Académique Documents
Professionnel Documents
Culture Documents
Pginas
Introduccin
Objetivo General
Marco Terico
4-5
6-9
Fundamentos Empricos
10 - 13
14 - 40
15 - 21
22 - 39
Conclusin
40
41 - 60
42 44
45 - 47
47 - 51
52 59
59 - 60
INTRODUCCIN
Chile ha sido histricamente un pas con tradicin vitivincola, principalmente por sus
tierras y climas privilegiados. Actualmente, sin embargo, el escenario internacional ha abierto
una oportunidad indita que convierte a nuestro pas en uno de los exportadores de mayor
potencial en el mundo. Este voraz desarrollo a nivel mundial sin duda, ha afectado los hbitos
de los consumidores tanto a nivel mundial como nacional. Durante estos 30 ltimos aos, las
exigencias se han elevado y si bien el consumo per cpita de hoy es muy inferior a lo que
ocurra a mediados de siglo, el mercado se ha ampliado considerablemente.
Las razones en el cambio de hbito de los consumidores son variadas y si bien el objeto
de este trabajo no es analizar estas razones, nos hemos dado cuenta de lo importante que son
a la hora de analizar el comportamiento de la demanda del vino, ya que en gran parte estas
razones son ms influyentes que los fundamentos tericos econmicos.
El objetivo de este informe es conocer las variables que afectan el consumo individual
por vino para de esta forma plantear un modelo de economtrico que permita explicar en
conjunto las variaciones de este consumo dado el comportamiento de estas variables. La
determinacin de estas variables, valga la redundancia, se hizo por medio de la estimacin de
regresin lineal mltiple por el mtodo de los mnimos cuadrados ordinarios
OBJETIVO GENERAL
El objetivo general del presente trabajo es, como se mencion anteriormente, dar una
aplicacin emprica de todos los conocimientos especficos adquiridos en el ramo, con el objeto
de dar un sentido prctico a las teoras econmicas que ya conocemos.
Particularmente, nuestro quehacer se desarroll en el Consumo Individual del Vino donde
tratamos de descubrir cules son las principales variables que afectan este consumo y de esta
forma determinar un modelo economtrico que nos permita conocer y explicar la relacin que
existe entre estas variables.
Nos pareci interesante abocarnos al tema del VINO ya que este bien se ha transformado,
en los ltimos aos, en uno de los ms demandados por la gente. Adems, sus exportaciones
han aumentado en tal porcentaje, que lo han posicionado como uno de los bienes con ms
futuro en el extranjero. Esto le permite a Chile armarse de un prestigio y un renombre para
nada despreciable en estos momentos de inseguridad mundial.
MARCO TERICO
Fundamentos de la Teora Econmica
Antes de plantear un Modelo Economtrico que incluya en l a las variables primordiales
que afectan el Consumo del Vino, debemos establecer los fundamentos de la Teora Econmica
que respaldan la formulacin de este modelo.
Para llevar a cabo el Trabajo Economtrico nos basamos principalmente en tres teoras:
La Teora Keynesiana del Consumo
La Funcin de Utilidad del Consumidor
Teora de la Oferta y la Demanda
FUNCIN DE UTILIDAD
La Funcin de Utilidad es la representacin de la funcin de preferencias del consumidor y
la expresin matemtica de stas. En esta representacin se grafican como funciones distintas
los mismos gustos del consumidor.
La utilidad se define como la capacidad de un bien para satisfacer las necesidades de los
individuos. Por lo tanto, se puede sumar, la utilidad que reporta un bien ya que es independiente
de la utilidad de los otros bienes.
Luego, la utilidad total ser la siguiente:
Ut = U(X1) + U(X2) +... + U(Xn)
Al consumir ms de un bien, la utilidad va creciendo hasta llegar a un punto de saturacin
en el que, al seguir consumiendo de ese bien, la utilidad del consumidor con respecto a ese
bien comienza a disminuir.
modificaciones del ingreso se dir que son "suntuarios" y si es poco sensible se dir que son
"necesarios". Por el contrario, si la cantidad demandada de un bien disminuye (o aumenta) ante
el incremento (o reduccin) del ingreso se dir que es "inferior".
