Demanda de Dinero Dinamarca GRETL

Econometra Financiera
FASE 1
Introduccin
Para estimar la demanda de dinero, usaremos los datos macroeconmicos de
Dinamarca. Son parte de la base de datos de GRETL y se llevaran el resto del
proyecto.
En esta primera entrega intentaremos probar a priori las siguientes bases
tericas:
La teora econmica y financiera explican porque las personas deciden
mantener su dinero en efectivo. Explican que dos de las variables importantes
por entender la demanda de dinero(Y) son la tasa de inters(X1) y el nivel de
ingresos(X2). Y estas variables son precisamente las que tenemos en la base
de datos.
La tasa de inters es importante para explicar la demanda de dinero porque
representa el costo de oportunidad del efectivo. Es decir, si una persona en
lugar de mantener efectivo, pusiera ese dinero en el banco, el banco le pagara
intereses. Por lo tanto, cuando alguien mantiene efectivo est perdiendo los
intereses que el banco le paga. Por esta razn, le teora predice que la cantidad
de dinero y la tasa de inters tienen una relacin negativa.
Por otra parte, el ingreso tambin es determinante de la demanda de dinero. Ya
que los individuos necesitan el efectivo para hacer compras o gastos. Y la
teora dice que mientras ms altos sea el ingreso mayor son las compras o
gastos. Por esta razn, le teora predice que la cantidad de dinero y el ingreso
tienen una relacin positiva.
Desarrollo
Las relaciones tericas a probar en esta primera fase del proyecto son:
1. la cantidad de dinero y la tasa de inters tienen una relacin
negativa
2. la cantidad de dinero y el ingreso tienen una relacin positiva
Hablar de relaciones entre variables nos remite al concepto de coeficiente de

correlacin, entendido como la fuerza y la direccin de una relacin lineal
entre dos variables aleatorias
El coeficiente de correlacin tiene un valor acotado entre -1 y +1. Los valores
cercanos a cero indican que no hay asociacin entre las variables. Valores
cercanos a uno indican una asociacin fuerte, mientras que los valores
cercanos a menos uno indican una asociacin fuerte pero inversa.
xy =
cov ( X , Y ) E((X X )(Y Y ))

=
XY
X Y
Es decir, esperamos un valor <0 para nuestra relacin terica 1 y

nuestra relacin terica 2. En otras palabras:
1.
>0
para
a mayor cantidad de dinero se corresponde una menor tasa de inters y

viceversa, y
2. a mayor cantidad de dinero corresponde un mayor el ingreso (mismo

comportamiento en el sentido inverso.
El primer paso para la confirmacin de estas relaciones es una inspeccin
grfica de la informacin de las variables que se suponen relacionadas, veamos
en primer instancia la grfica de los puntos sobre el tiempo:
Grfica 1. Logaritmo de la cantidad real de dinero y Logaritmo de ingreso real
1 (Ver Gujarati, D. (2010) Econometra, 5 Ed. pp 812.)
Visualmente parece existir evidencia de una correlacin positiva entre la

cantidad real de dinero (azul) y el ingreso real (verde), la lnea que sugieren los
puntos graficados tiene un comportamiento similar, ambas variables crecen y
decrecen en los mismo peridos.
Grfica 2. Logaritmo de la cantidad real de dinero y Tasa de inters que pagan

los bonos
Nuevamente encontramos evidencia de una correlacin entre las variables

cantidad real de dinero (azul) y la tasa de inters que pagan los bonos
(naranja), en este caso negativa, los puntos graficados tiene un
comportamiento opuesto, cuando una de las variables aumenta la otra
disminuye.
Bajo el mismo concepto veamos ahora las grficas de dispersin, en ambos
casos el eje de las abscisas (x) corresponde al Logaritmo de la cantidad real de
dinero y las ordenadas (y) ser el logaritmo de ingreso real y la tasa de inters
que pagan los bonos, segn se indique:
Grfica 3.Diagrama de dispersin logaritmo de la cantidad real de dinero vs

logaritmo de ingreso real
La nube de puntos formada por el logaritmo de la cantidad real de dinero vs

logaritmo de ingreso real se asemeja a una lnea de pendiente positiva, es
decir, brinda elementos para pensar que existe una relacin entre las variables
y su coeficiente de correlacin es positivo.
Grfica 4.Diagrama de dispersin logaritmo de la cantidad real de dinero vs

Tasa de inters que pagan los bonos
La nube de puntos formada por el logaritmo de la cantidad real de dinero vs la

tasa de inters que pagan los bonos se asemeja a una lnea de pendiente
negativa, es decir, nos habla de una relacin entre las variables con coeficiente
de correlacin negativo.
El siguiente paso del anlisis de las variables es confirmar lo observado

mediante el clculo de los coeficientes de correlacin (los siguientes datos
corresponden al clculo paso a paso realizado en Excel, se adjunta archivo):
Clculos paso a paso
LRM
E[X]
LRY
11.75440655 5.952388
E[X^2]
2= E[X^2]E[X]^2
0.022790717 0.005197
Desv
Cov(LRM,variable
i)
0.150965946 0.072092
0.009451
938 -0.003716
(LRM,LRY
)
0.86847
4702
0.80663
9
(LRM,IBO)
138.188864 35.43612
IBO
0.156356
2
0.025378
6
0.000931
3
0.030517
6
Conclusiones:
Despus de realizar una revisin grfica y de correlacin entre las variables:
(1) Logaritmo de la cantidad real de dinero -Logaritmo de ingreso real
(2) Logaritmo de la cantidad real de dinero - Tasa de inters que pagan los
bonos
Confirmamos las relaciones tericas que se plantearon en un principio.
Las grficas 1 y 3 sobre logaritmo de la cantidad real de dinero y Logaritmo
de ingreso real nos muestran que el ingreso real responde en la misma
direccin que la cantidad real de dinero y su grfica de dispersin deja ver una
pendiente positiva, esto es confirmado mediante el coeficiente de correlacin
de estas variables (LRM,LRY)=0 86 (valor positivo y cercano a uno)
Las grficas 2 y 4 sobre logaritmo de la cantidad real de dinero y Tasa de

inters que pagan los bonos nos muestra que la tasa de inters presenta el
movimiento contrario a la cantidad real de dinero y su grfica de dispersin
muestra una pendiente negativa para el periodo de estudio, ambas hiptesis se
confirman con el coeficiente de correlacin (LRM,IBO)=-0.80 (valor negativo y
cercano a menos uno)
FASE 2
Desarrollo
1. Estimar los coeficientes MCO para los siguientes modelos:
LRM = 1 + 2 LRY (1)
^
LRM i=0.92904+1.81866 LRY i
1=0.92904 ( Intercepto )
2=1.81866( Pendiente)
LRM = 3 + 4 IBO (2)
^
LRM i=12.378323.99032 IBO i
4=3.99032(Pendiente)
2. Es congruente con la relacin que usted esperaba intuitivamente?

