Ao de la inversin para el desarrollo rural y la seguridad alimentaria

UNIVERSIDAD NACIONAL
SANTIAGO ANTNEZ DE MAYOLO





Facultad : Economa y Contabilidad.
Escuela Profesional : Economa.
Ciclo : VI
Curso : Econometra II.
Tema : TRABAJO PRCTICO
Docente : RODRIGUEZ HERRERA Jos Luis.
Integrantes : CASTILLO HUERTA Miriam.
DOMINGUEZ YURI Lorena.
ESPINOZA PARI Kelly.
FLORES SALAZAR Jessica.
Semestre : 2014-I
TRABAJO DE ECONOMETRA
Se tiene los datos del Producto Bruto Interno Nacional del Per por actividad econmica
de los aos 1 950 2 013 obtenidas del Instituto Nacional de Estadstica e Informtica:

PER: PRODUCTO BRUTO INTERNO SEGN ACTIVIDAD
ECONMICA 1950 2013
Valores a precios constantes de 2007
(Millones de nuevos soles de 2007)

Ao
Producto
Bruto
Interno
Agricul-
tura
Extraccin
de
Petrleo y
Minerales
Manufac-
tura
Comer-
cio
Ao
Producto
Bruto
Interno
Agricul-
tura
Extraccin
de Petrleo
y Minerales
Manufac-
tura
Comer-
cio
1950 40,920 4,486 4,220 5,630 4,303 1982 176,507 8,824 29,603 29,477 18,839
1951 44,711 4,621 4,553 6,192 4,575 1983 158,136 7,974 26,698 24,128 15,440
1952 47,347 4,755 4,704 6,525 4,764 1984 163,842 8,790 27,973 25,510 15,764
1953 50,085 4,865 4,431 7,370 5,123 1985 167,219 9,046 29,175 26,659 15,893
1954 52,762 4,962 5,920 8,067 5,430 1986 182,981 9,438 27,868 30,817 18,309
1955 55,858 4,922 5,961 8,673 5,634 1987 200,778 10,060 27,036 34,765 20,109
1956 58,484 4,686 6,593 8,939 5,619 1988 181,822 10,772 22,984 30,869 18,013
1957 62,371 4,705 7,226 9,853 5,965 1989 159,436 10,169 21,865 26,034 15,055
1958 61,706 5,030 6,546 9,589 6,048 1990 151,492 9,463 19,965 24,524 14,790
1959 63,653 5,276 6,690 10,486 6,529 1991 154,854 9,762 20,390 26,038 15,296
1960 69,946 5,614 10,002 12,162 7,337 1992 154,017 9,010 19,860 25,421 14,922
1961 75,085 5,782 10,932 13,108 7,811 1993 162,093 9,845 21,478 26,643 15,511
1962 82,620 5,921 10,396 14,185 8,318 1994 182,044 11,156 21,896 30,583 18,381
1963 86,196 6,010 11,062 14,985 8,662 1995 195,536 11,842 22,532 32,312 20,379
1964 91,840 6,305 11,615 16,037 9,253 1996 201,009 12,611 23,802 32,879 20,556
1965 97,003 6,431 11,789 17,092 9,652 1997 214,028 13,160 25,718 34,365 22,125
1966 104,995 6,778 12,944 18,415 10,348 1998 213,190 13,177 26,643 33,425 21,543
1967 109,040 7,042 13,100 19,141 10,782 1999 216,377 14,646 29,184 32,962 21,366
1968 109,206 6,803 13,912 19,505 10,800 2000 222,207 15,496 29,440 34,792 22,173
1969 113,044 7,252 13,815 19,725 11,072 2001 223,580 15,374 32,360 35,094 22,353
1970 116,849 7,818 14,796 21,423 12,065 2002 235,773 16,152 35,582 37,424 23,010
1971 122,213 7,975 13,897 22,642 13,296 2003 245,593 16,472 36,993 38,883 23,710
1972 126,463 7,784 14,767 23,111 13,891 2004 257,770 16,391 39,206 41,778 25,075
1973 134,401 7,815 15,326 24,615 14,763 2005 273,971 16,948 43,236 44,529 26,368
1974 147,017 8,104 16,179 26,689 16,357 2006 294,598 18,462 44,058 47,766 29,500
1975 153,340 8,101 14,924 27,523 17,929 2007 319,693 19,074 45,892 52,807 32,537
1976 155,559 8,222 15,816 28,519 17,256 2008 348,923 20,600 49,599 57,354 36,105
1977 156,102 8,214 19,116 28,037 16,559 2009 352,584 20,873 50,076 53,502 35,936
1978 151,977 8,091 25,101 26,906 16,141 2010 382,380 21,766 50,714 59,255 40,420
1979 158,194 8,406 29,554 28,021 16,967 2011 407,052 22,658 51,043 64,330 44,034
1980 167,596 7,917 30,171 29,628 17,818 2012 431,273 23,991 52,473 65,265 47,218
1981 176,901 8,633 29,243 29,827 18,944 2013 456,103 24,329 55,026 69,002 49,995