La funcin de Oferta-Precio, por su parte, recoge, ceteris paribus, la relacin entre la
cantidad ofrecida de un bien y su precio. Tambin se suponen constantes el resto de los
factores que afecta a la Oferta como lo son la funcin de produccin, la tecnologa y las
preferencias de los productores.
En el caso de la Oferta, si sube el precio del bien entonces los productores estarn
dispuestos a ofrecer ms producto. Al contrario, si baja el precio, ofrecern una menor cantidad.
El precio y la cantidad de equilibrio se encuentran en un nivel en el que la cantidad
ofrecida voluntariamente es igual a la demandada voluntariamente. En un Mercado Competitivo,
este equilibrio se halla en la interseccin de las curvas de demanda y oferta. En este caso, en el
precio de equilibrio no hay ni escasez ni excedente.
Elasticidad Precio Demanda
La elasticidad precio de la demanda mide el grado en el que la cantidad demandada
responde a las variaciones del precio de mercado y se expresa como el cuociente entre la
variacin porcentual de la cantidad demandada del bien producida por una variacin de su
precio en un punto por ciento, mantenindose constantes todos los dems factores que afectan
a la cantidad demandada
Segn los valores obtenidos al aplicar la frmula que define la elasticidad de la demanda,
podemos establecer la siguiente tipologa:
La demanda es elstica si el valor numrico de la elasticidad es ,mayor que la unidad ,
esto es, el cambio en la cantidad es porcentualmente mayor que en el precio
La demanda tiene elasticidad unitaria, si una variacin porcentual del precio produce
una variacin porcentual del precio produce una variacin porcentual de la cantidad demandada
igual a aquella
La demanda es inelstica si el valor numrico de la elasticidad es menor que la unidad,
esto es, el cambio en la cantidad es porcentualmente menor que la variacin del precio.
Elasticidad Renta de la Demanda
Al igual que la elasticidad-precio mide la respuesta de la cantidad demandada ante los
cambios de precios, la elasticidad renta mide como vara la cantidad demandada ante las
variaciones en la renta de los consumidores. Por lo tanto, decimos que la demanda depende del
nivel de renta de los compradores, es decir, que la cantidad del bien depender del ingreso que
estos ltimos reciban.
> 0 : En este caso se dice que es un bien Normal o Superior ( Para un dI bien
normal la elasticidad-renta de la demanda positiva. Un
incremento en la renta provoca un aumento de la cantidad
demandada.
dQ
dI
n X Z = dQx / Qx
dPz / Pz
Donde dQx es una pequea variacin de Qx , la cantidad de X, y dPz es una pequea
variacin de Pz. n X Z mide la respuesta de la cantidad demandada de X a una pequea
variacin porcentual del precio de Z.
A diferencia de la elasticidad de la demanda con respecto al propio precio, que nunca es mayor
que cero, la elasticidad- precio cruzada puede ser positiva o negativa.
dQ >
dPz
dQ <
dPz
dQ =
dPz
Efecto-Sustitucin:
Lo anterior, nos permite predecir a partir de un precio la cantidad que demandarn los
consumidores, mantenindose todo lo dems constante.
Por otro lado, cuando vara uno de los factores que mantenamos constantes se
produce una variacin de la demanda, que puede ser un aumento o disminucin, dependiendo
del sentido en que se mueva el factor.
FUNDAMENTOS EMPRICOS
Las estadsticas provisorias de 2001 muestran que la via cubre 7,83 millones de
hectreas en el mundo, con una produccin 283 millones de hectolitros de vino, lo que sin duda
representa un sector de la produccin agrcola de importancia.
La economa vitivincola ha seguido la tendencia general del sector agroalimentario hacia
la internacionalizacin y aunque los intercambios crecen en valor en los ltimos aos, la
importancia econmica del sector aparece globalmente esttica debido a un consumo estable,
pero que tendera a crecer algo.
Se puede hablar, de un desarrollo sectorial del comercio exterior obligado, como sera el
caso de Chile, Sudfrica, Australia, debido principalmente a la debilidad de sus mercados
internos.