Es decir, los coeficientes tienen los signos esperados?
La relacin que se espera encontrar en los coeficientes de la pendiente de
estas ecuaciones de regresin se deduce de la inspeccin grfica de la
informacin de las variables que se suponen relacionadas.
Grfica 1.Diagrama de dispersin del logaritmo de ingreso real vs logaritmo

de la cantidad real de dinero
La grfica de dispersin formada por el logaritmo de la cantidad real de dinero

vs logaritmo de ingreso real se asemeja a una lnea de pendiente positiva, es
decir, brinda elementos para pensar que existe una relacin entre las variables
en la cual la variable regresada (LRM) cambia en la misma direccin de la
variable regresora (LRY). La evidencia emprica que se encontr con la
inspeccin grfica se confirma con las ecuacin de regresin:
^
LRM i=0.92904+1.81866 LRY i
Grfica 2. Diagrama de dispersin de la Tasa de inters que pagan los

bonos vs logaritmo de la cantidad real de dinero
La grfica de la tasa de inters que pagan los bonos contra el logaritmo de la

cantidad real de dinero se asemeja a una lnea de pendiente negativa, es decir,
empricamente nos habla de la existencia de una relacin entre las variables,
en la cual la variable regresada (LRM) cambia en direccin contraria a de la
variable regresora (IBO). Esto se confirma con la ecuacin de regresin:
^
LRM i=12.378323.99032 IBO i
El coeficiente 2 de signo negativo indica un cambio en sentido opuesto.
El resultado observado, la pendiente negativa, es congruente con el hecho de
que entre ms alta sea la tasa de los bonos la cantidad de dinero real en el
mercado tiende a disminuir, en este principio se basa una poltica monetaria.
Por ejemplo, cuando el Banco de Mxico baja la tasa de inters esto tiene como
resultado una mayor cantidad de dinero circulante y viceversa, al aumentar la
tasa de inters se da como resultado que disminuye la cantidad de dinero
circulante2.
3. Interprete los coeficientes obtenidos en trminos de elasticidades,
especficamente 2 y 4. Como se espera que cambie LRM cuando
cambian cada una de las otras dos.
2http://www.ehow.com/facts_7478920_relationship-money-supply-interest-rates.html#ixzz2LBcgYjkh
La primera ecuacin de regresin:

regresin lineal de la forma
^
LRM i=0.92904+1.81866 LRY i
^
LRM i= 1+ 2 LRY i
es una
donde las variables X e Y
estn expresadas como logaritmos: LRM: Logaritmo de la cantidad real de

dinero y LRY: Logaritmo de ingreso real, es decir, se puede expresar de la
forma:
ln ^
RM i = + 2 ln RY i
que corresponde con el modelo de regresin
log-lineal. El modelo log-lineal tiene la caracterstica de que el coeficiente de

la pendiente 2 mide la elasticidad de Y respecto de X, es decir, el cambio
porcentual en LRM ante un pequeo cambio porcentual en LRY. En conclusin,
un cambio de 1% en el valor de la variable regresora LRY provocar un cambio
de 1.81866% en la variable regresada LRM.
^
LRM i=12.378323.99032 IBO i
La segunda ecuacin
es un modelo en el cual
slo una de las variables aparece en forma logartmica, en este caso la

regresada (LRM), tales modelos se conocen como log-lin. En este modelo, el
coeficiente de la pendiente 4 mide el cambio proporcional constante o relativo
en Y para un cambio absoluto dado en el valor de la regresora, es decir si la
tasa de inters que pagan los bonos se mueve un punto porcentual (en valor
absoluto) la cantidad real de dinero se mover 399.03% (como cambio
porcentual) en la direccin opuesta. Este cambio se conoce como la
semieslaticidad de Y respecto de X.
4. Interprete el coeficiente de determinacin de cada uno de los

modelos.
La cantidad
se conoce como coeficiente de determinacin (muestral), y es
la medida ms comn de la bondad del ajuste de una lnea de regresin.

Verbalmente,
r2
mide la proporcin o el porcentaje de la variacin total en Y
explicada por el modelo de regresin.

Sus lmites son 0
parte, un
1. Un
de 1 significa un ajuste perfecto. Por otra
r 2 de cero significa que no hay relacin alguna entre la variable

^
2=0
regresada y la variable regresora (es decir,
).
En el caso de la recta de regresin

de bondad de ajuste
r =0.72450
^
LRM i=0.92904+1.81866 LRY i
, la medida
, es decir, el cambio en la variable LRM es
explicada en un 75.425% por LRY.

Para
el
modelo
r 2=0.65067
de
regresin
^
LRM i=12.378323.99032 IBO i
tenemos
, el cambio en la variable LRM es explicado en un 65.067% por
IBO.
5. Haga las siguientes pruebas de hiptesis (en cada una de ellas

plante la hiptesis nula y la alternativa, explique cmo calcula el
estadstico de prueba, explique cmo obtiene los valores crticos y
explique claramente sus conclusiones). Lleve a cabo las pruebas de
hiptesis con un nivel de confianza del 5%.
i.
Haga una prueba de significancia estadstica para el

parmetro 2
ii.
Haga una prueba de significancia estadstica para el

parmetro 4
iii.
Pruebe la hiptesis nula de que el coeficiente 2 = 1.5
iv.
Pruebe la hiptesis nula de que el coeficiente 4 = -3.5
v.
Pruebe la hiptesis nula de que el coeficiente 2 <= 1.5
vi.
Pruebe la hiptesis nula de que el coeficiente 4 <= -3.5
vii.
Explique claramente cul es la diferencia entre el inciso iii

y el v; y entre el iv y el vi
La teora de la estimacin consta de dos partes: estimacin puntual y

estimacin por intervalos; la estimacin puntual est ejemplificada en el
clculo de los coeficientes de determinacin de un modelo de regresin.
Por otro lado la estimacin por intervalos nos habla de la confiabilidad de un
estimador puntual y se mide con base en su error estndar. Por tanto, en lugar
de depender de un solo estimador puntual, se puede construir un intervalo
alrededor del estimador puntual, por ejemplo, dentro de dos o tres errores
estndar a cada lado del estimador puntual, tal que este intervalo tenga, por
ejemplo, 95% de probabilidad de incluir al verdadero valor del parmetro. sta
es, a grandes rasgos, la idea bsica de la estimacin por intervalos.
El estadstico de prueba utilizado para construir los intervalos de confianza es :
t=
^2 2
Estimador Parmetro
=
^
Error
estndar
estimado delestimador
se( 2 )
La variable t, as definida, sigue la distribucin t con n 2 grados de libertad.