Para lo cual se regresionar la siguiente funcin:

Donde:
AGR. = Sector Agricultura.
EXT. = Sector extraccin de petrleo y minerales.
MAN. = Sector Manufactura.
COM. = Sector Comercio.
Para obtener los parmetros se lleva al Eviews, y se obtiene los resultados:


El modelo es:

INTERPRETACIN:
a. Un incremento en un milln de nuevos soles del sector agricultura aumenta el PBI
en 3.370 millones de nuevos soles; manteniendo constante el sector de extraccin,
manufactura y comercio.
b. Un incremento en un milln de soles en el sector extraccin de petrleo y
minerales aumenta el PBI en 0.879 millones de soles; manteniendo constante el
sector agricultura, manufactura y comercio.
c. Un incremento en un milln de soles del sector manufactura, aumenta el PBI en
1.262 millones de soles; manteniendo constante el sector agricultura, extraccin y
comercio.
d. Un incremento en un milln de soles del sector comercio, aumenta el PBI en 4.768
millones de soles; manteniendo constante las dems variables.
e. El valor promedio del PBI manteniendo las dems variables constantes o igual a
cero ser de -3463.647.

1. DETECCIN DE MULTICOLINEALIDAD:

1.1. Una R
2
elevada pero pocas razones t significativas:
En el presente ejemplo se tiene una R
2
elevada de 99.87 %, es decir, que 99.87% de las
variables estn siendo explicadas por el modelo. Adems en la mayora de los casos, se
rechazara la hiptesis de que los coeficientes parciales de pendiente son
simultneamente iguales a cero por tener un F estadstico alto, pero las pruebas t
individuales mostrarn que ningn coeficiente parcial de pendiente, o muy pocos, son
estadsticamente diferentes de cero.
1.2. Altas correlaciones entre parejas de regresoras:

Analizando las correlaciones entre pares de variables explicativas del sector manufactura
comercio, sector comercio manufactura se puede concluir diciendo que, de acuerdo a
esta prueba si existe multicolinealidad ya que estas son correlaciones altas.




1.3. Examen de las correlaciones parciales:

R
2
global = 0.9987
Debido a que el R
2
global es mayor a los valores de las correlaciones parciales queda
comprobado con esta prueba una vez ms que si existe multicolinealidad entre las
variables explicativas del modelo.
1.4. Regresiones auxiliares:

1.4.1. Regresin 1:

Relacionando las variables explicativas del sector agricultura en funcin del sector
extraccin, manufactura y comercio, podemos darnos cuenta que el R
2
de la regresin
auxiliar es igual a 0.9402 y por lo tanto es menor que el R
2
global de 0.9987 lo cual
podramos decir que existe un problema de multicolinealidad pero este no es grave ya
que el problema es preocupante cuando el R
2
global es menor al R
2
auxiliar, es decir
que existe mayor relacin entre la variable dependiente con las explicativas que entre
las explicativas mismas.
1.4.2. Regresin 2:
Relacionando las variables explicativas del sector extraccin de petrleo y minerales en
funcin del sector agricultura, manufactura y comercio, podemos darnos cuenta que el
R
2
de la regresin auxiliar es igual a 0.939 y por lo tanto es menor que el R
2
global de
0.9987 lo cual podramos decir que existe un problema de multicolinealidad pero este
no es grave ya que el problema es preocupante cuando el R
2
global es menor al R
2

auxiliar, es decir que existe mayor relacin entre la variable dependiente con las
explicativas que entre las explicativas mismas. Lo cual se representa en el siguiente
grfico:

1.4.3. Regresin 3:


Relacionando las variables explicativas del sector manufactura en funcin del sector
extraccin, agricultura y comercio, podemos darnos cuenta que el R
2
de la regresin
auxiliar es igual a 0.9888 y por lo tanto es menor que el R
2
global de 0.9987 lo cual
podramos decir que existe un problema de multicolinealidad pero este no es grave ya
que el problema es preocupante cuando el R
2
global es menor al R
2
auxiliar, es decir
que existe mayor relacin entre la variable dependiente con las explicativas que entre
las explicativas mismas.
1.4.4. Regresin 4:


Relacionando las variables explicativas del sector comercio en funcin del sector
extraccin, manufactura y agricultura, podemos darnos cuenta que el R
2
de la
regresin auxiliar es igual a 0.9860 y por lo tanto es menor que el R
2
global de 0.9987
lo cual podramos decir que existe un problema de multicolinealidad pero este no es
grave ya que el problema es preocupante cuando el R
2
global es menor al R
2
auxiliar,
es decir que existe mayor relacin entre la variable dependiente con las explicativas
que entre las explicativas mismas.
1.5. Tolerancia y factor de inflacin de la varianza:

1.5.1. Para el clculo del Factor Inflador de la Varianza se procede de la siguiente
manera:

Regla prctica: En general si el FIV es mayor o igual a 10 (

0.9) hay evidencia de

alta colinealidad.
1.5.1.1. Regresin 1:

Tomando en cuenta la regla prctica podemos decir que s existe un alto grado de
colinealidad entre las variables explicativas del modelo debido a que el Factor Inflador de
la Varianza en este caso es mayor que 10.

1.5.1.2. Regresin 2:

Tomando en cuenta la regla prctica podemos decir que s existe un alto grado de
colinealidad entre las variables explicativas del modelo debido a que el Factor Inflador de
la Varianza en este caso es mayor que 10.
1.5.1.3. Regresin 3:

Tomando en cuenta la regla prctica podemos decir que s existe un alto grado de
colinealidad entre las variables explicativas del modelo debido a que el Factor Inflador de
la Varianza en este caso es mayor que 10.
1.5.1.4. Regresin 4:

Tomando en cuenta la regla prctica podemos decir que s existe un alto grado de
colinealidad entre las variables explicativas del modelo debido a que el Factor Inflador de
la Varianza en este caso es mayor que 10.
1.5.2. TOLERANCIA:

Mientras ms cerca est TOL
j
de cero, mayor ser el grado de colinealidad de esa variable
respecto de las dems regresoras. Por otra parte, mientras ms cerca est TOL
j
de 1,
mayor ser la evidencia de que X
j
no es colineal con las dems regresoras.
1.5.2.1. Regresin 1:

Por lo tanto, se observa que la tolerancia se encuentra ms cerca de 0 lo cual significa que
existe un grado de colinealidad de la variable del sector agricultura respecto a las dems
regresoras.
1.5.2.2. Regresin 2:

Por lo tanto, se observa que la tolerancia se encuentra ms cerca de 0 lo cual significa que
existe un grado de colinealidad de la variable del sector extraccin de petrleo y minerales
respecto a las dems regresoras.
1.5.2.3. Regresin 3:

Por lo tanto, se observa que la tolerancia se encuentra ms cerca de 0 lo cual significa
que existe un grado de colinealidad de la variable del sector manufactura respecto a
las dems regresoras.
1.5.2.4. Regresin 4:

Por lo tanto, se observa que la tolerancia se encuentra ms cerca de 0 lo cual significa que
existe un grado de colinealidad de la variable del sector comercio respecto a las dems
regresoras.
1.6. Diagrama de dispersin:

Como se observa en el diagrama respectivo, existe colinelalidad entre las variables
explicativas del Producto Bruto Interno del Per.


2. MEDIDAS CORRECTIVAS:

2.1. Informacin a priori:
Tenemos en modelo del ejercicio:

Donde:

Como ya mencionamos, los variables manufactura y comercio tienden a ser muy
colineales. Pero suponga que, a priori, creemos que
5
= 0.10
4
; es decir, la tasa de cambio
del PBI respecto del sector comercio es una dcima parte de la correspondiente respecto
del sector manufactura. Podemos entonces efectuar la siguiente regresin:

Donde:

Transformando los datos originales, segn el supuesto de

, se obtiene:
AO PBI X
2
X
3
Xi AO PBI X
2
X
3
X
i

1950 40,920 4,486 4,220
6060.3
1982 176,507 8,824 29,603
4826.03
1951 44,711 4,621 4,553
6649.5
1983 158,136 7,974 26,698
5217.95
1952 47,347 4,755 4,704
7001.4
1984 163,842 8,790 27,973
5404.14
1953 50,085 4,865 4,431
7882.3
1985 167,219 9,046 29,175
5219.23
1954 52,762 4,962 5,920
8610
1986 182,981 9,438 27,868
6781
1955 55,858 4,922 5,961
9236.4
1987 200,778 10,060 27,036
6884.64
1956 58,484 4,686 6,593
9500.9
1988 181,822 10,772 22,984
7543.09
1957 62,371 4,705 7,226
10449.5
1989 159,436 10,169 21,865
8270.95
1958 61,706 5,030 6,546
10193.8
1990 151,492 9,463 19,965
7565.38
1959 63,653 5,276 6,690
11138.9
1991 154,854 9,762 20,390
7803.89
1960 69,946 5,614 10,002
12895.7
1992 154,017 9,010 19,860
11291.57
1961 75,085 5,782 10,932
13889.1
1993 162,093 9,845 21,478
12320.91
1962 82,620 5,921 10,396
15016.8
1994 182,044 11,156 21,896
11897.68
1963 86,196 6,010 11,062
15851.2
1995 195,536 11,842 22,532
12647.12
1964 91,840 6,305 11,615
16962.3
1996 201,009 12,611 23,802
13311.23
1965 97,003 6,431 11,789
18057.2
1997 214,028 13,160 25,718
13594.72
1966 104,995 6,778 12,944
19449.8
1998 213,190 13,177 26,643
14888.98
1967 109,040 7,042 13,100
20219.2
1999 216,377 14,646 29,184
15121.92
1968 109,206 6,803 13,912
20585
2000 222,207 15,496 29,440
15970.5
1969 113,044 7,252 13,815
20832.2
2001 223,580 15,374 32,360
15898.22
1970 116,849 7,818 14,796
22629.5
2002 235,773 16,152 35,582
17058.95
1971 122,213 7,975 13,897
23971.6
2003 245,593 16,472 36,993
16294.16
1972 126,463 7,784 14,767
24500.1
2004 257,770 16,391 39,206
17217.01
1973 134,401 7,815 15,326
26091.3
2005 273,971 16,948 43,236
17935.13
1974 147,017 8,104 16,179
28324.7
2006 294,598 18,462 44,058
19011.47
1975 153,340 8,101 14,924
29315.9
2007 319,693 19,074 45,892
17855.59
1976 155,559 8,222 15,816
30244.6
2008 348,923 20,600 49,599
18840.46
1977 156,102 8,214 19,116
29692.9
2009 352,584 20,873 50,076
22085.29
1978 151,977 8,091 25,101
28520.1
2010 382,380 21,766 50,714
27953.01
1979 158,194 8,406 29,554
29717.7
2011 407,052 22,658 51,043
32525.77
1980 167,596 7,917 30,171
31409.8
2012 431,273 23,991 52,473
33311.98
1981 176,901 8,633 29,243
31721.4
2013 456,103 24,329 55,026
32415.14

La cual se regresin en Eviews y se obtiene los siguientes resultados:

Al realizar la medida correctiva, se puede observar que las correlaciones entre los pares de
variables explicativas son menores en funcin de las correlaciones iniciales del 99%.
3. SUPUESTO DE NORMALIDAD:
Se determin una variable t que sigue la distribucin de probabilidad t con n-5 gl, por lo
que en lugar de utilizar la distribucin normal, se puede utilizar la distribucin t para
construir un intervalo de confianza para
2
. Esta variable t est definida de la siguiente
manera:

ee = (1262.361) (0.346) (0.133) (0.283) (0.369)
T = (-2.743) (9.745) (6.585) (4.450) (12.929)
P = (0-008) (0.000) (0.000) (0.000) (0.000)
Los valores de probabilidad de AGR, EXT, MAN, COM son extremadamente bajos.
Solucin:
Las cifras en el primer conjunto de parntesis son los errores estndar estimados las del
segundo conjunto son los valores t segn la hiptesis nula de que el coeficiente de la
poblacin relevante tiene un valor de cero. Los del tercer conjunto son los valores p
estimados. Para determinar si los coeficientes son estadsticamente significativos
consideraremos una de las prueba de hiptesis del modelo de regresin mltiple.