Si bien es cierto Chile goza en este momento de la expansin sectorial, se debe tener
presente que uno de los problemas principales del sector vitivincola mundial, es el precario
balance entre la produccin y el consumo de vinos, que para 1999 seal un excedente de
produccin de 58 millones de hectolitros, con un consumo levemente superior a 1998.
En efecto, el desarrollo de nuevas plantaciones, en diferentes partes del mundo, la
detencin de los arranques, concluirn con un aumento inevitable de la produccin total, que
podr ser un factor de desequilibrio en dos o tres aos ms, si el consumo mundial, bajo
cualquier forma no progresa al mismo ritmo. Las proyecciones de la O.I.V. sealan que, salvo
un accidente climtico haga disminuir la cosecha en todos o algunos pases productores, la
competencia sobre el mercado mundial de vino, deber ser en estas condiciones, cada ao ms
fuerte.
El Consumo
Se podra hablar que a nivel mundial hay casi un equilibrio entre la produccin y el
consumo, en parte debido a la reduccin del viedo en la Unin Europea, lo que permiti reducir
los excedentes durante un tiempo. Sin embargo el equilibrio mundial es precario, el desarrollo
de nuevas plantaciones debern responder al crecimiento del mercado, es decir, al consumo.
Por lo tanto cualquier nueva plantacin para satisfacer las nuevas demandas de consumo
deber estar encaminada hacia vinos finos.
En el ltimo tiempo, el mercado mundial del vino ha experimentado un sinnmero de
cambios relacionados con el libre mercado y el comportamiento e influencias del consumidor.
De un tiempo a esta parte, la principal tendencia en el consumo de vino es la fuerte cada de las
preferencias en el vino corriente, llamado tambin de mesa y el aumento, en el consumo de
vinos de calidad. Esto ltimo ha trado como consecuencia que se ha privilegiado la produccin
de las llamadas uvas clsicas, variedades de una alta calidad potencial, a lo que se le ha
acompaado de un progreso cualitativo importante en el proceso de esas uvas.
10
relativamente contrastadas y con perspectivas de desarrollo variables (Africa del Sur, Alemania,
Argentina, Australia, Chile, Espaa, Italia, Bulgaria, Hungra, Nueva Zelandia, Portugal, y los
EE.UU.), constata:
Una baja del consumo mundial que se aminora hacia el fin del siglo
El consumo del vino progresa en los mercados emergentes y cambia de forma en los
mercados maduros.
Una progresin consecuente de los intercambios mundiales en los ltimos diez aos.
Preponderancia del sector del Nuevo Mundo en el crecimiento del potencial y tiempo de
latencia de los pases europeos tradicionalmente productores.
Los consumidores estn cada vez ms atentos al origen de los productos que compran.
Situacin De Chile Como Pas Productor Y Consumidor De Vinos
Muchos pases que por razones de clima no son productores de uvas, son por el contrario
grandes consumidores de vinos, uvas frescas, mostos y pasas, es el caso de Inglaterra, los
pases Bajos y todo el norte de Europa.
Chile se encuentra en el lugar N 20 entre los consumidores de vino.
Nuestro pas posee gran cantidad de ventajas, entre las cuales destacan los productos
bsicos disponibles en abundancia en comparacin con los competidores (agua, tierra regadas,
clima etc.), la geografa del pas permite estaciones productivas ms larga que la mayora de
los competidores, cercanas de las zonas de produccin a los puertos lo que provoca menos
costos en el transporte. As como tambin desventajas o debilidades: costos de la mano de obra
no calificada, insuficiencia de infraestructura, tecnologa y de mercados lo que conduce a la
toma decisiones sub-ptima, baja inversin en investigacin y desarrollo deja a Chile
permanentemente atrasado en la mayora de sus rubros productivos, la demanda domstica es
muy dbil, no favorece el desarrollo de la industria, dbil organizacin de la industria dificulta
establecer programas de promocin y desarrollo tecnolgico, falta de prestigio o imagen, Chile
no es conocido como productor de calidad, no obstante esta realidad ha ido variando a medida
que transcurre el tiempo, Chile internacionalmente, sobre todo en materia de vinos es
reconocido como uno de los mejores. Cambio Previstos A Futuro Y De Que
Manera Afectaran
Al Sector Industrial.