i.
Haga una prueba

parmetro 2
de
significancia
estadstica
para
el
La hiptesis nula que se plantea para el coeficiente 2 establece que no existe

relacin alguna entre la variable regresora (LRY) y la regresada (LRM), mientras
que la hiptesis alternativa nos habla de que s existe una relacin entre ellas,
ya sea directa o inversa. Abrir la hiptesis alternativa ante ambas posibilidades
se conoce como una hiptesis de dos colas.
Ho : B2=0 , H1 : B2<>0
=12.7540
|1.818660
0.14259 |
t=
El valor crtico de la t a 53gl a 0.05/2 es 2.006. En una hiptesis de dos colas la

regla de decisin para rechazar Ho es
|t|>t /2, gl
, por lo tanto se rechaza la
hiptesis de que LRY no est relacionada con LRM, es decir, no hay elementos
para afirmar que 2=0.
ii.
Haga una prueba

parmetro 4
de
significancia
estadstica
para
el
La hiptesis nula que se plantea para el coeficiente 4 establece que no existe

relacin alguna entre la variable regresora (LRY) y la regresada (LRM), mientras
que la hiptesis alternativa nos habla de que s existe una relacin entre ellas,
ya sea directa o inversa. Nuevamente se trata de una prueba de dos colas y se
sigue el mismo procedimiento que en el caso i:
Ho : B4=0 , H1 : B4<>0
=9.93566
|3.990310
0.40161 |
t=
En una hiptesis de dos colas la regla de decisin para rechazar Ho es
|t|>t /2, gl , por lo tanto se rechaza la hiptesis de que IBO no est relacionada
con LRM, es decir, no hay elementos para afirmar que 4=0
iii.
Pruebe la hiptesis nula de que el coeficiente 2 = 1.5
La hiptesis nula que se plantea para el coeficiente 2 es 1.5, mientras que la

hiptesis alternativa plantea que existe una relacin entre las variables pero es
distinta de 1.5. Abrir la hiptesis alternativa ante ambas posibilidades se
conoce como una hiptesis de dos colas.
Ho : B2=1.5 , H1 : B2<>1.5
=2.23471
|1.818661.5
0.14259 |
t=

|t|>t /2, gl
hiptesis de que 2 sea igual a 1.5.

iv.
Pruebe la hiptesis nula de que el coeficiente 4 = -3.5
La hiptesis nula que se plantea para el coeficiente 4 es -3.5, mientras que la

hiptesis alternativa plantea que existe una relacin entre las variables pero es
distinta de -3.5. Abrir la hiptesis alternativa ante ambas posibilidades se
Ho : B4=-3.5 , H1 : B4<>-3.5
t=
3.99031(3.5)
=1.22086
0.40161

|t|>t /2, gl
, por lo tanto no se tienen
elementos estadsticos para rechazar la hiptesis de 4 igual a -3.5.

v.
Pruebe la hiptesis nula de que el coeficiente 2 <= 1.5
La hiptesis nula que se plantea para el coeficiente 2 es que este es menor o

igual 1.5, mientras que la hiptesis alternativa plantea que existe una relacin
entre las variables pero es mayor de 1.5. En este caso la hiptesis alternativa
es unilateral, es decir, tenemos una prueba de una sola cola.
Ho : B2<=1.5 , H1 : B2>1.5
t=
1.818661.5
=2.23471
0.14259
El valor crtico de la t a 53gl a 0.05 es 1.6741. En una hiptesis de una sola

cola la regla de decisin para rechazar Ho es
t> t ,gl
, por lo tanto se rechaza
la hiptesis de que 2 sea menor o igual a 1.5.

vi.
Pruebe la hiptesis nula de que el coeficiente 4 <= -3.5
La hiptesis nula que se plantea para el coeficiente 4 es que este es menor o

igual -3.5, mientras que la hiptesis alternativa plantea que es mayor de -3.5.
En este caso la hiptesis alternativa es unilateral, es decir, tenemos una
prueba de una sola cola.
Ho : B4<=-3.5 , H1 : B4>-3.5
t=
3.99031(3.5)
=1.22086
0.40161
El valor crtico de la t a 53gl a 0.05 es 1.6741. En una hiptesis de una sola

cola la regla de decisin para rechazar Ho es
t> t ,gl
, por lo tanto no se
tienen elementos estadsticos para rechazar la hiptesis de 4 menor o igual a

-3.5.
vii.
Explique claramente cul es la diferencia entre el inciso iii y

el v; y entre el iv y el vi
Una prueba de hiptesis planteada de la forma:
H 0 : 2=a
H 1: 2 a ,
en la cual se establece que el verdadero coeficiente de la pendiente es a segn
la hiptesis nula, pero menor o mayor que a segn la hiptesis alternativa, es
conocida como hiptesis bilateral o de dos colas. Si bien la hiptesis nula
es puntual, la alternativa es compuesta ya que puede estar hacia la derecha o
la izquierda del valor a.
Con mucha frecuencia, dicha hiptesis alternativa bilateral refleja el hecho de
que no se tiene una expectativa a priori o terica slida sobre la direccin en la
cual debe moverse la hiptesis alternativa respecto de la hiptesis nula.
La regin de aceptacin de la hiptesis nula en una prueba bilateral est dada
por el intervalo de confianza:
Pr 2 t ee ( ^2 ) ^ 2 2 +t ee ( ^ 2) =1
2
y las regin(es) que queda(n) fuera del intervalo de confianza se llaman

regiones de rechazo (de H0) o regiones crticas(ver grfica 3)
Grfica 3. Regin de rechazo para una hiptesis bilateral o de dos colas
Los incisos iii (Ho : B2=1.5 , H1 : B2<>1.5) y iv (Ho : B4=-3.5 , H1 : B4<>-3.5)

corresponden a este tipo de pruebas de hiptesis.
Por otra parte los incisos v (Ho : B2<=1.5 , H1 : B2>1.5) y vi (Ho : B4<=-3.5 ,
H1 : B4>-3.5) nos remiten a pruebas de hiptesis de la forma:
H 0: 2 a
H 1 : 2 >a ,
En donde H1 es an una hiptesis compuesta, ahora es unilateral. Para probar
esta hiptesis se utiliza una prueba de una cola (la cola derecha). En este caso
no es preciso considerar la cola inferior de la distribucin t y su regin de
aceptacin est dada por:
Pr [ ^ 2 2 +t ee ( ^ 2 ) ]=1
El lado derecho de esta desigualdad constituye la regin de rechazo (ver
grfica 4)
Grfica 4. Regin de rechazo para una hiptesis unilateral de cola derecha
6. Lleve a cabo una prueba de normalidad Jarque-Bera a los residuales

estimados de cada una de las regresiones. Plante la hiptesis nula
y la alternativa, explique cmo calcula el estadstico de prueba,
explique cmo obtiene los valores crticos y explique claramente
sus conclusiones. Lleve a cabo la prueba de hiptesis con un nivel
de confianza del 5%.
La hiptesis nula afirma que los residuos de MCO estn normalmente
distribuidos, para esto se prueba que los: S = coeficiente de asimetra y K =
coeficiente de curtosis tiene valores de 0 y 3 respectivamente. La prueba de
normalidad JB constituye una prueba de la hiptesis conjunta K y S. En este
caso, se espera que el valor del estadstico JB sea igual a cero.
El estadstico de prueba empleado es:
JB=
S (K 3)
+
6
24
X2
donde n=tamao de la muestra, S=coeficiente de asimetra y K=coeficiente de

curtosis.
Recordemos
T
u3t
t=1
S=
n
T
3/2
( )
u
t =1
2
t
n
T
u 4t
t =1
K=
n
T
( )
u
t =1
2
t
Para ambas pruebas de JB, nuestra

