunta 1, 3 y 4 que sern examinados ms detalladamente en la pregunta
siguiente.

(5) Compare los resultados
El nivel de significancia no ha cambiado a travs de las diferencias de estimacin por
ponderados o por robustidad a heterocedasticidad. Por otro lado vemos como los
coeficientes si han variado: el coeficiente del ingreso es similar en 4 y en 1, mas diferente
por decimales que en 3. La variable famsize mantiene el signo negativo pero existe una
gran diferencia entre los resultados similares de 1 y 4 con 3, que es muchas veces mayor
(de -3.7 a 109.7) . Por el lado de la variable eduhead es muy similar solo que ahora es
al revs, pasamos a que a diferencia de 1, en 3 se subvalora al estimador (pasa de 152.4 a
31.5), el signo positivo tambin se mantiene. Con la variable agehead hay un cambio de
signo y una subvaloracin del estimador del caso 1 al caso 3.

Parte B
(1) Estime por mnimos cuadrados una funcin de Demanda de Dinero e interprete los
valores obtenidos de cada uno de los parmetros.


Sea el modelo a estimar: Y =
1
+
2
X
2
+
3
X
3
+
4
X
4
+

Dnde:
Y: log_money (demanda de dinero), variable dependiente.

0
: Intercepto multiplicada por vector de unos. Con valor de 5.264
X
2
: log output (produccin), variable explicativa, con
2
= 0.99056 (aprox)
X
3
: log_precio (precios), variable explicativa, con
3
= 0.94099 (aprox)
X
4
: interest_rate (tasa de inters), variable explicativa, con
4
=-0.62420
: Error a estimar.




Con el output mostrado aqu arriba y las siguientes graficas de variable explicativa por
variable dependiente podemos dejar en claro cmo se vinculan las variables y quienes se
relacionan realmente con la demanda de dinero.














Log_output y log_price explican a la demanda de dinero al 1% de significancia, mientras }
que la tasa de inters no es significativa ni al 5%, se puede apreciar en las graficas que la
grfica de la tasa de inters est mostrando un patrn de aparente comportamiento
montono. Por otro lado la relacin del output y el precio con la demanda de dinero es
directa, dado que un aumento del 1% en alguna de estas variables elevara la demanda en
las magnitudes de los correspondientes estimadores. Adems, el R cuadrado muestra un
comportamiento normal bordeando el 47%.
(2) Aplique las pruebas de auto-correlacin Durbin-Watson y Breusch-Godfrey (para
varios rezagos) y determine si existe o no este problema y cul es su posible forma
funcional.
Aplicando los test para vuestra muestra encontramos:
a) Durbin Watson Test: Para este test la hiptesis nula es el rechazo a que los errores
sigan una forma funcional de AR (1).



El valor de 1.54 nos dice que no existe no auto correlacin y que la existencia de un AR(1)
es bastante probable para nuestro problema.

b) Breusch-Godfrey Test: Aqu se muestra el resultado del test hasta para 5 rezagos,
donde la hiptesis nula es el rechazo a la auto correlacin y la hiptesis alternativa el
hecho de que la forma funcional sea un AR(1) o MA(1)
Rezago 1


De ms rezagos ( 2 al 5)



El quinto output es similar, entonces se rechaza la hiptesis nula al 1% de significancia,
puede existir un modelo AR o MA.

3) Obtenga resultados de estimacin bajo auto-correlacin utilizando el mtodo de
mnimos cuadrados generalizados factibles





4) Considere nuevamente los resultados de (1). Determine si existe o no
heterocedasticidad condicional auto-regresiva y cul es su posible forma funcional.



Para este output decimos que se rechaza la hiptesis nula al 1% de significancia, por lo
tanto existe una distribucin ARCH (p).

5) Considere nuevamente los resultados de (1). Determine si existe o no
heterocedasticidad condicional auto-regresiva y cul es su posible forma funcional.


El coeficiente del ARCH es 0.2578, por lo tanto existe un ARCH (1), es la forma ms
prxima a lo que podra decir que existe de problema condicional autoregresivo en el
modelo.