En los ltimos aos el sector vitivincola con relacin al rea nacional es un mercado de
ms o menos 210 millones de litros anuales, donde las ventas de vino corriente representan
ms del 85% de las ventas totales del mercado. El consumo ha venido cayendo hasta llegar en
1996 a un consumo per cpita de tan slo 14.5 litros, esta cada se explica por la importancia
que comenzaron a tener otras bebidas alcohlicas y analcohlicas dentro del consumidor
chileno, como la cerveza, el pisco y otras bebidas gaseosas. El aumento en el consumo de
estas bebidas ha crecido fuertemente.
El pisco es considerado uno de los principales sustitutos del vino, lo que sin embargo se
ha visto en los ltimos aos, es que el consumo de pisco se ha mantenido constante y el vino
continua cayendo.
12
13
14
Ao
1970
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
D
40,5
51,9
59
53,5
45,9
41,9
45,1
49,2
45,4
44,1
42,7
41,4
40,1
38,8
37,5
36,9
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
Fuente
36
32
30
28
26
23
18
13
18
15
15,8
13,1
18,3
19
14,9
14,6
SAG
15
70
Consum o percapita
60
50
40
30
20
10
20
00
19
98
19
96
19
92
19
94
19
90
19
88
19
86
19
82
19
84
19
80
19
78
19
76
19
72
19
74
19
70
Aos
Ao
1970
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
V
379,37
354,55
525,83
1104,29
765,32
654,7
937,09
886,88
1025
2051,49
2330,51
2338,53
1892,52
1489,83
1428,26
1485,12
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
Fuente
1766,13
1690,97
817,63
587,4
590,7
908,35
1068,53
962,43
942,76
881,17
939,4
1024,51
1097,64
1669,01
1537,22
1492,54
INE
Como se observa en el grfico el precio del vino a lo largo de este perodo ha tenido un
comportamiento muy inestable, pero igual de esta forma se puede apreciar que tiene una
tendencia a alza.
Grfico: Lnea de tendencia del comportamiento
de la variable Precio del Vino.
16
2500
2000
1500
1000
500
20
00
19
98
19
96
19
94
19
92
19
90
19
88
19
86
19
84
19
82
19
80
19
78
19
76
19
74
19
72
19
70
Aos
I
8,27
10,63
19,72
89,53
650,86
2.336,05
8.632,07
19.439,97
32.849,13
52.839,86
72.717,31
82.606,51
71.157,10
89.381,11
103.994,78
146.739,21
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
250.154
335.933
432.356
534.016
669.404
865.280
1.080.419
1.264.574
1.462.138
1.751.708
1.894.842
2.096.398
2.221.584
2.244.681
2.418.030
2.653.000
17
3000000,00
Ingreso percapita
2500000,00
2000000,00
1500000,00
1000000,00
500000,00
00
20
96
19
98
94
19
19
90
19
92
19
19
88
84
19
8
19
80
19
82
19
78
19
74
72
19
7
19
19
19
70
0,00
Aos
C: Precio de la cerveza.
Los datos del precio de la cerveza son extrados del INE, pero estos fueron adaptados
para su homogeneidad en cuanto a que se considera el precio de una cerveza individual, en
pesos actuales y en base Junio del 2002.
Datos
Ao
1970
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
C
59.1978
53.5573
40.7284
6.8166
8.811
68.1288
70.7574
86.3335
103.4764
114.6881
112.5175
134.8327
119.8556
115.94
116.3565
123.4688
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
Fuente
132.0862
139.8584
150.5213
152.618
152.7168
150.9122
171.8269
175.0381
185.8526
187.457
201.432
204.0092
217.3404
513.3607
495.5043
502.655
INE
18
Precio de la Cerveza
600
500
400
300
200
100
2000
1998
1996
1994
1992
1990
1988
1986
1984
1982
1980
1978
1976
1974
1972
1970
Aos
P
1667
1722
960,3
968,8
1414
1042
1465
1496
1866
1932
2042
2540
2146
1697
1500
1292
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
Fuente
1493
1831
1513
1239
1239
1339
1612
1462
1397
1346
1365
1330
1629
1727
1643
1374
INE
Si bien el precio del pisco ha sufrido de variaciones a lo largo del periodo, en le grfico
observamos que la serie de datos tom una forma horizontal.