Regresin 1:
X ( 2) ,0.05=5.99147
^
LRM i=0.92904+1.81866 LRY i
Hiptesis nula Ho = los residuos se distribuyen normalmente.
Hiptesis alternativa Ha = los residuos no se distribuyen normalmente
S=-0.2880
K =2.4898
Estadstico JB = 1.3566
Como el valor obtenido para el estadstico es menor que el valor crtico
tabulado (2 = 5.99 para un nivel de significacin del 5%), no se puede
rechazar la hiptesis nula de normalidad de los residuos. No se rechaza Ho, los
errores del modelo se distribuyen aproximadamente normal.
Regresin 2:
^
LRM i=12.378323.99032 IBO i
Hiptesis alternativa Ha = los residuos no se distribuyen normalmente
S=-1.0492
K =3.8763
Como el valor obtenido para el estadstico es mayor que el valor crtico
tabulado (2 = 5.99 para un nivel de significacin del 5%), se rechaza la
hiptesis nula de normalidad de los residuos, inferimos que no hay normalidad
en los residuos.
Observaciones finales
De acuerdo a las pruebas de realizadas, encontramos que el segundo modelo
no explica correctamente el comportamiento de la variable dependiente, el tipo
de modelo pareciera ser el problema y de acuerdo a los resultados obtenidos,
se propone un modelo cuadrtico para explicar mejor la regresin.
Como adicional a esta conclusin, se agrega solo para conocimiento que
despus de un anlisis en MiniTab, se sugiere un modelo cuadrtico en:
^
LRM i=12.378323.99032 IBO i
A continuacin se agrega la grfica del modelo en su expresin cuadrtica
Regresin para LRM vs. I BO

I nforme de seleccin de modelo
Y: LRM
X: IBO
Grfica de lnea ajustada para modelo lineal

Y = 12.38 - 3.990 X
Residuo grande
LRM
12.00
11.75
Modelo cuadrtico
11.50
0.10
0.12
0.14
0.16
I BO
0.18
0.20
0.22
Estadsticas
R-cuadrado (ajustado)
Valor p, modelo
Valor p, trmino lineal
Valor p, trmino cuadrtico
Valor p, trmino cbico
Desviacin estndar de los residuos
Modelo seleccionado
Lineal
64.41%
0.000*
0.000*
0.091
* Estadsticamente significativo (p < 0.05)
Modelos alternativos
Cuadrtica
Cbico
70.35%
71.07%
0.000*
0.000*
0.000*
0.038*
0.001*
0.087
0.136
0.083
0.082
Usted seleccion el modelo lineal, pero el

modelo cuadrtico tiene un trmino cuadrtico
significativo y un R cuadrado ajustado mayor.
En su lugar, considere utilizar el modelo
cuadrtico.
FASE 3
El desarrollo de cada uno de los puntos presentados se adjunta en archivo
Excel.
EF_Equipo3_Proyect
oIntegrador_Fase3.xlsx
Desarrollo
1. Estimar el siguiente modelo de regresin:
LRM = 1 + 2 LRY + 3 IBO
^
LRM i=4.46759+1.28720 LRY i2.39903 IBO i
2=1.28720 ( Pendiente para X 2 , LRY )
3=2.39903(Pendiente para X 3 , IBO)
Despus de analizar los datos de Gretl se obtuvo la siguiente informacin
A continuacin se presenta la varianza y errores estndar de los coeficientes:

Estimadores y sus propiedades
Coeficiente
Valor
Varianza
B2
B3
B1
1.28720
-2.39903
4.46759
0.00871
0.04859
0.32975
Error Estndar
(ee)
0.09331
0.22043
0.57424
Varianza de
perturbaciones
muestrales ^2
0.0018073
r12
0.8684747
r122
0.7542483
1-r122
r13
-0.8066389
r132
0.6506663
1-r132
r23
-0.5233199
r232
0.2738637
1-r232
0.245751
7
0.349333
7
0.726136
3
2. Lleve a cabo una prueba de hiptesis de significancia individual

para cada uno de los parmetros estimados de la regresin.
Recordemos del punto 5 de la fase 2 que el estadstico de prueba utilizado para
construir los intervalos de confianza es :
t=
^2 2
Estimador Parmetro
=
se( ^2 ) Error estndar estimado delestimador
La variable t, as definida, sigue la distribucin t con n 3 grados de libertad

(en esta ocasin son tres los coeficientes estimados).
Prueba de significancia estadstica para el parmetro 1
La hiptesis nula que se plantea para el coeficiente 1 establece que ste es
estadsticamente cero, mientras que la hiptesis alternativa nos habla de es
diferente de cero. Abrir la hiptesis alternativa ante ambas posibilidades se
Ho : B1=0 , H1 : B1<>0
=7.77996
|4.467590
0.57424 |
t=

|t|>t /2, gl
hiptesis de que el intercepto sea estadsticamente cero.

La hiptesis nula que se plantea para el coeficiente 2 establece que al
mantener constante IBO, LRY no tiene influencia (lineal) sobre LRM, mientras
que la hiptesis alternativa nos habla de que s existe una relacin, ya sea
directa o inversa. Abrir la hiptesis alternativa ante ambas posibilidades se
Ho : B2=0 , H1 : B2<>0
=12.7540
|1.287200
0.09331 |
t=

|t|>t /2, gl
hiptesis de que LRY no est relacionada con LRM, es decir, no hay elementos
La hiptesis nula que se plantea para el coeficiente 3 establece que al
mantener constante LRY, IBO no tiene influencia (lineal) sobre LRM, mientras
que la hiptesis alternativa nos habla de que s existe una relacin, ya sea
directa o inversa. Abrir la hiptesis alternativa ante ambas posibilidades se
Ho : B3=0 , H1 : B3<>0
=10.88346
|2.399030
0.22043 |
t=

|t|>t /2, gl
hiptesis de que IBO no est relacionada con LRM, es decir, no hay elementos
3. Explique cul es la diferencia entre la R cuadrada y la R cuadrada

ajustada. Es cierto que la R cuadrada siempre ser mayor que la R
cuadrada ajustada?
R2 mide la bondad de ajuste de la regresin, es decir, el porcentaje de la
variacin total en la variable dependiente Y explicada por las variables X i. La
medida que da esta informacin se conoce como coeficiente de determinacin
mltiple, y se denota por R2:
R2=
SCE ^ 2 y i x 2 i+ ^3 y i x 3 i
=
SCT
y 2i
Donde: STC es la suma de cuadrados total y SCE es igual a la suma de

cuadrados explicada.
Una propiedad importante de R2 es que es una funcin no decreciente del
nmero de variables explicativas o de regresoras presentes en el modelo; a
medida que aumenta el nmero de regresoras, R 2 aumenta casi
invariablemente y nunca disminuye. Planteado de otra forma, una variable
adicional X no reduce R2. Obsrvese que:
2
R=
SCE
SCR
=1
SCT
SCT
Por intuicin, es claro que, a medida que aumenta el nmero de variables X, es

ms probable que disminuya la suma de los cuadrados de los residuos SCR o al
menos, que no aumente.
En vista de esto, al comparar dos modelos de regresin con la misma variable
dependiente pero un nmero diferente de variables X, se debe tener mucho
cuidado al escoger el modelo con la R2 ms alta. Este problema se resuelve al
utilizar la R2 ajustada.
R2 ajustada, toma en consideracin los grados de libertad:
u^ 2i /(nk )
R=
y 2i /(n1)
2
Donde k = el nmero de parmetros en el modelo incluyendo el trmino de