3.1. Pruebas de hiptesis sobre un coeficiente de regresin parcial individual:
Con el supuesto que i N (0, 2), entonces podemos utilizar la prueba t para
demostrar una hiptesis sobre cualquier coeficiente de regresin parcial individual.
Para ilustrar el procedimiento considere la regresin sobre el PBI. Postulemos que:

La hiptesis nula establece que, al mantener constante X
5
(el sector comercio), X
4
(sector
manufactura) X
3
(sector de extraccin de petrleo), X
2
(sector agricultura), no tiene
influencia (lineal) sobre Y (PBI).
Para probar la hiptesis nula se utiliza la prueba t: Si el valor de t calculado Excede el valor
de t crtico en el nivel de significancia escogido, se rechaza la hiptesis nula; de lo
contrario, no se puede rechazar.
Reemplazando en la frmula de la distribucin t:

Note que tenemos 64 observaciones. Por tanto, los grados de libertad en este ejemplo son
59. Si se consulta la tabla t, no contamos con los datos correspondientes a los 59 gl. Lo
ms cercano que tenemos es para 60 gl. Si utilizamos esa informacin y suponemos , el
nivel de significancia (es decir, la probabilidad de cometer un error de tipo I) de 5%, el
valor crtico t es 2.0 para una prueba de dos colas (busque t/2 para 60 gl).
Para el caso de los sectores, la hiptesis alterna es bilateral. Por consiguiente, utilizamos el
valor t de dos colas. Como el valor t calculado es de 9.739 excede el valor crtico t de 2,
rechazamos la hiptesis nula de que el sector agricultura (AGR) no tiene ningn efecto
sobre el PBI. En trminos ms positivos, si se mantiene constante el sector comercio,
sector manufactura, el sector de extraccin de petrleo, el sector de agricultura tiene un
efecto significativo (positivo) sobre el producto bruto interno.

En la prctica, no se tiene que suponer un valor particular de para llevar a cabo la
prueba de hiptesis. Tan slo se emplea el valor p dado en los resultados de la regresin,
que en el caso actual es de 0.0000.
La interpretacin de este valor p (es decir, el nivel exacto de significancia) es que si la
hiptesis nula fuese verdadera, la probabilidad de obtener un valor t igual a 9.739 sera de
slo 0.000 o 0.%, que de hecho es una probabilidad pequea, mucho menor que el valor
artificialmente adoptado de = 5%.
Con relacin a los intervalos de confianza:

Es decir, el intervalo de 2.678 a 4.062 incluye al verdadero coeficiente
2
, con un
coeficiente de confianza de 95%.








5. Prueba para la estabilidad estructural o paramtrica de los modelos de
regresin: la prueba de Chow
Para ver si lo anterior sucedi, dividamos la muestra en dos periodos: 1950-
1990 y 1991-2013, antes y despus de la recesin de 1982.
Ahora tenemos tres posibles regresiones:
Periodo 1950-1990:

Periodo 1991-2013:

Perodo 1950-2013:

Por el contrario, si el valor F calculado excede el valor crtico F, rechazamos la
hiptesis de la estabilidad paramtrica y concluimos que las regresiones del
periodo 1950-1990 y periodo 1991-2013 son diferentes, en cuyo caso la regresin
conjunta del periodo 1950-2013 es de dudoso valor, por decir lo menos.
De regreso al ejemplo, tenemos que:

De las tablas F vemos que para 2 y 22 gl el valor crtico F a 1% es de 7.72. Por
tanto, la probabilidad de obtener un valor F igual o mayor que 10.69 es mucho
menor que 1%; de hecho, el valor p slo es 0.00057.




Mtodos Formales: PRUEBA GENERAL DE HETEROCEDASTICIDAD DE
WHITE

Para realizar la prueba de White se procede de la siguiente forma:
Paso 1. Dada la informacin, estime y obtenga los residuos

Paso 2. Efecte la siguiente regresin (auxiliar):

Con los datos del ejemplo de la demanda de dinero, realice la prueba de White.

No existe Heteroscedasticidad

White sin termino cruzado (no cross terms)
Esta prueba es similar a MCG que considera los residuos del cuadrado como
variable dependiente.
White con termino cruzado (cross terms)
La varianza toma forma general en funcin de regresoras al cuadrado y de su
producto cruzado.



Con un probabilidad no significativa 0.2687% (menor que 5%), se rechaza la
hiptesis nula, por lo tanto la varianza no es constante y existe
heteroscedasticidad en el modelo.