Grfico: Lnea de tendencia del comportamiento
de la variable Precio del Pisco.
19
3000
2500
2000
1500
1000
500
0
A os
MODELO MATEMTICO
D = 1 2 * V 3 * I 4 * C 5 * P
MODELO ECONOMTRICO
Por teoras estadsticas , el modelo economtrico adecuado para estimar la
demanda queda expresado de la siguiente forma
D = 1 2 * V 3 * I 4 * C 5 * P t
Ahora bien dadas las caractersticas de la curva de demanda resulta muy ventajoso
linealizar el modelo antes planteado, a travs de la utilizacin del modelo Log = log. , con lo que
se permite calcular la estimacin de la elasticidad precio de la demanda en forma directa. (
), entonces aplicando logaritmo natural al modelo planteado se presenta de la siguiente forma
Ln D Ln 1 2 * Ln V 3 * Ln I 4 * Ln C 5 * Ln P t
mayor Ingreso, mayor Consumo de Vino, y por ende, a menor Ingreso, menor
Consumo.
La relacin que esperamos con el Precio del Vino es inversa: a mayor precio, menor
Consumo de Vino, y viceversa. Por lo tanto, este debiera ser negativo.
Con el Precio de los Sustitutos esperamos que haya una relacin directa: a mayor
precio de los sustitutos, mayor consumo. Y a menor precio de los sustitutos, menor
consumo de Vino. Luego, este debiera ser positivo en P y C.
21
60
50
40
30
20
10
0
0
100
200
300
400
500
600
P rec io C erveza
Valor de :
y x 0.704887674
i 2 i
xi 7.267663992 -0.09698958
22
Ante el aumento de un peso en el precio del vino, el consumo per cpita del vino,
disminuir en 0.09698958 cc, como en este caso representa la elasticidad precio de la
demanda, podemos concluir que sta es inelstica por lo tanto las variaciones en el precio
frente a las variaciones en el consumo de vino no son tan determinantes,
Valor de
Y X 3.388515717 0.09698958 * 6.96337477 4.06389051
Ante un precio de vino igual a cero pesos, el consumo de vino per cpita ser de
4.06399051 cc.
Coeficiente de Determinacin:
R2
0.00967514
7.06622698
y i2
El precio del vino explica las variaciones del consumo per cpita del vino en un 0.96%.
Coeficiente de Correlacin:
yi xi
y i2 xi2
0.704887674
-0.0983623066
7.06622698 * 7.267663992
La relacin entre el precio del vino y el consumo per capita de este bien es lineal, dbil ya
que su porcentaje es de un 9.8% y negativa puesto que es menor a cero.
Varianza del Modelo
2
i
nk
2
i
2
i
6.99786022 0.4829720565
30
2 * xi2 7.06622698 ( 0.09698958) 2 * 7.267663992 6.99786022
23
Se( )
Se( )
2
i
X i2
n x
3
i
0.4829720565
0.179153205
7.267663992
0.4829720565 1558.902486
1.250429
32 * 7.267663992
H o : 0
H1 : 0
Tcal
4.063890507 0
3.249997
Se( )
1.250429
Ho : 0
H1 : 0
Tcal
0.0969895789 0
-0,51378
Se( )
0.1791532059
24
- 0.46286886;0.2688897
al 95 % n.d.c
(n2)*2 2 (n2)*2
2 2
(nk;1e/2) (n ;ek /2)
al 95% n.d.c.
30*0.4829720565 2 30*0.4829720565
6.4 979 6.1 791
2
al 95% n.d.c.
H0 : i 0
H1 : i 0
2 x i2 0.09698958 2 * 7.267663992
Fcalc
0.293089985
2
0.4829720565 2
Ftabla F( k 1, n k ;1 ) F(1, 30; 0, 95) 4.1708
26
Grfico de dispersin entre el consumo per cpita de vino y el ingreso bruto per
cpita.