intercepto. El trmino ajustado significa ajustado por los gl asociados a las
sumas de cuadrados que se consideran.
R2 y R2 justada se relaciona de la siguiente manera:
2=1(1R 2) n1
R
nk
Lo cual implica que, a medida que aumenta el nmero de variables X, R 2
ajustada aumenta menos que R2 no ajustada.
4. Lleva a cabo una prueba de hiptesis (F) al 5% para probar la

significancia global de la regresin. Explique cmo obtiene el
estadstico de prueba y el valor crtico. Exprese claramente sus
conclusiones
La prueba de significancia general de la regresin est dada por el estadstico
F:
1R
( 2)
(nk )
R2
( k1)
F=
Y plantea la hiptesis nula en la cual todos los coeficientes de pendientes son

simultneamente cero:
Ho : 2= 3=0
Contra la hiptesis alternativa H1 : no todos los coeficientes de pendiente son
simultneamente cero.
0.92503
(31)
F=
=320.79276
(10.92503)
(553)
El valor F es mayor que 3.17514 3 el valor crtico de una distribucin F con (k-1)
y (n-k) grados de libertad y con =0.05, por lo cual no hay elementos para
afirmar que todos los coeficientes de pendientes son simultneamente cero,
considerando la evidencia estadstica se rechaza la hiptesis nula que
establece que LRY e IBO juntas no explican LRM por lo tanto podemos decir que
debido a la evidencia obtenida LRY e IBO conjuntamente son significativas
3
El valor F se obtuvo en Excel con la frmula: =+INV.F.CD(0.05,3-1,55-3)
5. Lleve a cabo una prueba de normalidad Jarque-Bera (al 5%) a los

residuales estimados la regresin
Recordemos del punto 6 de la fase 2 que el estadstico de prueba empleado es:
S (K 3)
JB= +
6
24
X2
donde n=tamao de la muestra, S=coeficiente de asimetra y K=coeficiente de

curtosis.
Recordemos
T
u3t
t=1
S=
n
T
3/2
( )
u
t =1
2
t
n
T
u 4t
t =1
K=
n
T
( )
u
t =1
2
t
Nuestra
X 2( 2) ,0.05=5.99147
^
LRM i=4.46759+1.28720 LRY i2.39903 IBO i
Hiptesis alternativa H1 = los residuos no se distribuyen normalmente
S=-0.0680
K =2.7630
Obteniendo el dato por medio de Gretl se obtiene lo siguiente:
Como el valor obtenido para el estadstico es menor que el valor crtico

tabulado (2 = 5.99 para un nivel de significacin del 5%), no se puede
rechazar la hiptesis nula de normalidad de los residuos. No se rechaza Ho, los
errores del modelo se distribuyen aproximadamente normal.
6. Imagine que usted estimo primero la regresin (1):

LRM = 1 + 2 LRY
Del punto 1 de la fase 2 tenemos:
^
LRM i=0.92904+1.81866 LRY i
r 2=0.75425
2=1.81866 ( Pendiente )
7. Ahora est pensando agregar como variable independiente la

variable IBO, de tal manera que est pensando calcular la siguiente
regresin:
LRM = 1 + 2 LRY + 3 IBO
Del punto 1 de la fase 3 tenemos:
^
LRM i=4.46759+1.28720 LRY i2.39903 IBO i
2=1.28720 ( Pendiente para X 2 , LRY )
3=2.39903(Pendiente para X 3 , IBO)
Adicionalmente tenemos:
R2
R2ad
0.92503
0.92214
8. Explique claramente el procedimiento mediante el cual usted puede

determinar si la variable IBO contribuye significativamente en
explicar la variable dependiente. Vase pgina 243 de su libro
Contribucin incremental o marginal de una variable explicativa.
Es conveniente agregar la variable IBO?
Para definir si es conveniente agregar otra variable explicativa a un modelo, es
necesario hacer un anlisis de contribuciones marginales, es decir, partiendo
de un MRL del tipo
Yi = 1 + 2 X2,
es necesario conocer su coeficiente r 2 (R2 vieja), o coeficiente de
determinacin, el cual es la medida de proporcin o porcentaje de la variacin
total en Y explicada por el modelo de regresin.
A continuacin se calcula el MRL:
Yi = 1 + 2 X2 + 3 X3,
y su R2 (R2 nueva), o coeficiente de determinacin mltiple, el cual mide la
bondad de ajuste de la regresin, es decir, el porcentaje de la variacin total en
la variable dependiente Y explicada por las variables X i.
Estas dos medidas de bondad de ajuste se encuentran relacionadas mediante

la razn F:
2
F=
(RnuevaR vieja)/ gl
2
(1R nueva)/ gl
(R2nuevaR 2vieja)/(nmero de regresoras nuevas)
(1R2nueva )/( nnmero de parmetros en el nuevo modelo)

En nuestro caso la razn F es igual a:
F=
(0.925030.75425)/1
=118.44981
(10.92503)/52
El valor F es mayor que 4.04710 el valor crtico de una distribucin F con (1) y
(n-k) grados de libertad y con =0.05, es decir, este valor F es muy
significativo, lo cual sugiere que la incorporacin de IBO al modelo aumenta en
gran medida la SCE y, por tanto, el valor R 2. En consecuencia, IBO debe
incorporarse al modelo.
FASE 4
Con lo estimado en las etapas anteriores, parece ser que las variables LRY e
IBO contribuyen a explicar la variable LRM, por lo que el modelo siguiente para
ser apropiado:
LRM = 1 + 2 LRY + 3 IBO (1)
Alguien opina que la demanda de dinero no es constante a lo largo del tiempo.
En particular se dice que la elasticidad con respecto al ingreso y con respecto a
la tasa de inters cambio a partir del primer trimestre de 1982.
1.
Slo explique cmo tendra que ser la variable dicotmica necesaria para
llevar a cabo la validacin emprica de la afirmacin.
Suponer un cambio en el comportamiento de las variables que componen un

modelo de regresin lineal a partir de un momento determinado, nos lleva a
evaluar la estabilidad estructural del modelo de regresin. Por cambio
estructural nos referimos a que los valores de los parmetros del modelo no
permanecen constantes a lo largo de todo el periodo.
Cmo saber que de verdad ocurri un cambio estructural? Para esto es
necesario realizar la prueba de estabilidad de Chow con una variable
dicotmica.
El primer paso es dividir el periodo de muestra en dos: 1974Q1 1981Q4 y
1982Q1 1987Q3 y definir un variable D1i dictoma que nos indique si la
observacin pertenece o no a determinado periodo, de tal forma tendramos
una base de datos con la siguiente estructura:
Tabla 1. Ejemplo de cmo ingresa la variable dicotmica

Variable
dictoma
0.1547356
0.1779912
0.1705647
0
0
0
5.903658
5.87382
5.837818
3. IBO: Tasa de inters

que pagan los bonos
1981:3
1981:4
1982:1
1982:2
1982:3
2. LRY: Logaritmo
de ingreso real
1974:1
1974:2
1974:3
1. LRM:
Logaritmo de la
cantidad real de
dinero
11.63255
11.60415
11.58152
Observaci
n
11.60378
11.62906
11.60202
11.60378
11.59462
5.883451
5.894687
5.902336
5.924388
5.949907
0.2032333
0.1923333
0.2032667
0.2107667
0.2088667
0
0
1
1
1
Variable
dictoma
3. IBO: Tasa de inters

que pagan los bonos
2. LRY: Logaritmo
de ingreso real
1987:2
1987:3
1. LRM:
Logaritmo de la
cantidad real de
dinero
Observaci
n
12.03979
12.01529
6.06373
6.05083
0.1173333
0.1189667
1
1
BD_Integ.xlsx
Posteriormente se plantea el siguiente modelo de regresin lineal con variables

cuantitativas y cualitativas:
LRM i= 1 + 1 LRY i+ 2 ( Di LRY i )+ 3 IBO i+ 4 ( Di IBO i ) +ui

Dnde:
I = tiempo
LRM = Logaritmo de la cantidad real de dinero
LRY = Logaritmo del ingreso real
IBO = Tasa de inters que pagan los bonos
D = variable dicotmica: 0 para las observaciones 1974Q1 1981Q4 y 1 para
1982Q1 1987Q3.
2.
Proponga un modelo que se tendra que estimar para determinar si la

elasticidad con respecto al ingreso cambi a partir del primer trimestre
de 1982. Estime el modelo y una vez estimado el modelo conteste, Qu
se tiene que hacer (con los resultados del modelo estimado) para
determinar si cambi la elasticidad de la demanda de dinero con
respecto al ingreso?
El modelo se plantea para analizar si existi un cambio estructural
en la informacin del ingreso real es el siguiente:
LRM i= 1 + 1 LRY i+ 2 (Dt LRY i)+ 3 IBOi +ui

Dnde:
I = tiempo
1982Q1 1987Q3.
Es posible analizar el modelo para los dos periodos en funcin de la variable
dictoma planteada:
Funcin de cantidad de real de dinero para 1974Q1 1981Q4:
LRM
E( iDi =0, LRY i , IBOi )= 1+ 1 LRY i + 3 IBOi
LRM
( 1+ 2) LRY i + 3 IBO i
E( iDi =1, LRY i , IBOi)= 1 +
Los resultados que obtenemos mediante GRETL para el modelo 1974Q1

1987Q3, son los siguientes:
LRM i=4.40276+1.2987 LRY i0.00058299( D t LRY i)2.41263 IBOi

^LRM = 4.40 + 1.30*LRY - 0.000583*DUM_LRY - 2.41*IBO
(0.645)(0.107) (0.00254)
(0.230)
T = 55, R-squared = 0.925
(standard errors in parentheses)
Tabla 2. Modelo restringido, ejercicio 2
Model 1: OLS, using observations 1974:1-1987:3 (T = 55)
Dependent variable: LRM
const
LRY
DUM_LRY
IBO
Coefficient
4.40276
1.2987
-0.00058299
-2.41263
Mean dependent var

Sum squared resid
R-squared
F(3, 51)
Log-likelihood
Schwarz criterion
rho
Std. Error
0.644751
0.106668
0.00254075
0.230219
11.75441
0.093881
0.925105
209.9832
97.21766
-178.4060
0.620938
De donde se pueden derivar:
t-ratio
6.8286
12.1751
-0.2295
-10.4797
S.D. dependent var

S.E. of regression
Adjusted R-squared
P-value(F)
Akaike criterion
Hannan-Quinn
Durbin-Watson
p-value
<0.00001
<0.00001
0.81943
<0.00001
***
***
***
0.152357
0.042905
0.920699
1.11e-28
-186.4353
-183.3303
0.719762
LRM
LRM
Cmo determinar si cambi la elasticidad de la demanda de dinero

con respecto al ingreso?
LRM i= 1 + 1 LRY i+ 2 (D t LRY i)+ 3 IBOi +ui

Dentro de nuestro modelo restringido, 2 es el coeficiente de la pendiente
diferencial (tambin llamado alterador de pendiente), el cual indica cunto
difiere el coeficiente de la pendiente de la funcin del segundo periodo (la
categora que recibe el valor dictomo de 1) respecto del primer periodo. La
variable dictoma D en la forma interactiva, o multiplicativa (D multiplicada por
X), permite diferenciar entre los coeficientes de las pendientes de los dos
periodos.
Tabla 3. Extracto de tabla 2
const
LRY
DUM_LRY
IBO
Coefficient
4.40276
1.2987
-0.00058299
-2.41263
Std. Error
0.644751
0.106668
0.00254075
0.230219
t-ratio
6.8286
12.1751
-0.2295
-10.4797
p-value
<0.00001
<0.00001
0.81943
<0.00001
***
***
***
Como muestran los resultados de esta regresin, el coeficiente de la

pendiente es estadsticamente cero (valor p>0.05), lo cual indica que
las regresiones para los dos periodos son iguales, es decir no existe
un cambio estructural.
Este resultado tambin se puede observar en GRETL de la siguiente forma:

Tabla 4 . Modelo no restringido, ejercicio 2, omitiendo coeficiente diferencial y
coeficiente de la pendiente diferencial
const
LRY
DUM_LRY
IBO
Coefficient
4.40276
1.2987
-0.00058299
-2.41263
Mean dependent var

Sum squared resid
R-squared
F(3, 51)
Log-likelihood
Schwarz criterion
rho
Std. Error
0.644751
0.106668
0.00254075
0.230219
11.75441
0.093881
0.925105
209.9832
97.21766
-178.4060
0.620938
t-ratio
6.8286
12.1751
-0.2295
-10.4797
S.D. dependent var

S.E. of regression
Adjusted R-squared
P-value(F)
Akaike criterion
Hannan-Quinn
Durbin-Watson
p-value
<0.00001
<0.00001
0.81943
<0.00001
***
***
***
0.152357
0.042905
0.920699
1.11e-28
-186.4353
-183.3303
0.719762
Test for omission of variables Null hypothesis: parameters are zero for the variables
DUM_LRY
Test statistic: F(1, 51) = 0.0526502
with p-value = P(F(1, 51) > 0.0526502) = 0.819432
3.
Proponga el modelo que se tendra que estimar para determinar si la

elasticidad con respecto a la tasa de inters cambi a partir del primer
trimestre de 1982. Estime el modelo y una vez estimado el modelo
conteste, Qu se tiene que hacer (con los resultados del modelo
estimado) para determinar si cambio la elasticidad de la demanda de
dinero con respecto a la tasa de inters?
en la informacin de la tasa de inters es el siguiente:
LRM i= 1 + 1 LRY i+ 2 IBO i+ 3 ( D t IBOi )+ ui

Dnde:
I = tiempo
1982Q1 1987Q3.

dictoma planteada:
LRM
LRM
( 2+ 3 )IBO i
E( iDi =1, LRY i , IBOi)= 1 + 1 LRY i+

LRM i=4.38118+1.30212 LRY i2.40097 IBOi 0.0362809( Dt IBO i)
^LRM = 4.38 + 1.30*LRY - 2.40*IBO - 0.0363*DUM_IBO

(0.616)(0.101) (0.222) (0.0886)
T = 55, R-squared = 0.925
const
LRY
IBO
DUM_IBO
Coefficient
4.38118
1.30212
-2.40097
-0.0362809
Mean dependent var

Sum squared resid
R-squared
F(3, 51)
Std. Error
0.616162
0.10088
0.222265
0.0886067
11.75441
0.093670
0.925273
210.4945
t-ratio
7.1104
12.9076
-10.8023
-0.4095
S.D. dependent var