70
60
50
40
30
20
10
0
0,00
500000,00
1000000,00
1500000,00
2000000,00
2500000,00
3000000,00
IBP en pesos
Valor de :
y x
x
i
2
i
- 43.288328
-0.0979842
441.78907
Ante el aumento de un peso en el ingreso bruto per cpita, el consumo de vino per
cpita disminuir en 0.0979842 cc. Gracias al valor de se puede deducir que el consumo de
vino per cpita es inelstico respecto al ingreso bruto per cpita, o sea, que un aumento o
disminucin significativa en el ingreso, no afecta en gran medida en el consumo de vino.
Valor de
Coeficiente de Determinacin
27
R =
2 * xi2
0.0096009 * 441.78907
= 0.60026
7.06622698
El PIB per cpita en miles de pesos explica las variaciones del consumo per cpita de vino
en un 60.026%.
Coeficiente de Correlacin
R=
y x
y * x
i
2
i
2
i
- 43.288328
7.06622698 * 441.78907 =
- 0.77476
La relacin entre el consumo per cpita de vino y el IPB en pesos es: lineal, medianamente
fuerte ya que su porcentaje es de un 77.47 % y negativa puesto que es menor a cero.
2
i
2.824657
= 0.306847
30
nk
2
i
2
i
2 * x i =
2
2.824657
Se(
)=
Se( ) =
X
n* x
2
i
2
i
xi2
21.01149
0.306847 * 4688.88216
=
= 0.176715
30 * 441.78907
118.90017
0.306847
9.3009
=
= 0.014599
441.78907 21.018779
28
como
de analizaremos la
4.4834738 0
=
= 25.37
Se
( )
0.176715
2.0423
Pendiente
H0 : = 0
H 1:
0
Tcalc
= Se( ) =
- 0.0979842 0
= 6.712
0.014599
2.0423
Ho se rechaza.
Intervalos de Confianza
Para
(n k ; 1 e/2)
* Se (
al 95% de confianza.
29
al 95 % de nivel de confianza.
poblacional
se
t ( n k ;1e / 2) * Se( )
0.127799; 0.068168
En el 95% de las veces se puede afirmar que el verdadero valor poblacional de la pendiente se
encuentra en este intervalo.
Para 2
(n2)* 2 (n2)*
2 2
( kn ;1e/2) (n ;eK /2)
2
2 30*0.3068472 2 30*0.3068472
6.4 979 6.1 791
30
- 0.0979842 2 * 441.78907
= 45.0488
0.306847 2
Fcalc Ftabla
31
Grfico de Dispersin
70
60
50
40
30
20
10
0
0
100
200
300
400
500
600
Precio Cerveza
Valor de :
y x
x
i
2
i
- 9.6778
-0.37105141
26.0821
Valor de
32
Coeficiente de Determinacin:
R2
2 x i2 (-0.37105058) 2 * 26.0821
0.50818366
7.0662
y i2
y i xi
y i2
x i2
- 9.6778
7.0662 * 26.0821
0.71287002
y i2 2 x i2
nk
Se( )
Se( )
X i2
nx
2
i
2
i
0.34035696 260.7090
32 * 26.0821
0.34035696
26.0821
0.32279363
0.06664439
33
H o : 0
H1 : 0
5.15421155
15.9675134
Se( ) 0.32279363
Ttabla t ( n k ,1 / 2) t ( 30;0,975) 2.0422
Tcal
Ho : 0
H1 : 0
- 0.37105058
-5.56761888
0.06664439
Se( )
Ttabla t ( n k ,1 / 2 ) t ( 30;0, 975) 2.0422
Tcal
t ( n k ;1 / 2 ) Se( )
5.15421155 t (30;0.975) * 0.32279363
5.15421155 2.0422 * 0.32279363
4.4949797;5.8134434
En el 95% de las veces el verdadero valor poblacional del intercepto se encuentra entre el
intervalo 4.4949797;5.8134434 .