S.E. of regression
Adjusted R-squared
P-value(F)
p-value
<0.00001
<0.00001
<0.00001
0.68392
***
***
***
0.152357
0.042856
0.920877
1.05e-28
Log-likelihood
Schwarz criterion
rho
97.27954
-178.5297
0.618494
Akaike criterion
Hannan-Quinn
Durbin-Watson
-186.5591
-183.4541
0.723886

con respecto a la tasa de inters?
LRM i= 1 + 1 LRY i+ 2 IBO i+ 3 ( Dt IBOi )+ ui
Dentro de nuestro modelo restringido, 3 es el coeficiente de la pendiente

diferencial (tambin llamado alterador de pendiente), el cual indica cunto
difiere el coeficiente de la pendiente de la funcin del segundo periodo (la
periodos.
const
LRY
IBO
DUM_IBO
Coefficient
4.38118
1.30212
-2.40097
-0.0362809
Std. Error
0.616162
0.10088
0.222265
0.0886067
t-ratio
7.1104
12.9076
-10.8023
-0.4095
p-value
<0.00001
<0.00001
<0.00001
0.68392
***
***
***
Como muestran los resultados de esta regresin, el coeficiente de la

pendiente diferencial es estadsticamente cero, lo cual indica que las
regresiones para los dos periodos son iguales, es decir no existe un
cambio estructural en la tasa de inters.

coeficiente de la pendiente diferencial

const
LRY
IBO
DUM_IBO
Coefficient
4.38118
1.30212
-2.40097
-0.0362809
Mean dependent var

Sum squared resid
R-squared
F(3, 51)
Log-likelihood
Schwarz criterion
rho
Std. Error
0.616162
0.10088
0.222265
0.0886067
11.75441
0.093670
0.925273
210.4945
97.27954
-178.5297
0.618494
t-ratio
7.1104
12.9076
-10.8023
-0.4095
S.D. dependent var

S.E. of regression
Adjusted R-squared
P-value(F)
Akaike criterion
Hannan-Quinn
Durbin-Watson
p-value
<0.00001
<0.00001
<0.00001
0.68392
***
***
***
0.152357
0.042856
0.920877
1.05e-28
-186.5591
-183.4541
0.723886
DUM_IBO
Test statistic: F(1, 51) = 0.167657
with p-value = P(F(1, 51) > 0.167657) = 0.683917
4.
Proponga el modelo que se tendra que estimar para determinar si la

elasticidad con respecto a la tasa de inters y al ingreso cambi a partir
del primer trimestre de 1982. Estime el modelo y una vez estimado el
modelo conteste, Qu se tiene que hacer (con los resultados del modelo
estimado) para determinar si cambi la elasticidad de la demanda de
dinero con respecto a la tasa de inters y al ingreso?
en la informacin de la tasa de inters es el siguiente:
LRM i= 1 + 1 LRY i+ 2 ( Dt LRY i)+ 3 IBO i + 4 ( D t IBO i )+ui

Dnde:
I = tiempo
1982Q1 1987Q3.
dictoma planteada:
LRM
LRM
( 3+ 4 )IBO i
( 1+ 2) LRY i +
E( iDi =1, LRY i , IBOi)= 1 +

LRM i=4.90332+1.20275 LRY i +0.0179541 ( Dt LRY i ) 2.0154 IBO i0.655334( D t IBO i )
^LRM = 4.90 + 1.20*LRY + 0.0180*DUM_LRY - 2.02*IBO - 0.655*DUM_IBO

(0.773)(0.134) (0.0161)
(0.411) (0.563)
T = 55, R-squared = 0.927
const
LRY
DUM_LRY
IBO
DUM_IBO
Coefficient
4.90332
1.20275
0.0179541
-2.0154
-0.655334
Mean dependent var

Sum squared resid
R-squared
F(4, 50)
Log-likelihood
Schwarz criterion
Std. Error
0.772965
0.134476
0.0161137
0.410997
0.562588
11.75441
0.091400
0.927083
158.9287
97.95400
-175.8713
t-ratio
6.3435
8.9440
1.1142
-4.9037
-1.1649
S.D. dependent var

S.E. of regression
Adjusted R-squared
P-value(F)
Akaike criterion
Hannan-Quinn
p-value
<0.00001
<0.00001
0.27052
0.00001
0.24960
***
***
***
0.152357
0.042755
0.921250
9.00e-28
-185.9080
-182.0267
rho
0.640457
Durbin-Watson
0.686122

con respecto a la tasa de inters?
LRM i= 1 + 1 LRY i+ 2 ( Dt LRY i ) + 3 IBO i+ 4 ( Dt IBO i ) +u i

Dentro de nuestro modelo restringido, 2 es el intercepto diferencial y 2 y 4
son los coeficientes de la pendiente diferencial (tambin llamado alterador de
pendiente) para la interaccin DUM*LRY y DUM*IBO, estos indican cunto
difieren los coeficientes de la pendiente de la funcin del segundo periodo (la
periodos, del mismo modo que la introduccin de la variable dictoma en
forma aditiva permite distinguir entre los interceptos de los dos periodos
const
LRY
DUM_LRY
IBO
DUM_IBO
Coefficient
4.90332
1.20275
0.0179541
-2.0154
-0.655334
Std. Error
0.772965
0.134476
0.0161137
0.410997
0.562588
t-ratio
6.3435
8.9440
1.1142
-4.9037
-1.1649
p-value
<0.00001
<0.00001
0.27052
0.00001
0.24960
***
***
***
Como muestran los resultados de esta regresin, los coeficiente de la

pendientes diferenciales para la interacciones DUM*LRY y DUM*IBO
son estadsticamente cero, es decir, no existe un cambio estructural
debido a LRY ni IBO. Esto confirma los resultados obtenidos en 2 y 3.
coeficientes de la pendiente diferencial

const
LRY
DUM_LRY
IBO
DUM_IBO
Coefficient
4.90332
1.20275
0.0179541
-2.0154
-0.655334
Mean dependent var

Sum squared resid
R-squared
F(4, 50)
Log-likelihood
Schwarz criterion
rho
Std. Error
0.772965
0.134476
0.0161137
0.410997
0.562588
11.75441
0.091400
0.927083
158.9287
97.95400
-175.8713
0.640457
t-ratio
6.3435
8.9440
1.1142
-4.9037
-1.1649
S.D. dependent var