Intervalo de confianza para la pendiente:
34
t ( n k ;1 / 2 ) Se( )
( n 2) 2
( n 2) 2
2
2
X 2 ( n 2; / 2 )
X ( n 2;1 / 2 )
30 * 0.34035696 2
30 * 0.34035696 2
2
46.9724
16.7907
2 0.07398570 2 0.20697683
En el 95% de las veces se puede afirmar que el verdadero valor poblacional del 2 se
encuentra entre el intervalo
0.07398570
0.20697683 .
H0 : i 0
H1 : i 0
30.99838
2
0.34035696 2
Ftabla F( k 1, n k ;1 ) F(1,30;0,95) 4.1708
Fcalc
Siendo la prueba Fcalc Ftabla , existe evidencia significativa para rechazar la hiptesis
nula. Por lo tanto, a un nivel de significancia del 5%, se puede afirmar que el modelo propuesto
es adecuado para explicar las variaciones causadas en el consumo per cpita de vino, a partir
de las variaciones del precio de la cerveza.
Conclusin Final :Al analizar esta variable, podemos observar que esta es significativa en
el modelo de regresin simple entre el consumo per cpita de vino y el precio de la cerveza, ya
35
que esta ltima, logra explicar en este modelo cerca del 51% de las variaciones del consumo
per cpita de vino, por lo que consideramos que es una variable adecuada para el modelo de
regresin mltiple que hemos de proponer.
Anlisis del modelo de regresin entre el consumo per cpita de vino
y la variable precio del pisco(P).
Grfico de dispersin entre el consumo per cpita de vino y el precio del pisco.
Grafico de Dispersin
1800
1600
1400
1200
1000
800
600
400
200
0
0
10
20
30
40
50
60
70
80
yx 0,21884247 0,15402542
x 1,42082048
Ante un aumento de un peso en precio del pisco el consumo per cpita del vino,
aumentar en 0.15402542 cc. Gracias al valor de se puede deducir que el consumo de vino
per cpita es elstico respecto al precio del pisco, o sea, que ante un aumento o disminucin
porcentual del precio del pisco, afecta el consumo de vino, ya sea aumentndolo o
disminuyndolo respectivamente.
Valor de
36
Ante un precio de pisco igual a cero pesos, el consumo de vino per cpita ser de
4904385354 cc.
Coeficiente de Determinacin:
R2
2 x i2
0,00467367
7,212170115
7.212170115
i2
El precio del pisco explica las variaciones del consumo per cpita del vino en un 0.46%
Coeficiente de Correlacin
y x
y x
i
2
i
0,21884247
0.21884247
0,06836425
7,212170115 1,42082048 3.20112465
2
i
.
La relacin entre el precio del pisco y el consumo per capita de este bien es lineal, dbil
ya que su porcentaje es de slo un 6.8% y positiva puesto que es mayor a cero
2 xi2
nk
30
7.178462811
0,48916469
30
Se( )
Se( )
2
i
X
n x
2
i
2
i
0,48916469
0,41037935
1,42082048
0,48916469 1714,895672 20.25694516
3,00420358
6.742867
32 1,42082048
37
H0 : 0
H1 : 0
Tcalt
2,26712612 - 0
0,7546513
Se( )
3,00420358
Pendiente
H0: i = 0
H1: i 0
38
t ( n k ;1 / 2 ) Se( )
2,26712612 2.0423 3,00420358
2.26712612 6.135484971
- 3,86826978;8,40252202 a un 95% n.d.c.
En el 95% de las veces el verdadero valor de
intervalo
Para
t ( n k ;1 / 2 ) Se( )
(n 2) 2
( n 2) 2
2
2
x (2n 2; / 2 )
x ( n 2;1 / 2 )
30(0,48916469) 2
30(0,48916469) 2
2
46.98
16.79
7.178462818
7.178462818
2
46.98
16.79
2 0.152798272 2 0.427543944
39
H 0 : i = 0
H1 : i 0
2
2
Fcalc x i
0.239282094
Dados los resultados de la regresin lineal simple, en el cual se han estudiado cada una
de las variables propuestas para nuestro modelo de regresin mltiple, dado los resultados que
se han obtenido de l y tomando en cuenta el marco terico de la demanda individual, el
modelo de regresin mltiple propuesto quedar definido por las siguientes variables:
D: variable explicada : demanda per cpita en litros por vino.