S.E. of regression
Adjusted R-squared
P-value(F)
Akaike criterion
Hannan-Quinn
Durbin-Watson
p-value
<0.00001
<0.00001
0.27052
0.00001
0.24960
***
***
***
0.152357
0.042755
0.921250
9.00e-28
-185.9080
-182.0267
0.686122
DUM_LRY
DUM_IBO
Test statistic: F(2, 50) = 0.704956
with p-value = P(F(2, 50) > 0.704956) = 0.498975
Referencias bibliogrficas:
Gujarati, D. y D. Porter (2010). Econometra, 5. Ed., MacGraw Hill, Mxico.
ANEXO 1 FASE 1
Datos de la Base
Ao
Ingreso
Trimestre
1974 - 1
1974 - 2
1974 - 3
1974 - 4
1975 - 1
1975 - 2
1975 - 3
1975 - 4
1976 - 1
1976 - 2
1976 - 3
1976 - 4
1977 - 1
1977 - 2
1977 - 3
1977 - 4
1978 - 1
1978 - 2
1978 - 3
1978 - 4
1979 - 1
1979 - 2
1979 - 3
1979 - 4
1980 - 1
1980 - 2
1980 - 3
1980 - 4
1981 - 1
1981 - 2
1981 - 3
1981 - 4
1982 - 1
1982 - 2
1982 - 3
1982 - 4
1983 - 1
1983 - 2
1983 - 3
1983 - 4
1984 - 1
1984 - 2
1984 - 3
1984 - 4
1985 - 1
1985 - 2
1985 - 3
1985 - 4
1986 - 1
1986 - 2
1986 - 3
LRY
5.903658
5.87382
5.837818
5.812255
5.803945
5.786761
5.833412
5.929849
5.937654
5.935332
5.931755
5.940524
5.928044
5.93718
5.956553
5.939602
5.932408
5.931238
5.972136
5.968729
5.962473
5.986486
5.984788
5.977044
5.985101
5.945198
5.901625
5.90244
5.897422
5.893866
5.883451
5.894687
5.902336
5.924388
5.949907
5.928668
5.91589
5.93867
5.932186
5.974309
5.963916
6.000994
5.990538
5.968702
6.0138
6.003318
6.044517
6.081291
6.09557
6.089658
6.098992
Cantidad.
Dinero
LRM
11.63255
11.60415
11.58152
11.60185
11.5863
11.6045
11.65331
11.76425
11.75293
11.76548
11.78058
11.77018
11.74589
11.76865
11.74982
11.7487
11.70492
11.70344
11.703
11.70367
11.6789
11.70778
11.67616
11.68592
11.64161
11.63518
11.60926
11.65761
11.62782
11.62885
11.60378
11.62906
11.60202
11.60378
11.59462
11.60382
11.61713
11.6881
11.72651
11.78125
11.79762
11.84191
11.8403
11.92358
11.90296
11.92678
11.971
12.0259
12.05115
12.07546
12.05619
Tasa de Interes
IBO
0.1547356
0.1779912
0.1705647
0.1522273
0.1342276
0.1334805
0.1284132
0.1288357
0.1413445
0.1531187
0.1605787
0.1618325
0.1665814
0.1630213
0.1692466
0.1728896
0.1717371
0.1757075
0.1711933
0.1820041
0.1700434
0.1689293
0.178275
0.1804463
0.1910667
0.1967
0.1923
0.1829667
0.1845333
0.1928667
0.2032333
0.1923333
0.2032667
0.2107667
0.2088667
0.1970667
0.1611
0.1383
0.1417
0.1338
0.1341
0.1417
0.1448
0.1412
0.1317
0.1196
0.107
0.1037
0.0977
0.0984
0.1115
Ao
Ingreso
1986 - 4
1987 - 1
1987 - 2
1987 - 3
6.080706
6.061175
6.06373
6.05083
Cantidad.
Dinero
12.07163
12.02795
12.03979
12.01529
Tasa de Interes
0.114267
0.1193333
0.1173333
0.1189667

Demanda de Dinero Dinamarca GRETL

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Demanda de Dinero Dinamarca GRETL

Transféré par

Droits d'auteur :

Formats disponibles

Econometra Financiera

Hablar de relaciones entre variables nos remite al concepto de coeficiente de

cov ( X , Y ) E((X X )(Y Y ))

Es decir, esperamos un valor <0 para nuestra relacin terica 1 y

a mayor cantidad de dinero se corresponde una menor tasa de inters y

2. a mayor cantidad de dinero corresponde un mayor el ingreso (mismo

1 (Ver Gujarati, D. (2010) Econometra, 5 Ed. pp 812.)

Visualmente parece existir evidencia de una correlacin positiva entre la

Grfica 2. Logaritmo de la cantidad real de dinero y Tasa de inters que pagan

Nuevamente encontramos evidencia de una correlacin entre las variables

Grfica 3.Diagrama de dispersin logaritmo de la cantidad real de dinero vs

La nube de puntos formada por el logaritmo de la cantidad real de dinero vs

Grfica 4.Diagrama de dispersin logaritmo de la cantidad real de dinero vs

La nube de puntos formada por el logaritmo de la cantidad real de dinero vs la

El siguiente paso del anlisis de las variables es confirmar lo observado

Las grficas 2 y 4 sobre logaritmo de la cantidad real de dinero y Tasa de

LRM = 3 + 4 IBO (2)

2. Es congruente con la relacin que usted esperaba intuitivamente?

Grfica 1.Diagrama de dispersin del logaritmo de ingreso real vs logaritmo

La grfica de dispersin formada por el logaritmo de la cantidad real de dinero

Grfica 2. Diagrama de dispersin de la Tasa de inters que pagan los

La grfica de la tasa de inters que pagan los bonos contra el logaritmo de la

La primera ecuacin de regresin:

donde las variables X e Y

estn expresadas como logaritmos: LRM: Logaritmo de la cantidad real de

que corresponde con el modelo de regresin

log-lineal. El modelo log-lineal tiene la caracterstica de que el coeficiente de

slo una de las variables aparece en forma logartmica, en este caso la

4. Interprete el coeficiente de determinacin de cada uno de los

se conoce como coeficiente de determinacin (muestral), y es

la medida ms comn de la bondad del ajuste de una lnea de regresin.

mide la proporcin o el porcentaje de la variacin total en Y

explicada por el modelo de regresin.

de 1 significa un ajuste perfecto. Por otra

r 2 de cero significa que no hay relacin alguna entre la variable

regresada y la variable regresora (es decir,

En el caso de la recta de regresin

, es decir, el cambio en la variable LRM es

explicada en un 75.425% por LRY.

, el cambio en la variable LRM es explicado en un 65.067% por

5. Haga las siguientes pruebas de hiptesis (en cada una de ellas

Haga una prueba de significancia estadstica para el

Haga una prueba de significancia estadstica para el

Pruebe la hiptesis nula de que el coeficiente 2 = 1.5

Pruebe la hiptesis nula de que el coeficiente 4 = -3.5

Pruebe la hiptesis nula de que el coeficiente 2 <= 1.5

Pruebe la hiptesis nula de que el coeficiente 4 <= -3.5

Explique claramente cul es la diferencia entre el inciso iii

La teora de la estimacin consta de dos partes: estimacin puntual y

El estadstico de prueba utilizado para construir los intervalos de confianza es :

La variable t, as definida, sigue la distribucin t con n 2 grados de libertad.

Haga una prueba

La hiptesis nula que se plantea para el coeficiente 2 establece que no existe

El valor crtico de la t a 53gl a 0.05/2 es 2.006. En una hiptesis de dos colas la

, por lo tanto se rechaza la

Haga una prueba

La hiptesis nula que se plantea para el coeficiente 4 establece que no existe

En una hiptesis de dos colas la regla de decisin para rechazar Ho es

Pruebe la hiptesis nula de que el coeficiente 2 = 1.5

La hiptesis nula que se plantea para el coeficiente 2 es 1.5, mientras que la

El valor crtico de la t a 53gl a 0.05/2 es 2.006. En una hiptesis de dos colas la

, por lo tanto se rechaza la

hiptesis de que 2 sea igual a 1.5.