V: variable explicatoria 1 : precio del vino embotellado ( en pesos)
I: variable explicatoria 2 : ingreso bruto per cpita (en pesos)
C: variable explicatoria 3 : precio del la cerveza individual en botella (en pesos)
40
Ln D 1 2 ln V 3 ln I 4 ln C i
ln D ln 1 2 ln P 3 ln I 4 ln C i
Donde las variables originales son:
D: Cantidad demandada por vino per cpita anual nacional (en litros).
V: Precio del vino por litro (pesos reales al 31 de Junio 2002).
I: Ingreso per cpita nacional (miles de pesos reales al 31 de Junio 2002).
C: Precio de la cerveza (en pesos reales al 31 de Junio 2002).
Cabe sealar que la nomenclatura utilizada para el desarrollo de este informe.
LNDEMANDAVI ln D , es decir, el logaritmo natural de la variable D.
41
LNPREVINO
LNINGRESO
LNPRECERV
R2= 0.274326 valor < 0.8. por lo tanto, al ser el R 2 bajo estamos bajo la ausencia de el
sntoma clsico de multicolinealidad, por lo tanto no es necesario realizar pruebas de
significancia para cada una de los coeficientes parciales de pendientes.
42
LNINGRESO
LNPREVINO
LNPRECERV
1.000000
-0.774764
-0.098362
-0.712870
-0.774764
1.000000
0.512245
0.794759
-0.098362
0.512245
1.000000
0.340819
-0.712870
0.794759
0.340819
1.000000
LNDEMANDAVI
LNINGRESO
LNPREVINO
LNPRECERV
2
2
Si Ra R g Existe indicio de multicolinealidad severa.
Donde:
Std. Error
0.430251
0.033429
0.137582
t-Statistic
15.05224
2.514128
-0.690487
Prob.
0.0000
0.0177
0.4954
43
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.274326
0.224279
0.426451
5.273956
-16.55875
0.455883
6.963375
0.484191
1.222422
1.359835
5.481419
0.009567
2
2
Como observamos, el Ra 0.274326 , el cual es menor que R g 0.734698 .Por lo
Std. Error
t-Statistic
5.558548
-3.129293
0.846920
2.514128
0.447063
6.459629
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)
Prob.
0.0040
0.0177
0.0000
11.17485
3.775084
4.454597
4.592010
33.44358
0.000000
2
En este caso, tampoco existe indicio de multicolinealidad severa, dado que el R a
2
(0.697561), es menor que R g (0.734698).
Std. Error
t-Statistic
1.568942
2.333594
0.031626
6.459629
0.246580
-0.690487
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)
Prob.
0.0268
0.0000
0.4954
4.758639
0.917255
1.805884
1.943296
25.51099
0.000000
En esta regresin auxiliar, tampoco existe indicio de multicolinealidad severa, dado que
2
2
el R a (0.6376), es menor que el R g (0.734698).
Tomando en cuenta las tres pruebas realizadas, concluimos que no existen indicios de
multicolinealidad severa en nuestro modelo.
45
E I2
0.15
0.10
0.05
0.00
-500
-400
-300
-200
-100
Al observar este grfico, no podemos visualizar un patrn sistemtico que nos indique
indicios de heteroscedasticidad.
Prueba de White.
El criterio de esta prueba para determinar si hay indicios de heteroscedasticidad, es el
siguiente:
H 0 : No hay heteroscedasticidad.
H 1 : Hay heteroscedasticidad.
A un 5% de significancia.
White Heteroskedasticity Test:
F-statistic
Obs*R-squared
2.441335
15.98982
Probability
Probability
0.042360
0.067095
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 11/07/02 Time: 11:08
46
Coefficient
Std. Error
t-Statistic
Prob.
C
LNINGRESO
LNINGRESO^2
LNINGRESO*LNPREVINO
LNINGRESO*LNPRECERV
LNPREVINO
LNPREVINO^2
LNPREVINO*LNPRECERV
LNPRECERV
LNPRECERV^2
-8.274586
0.196491
0.003303
-0.014354
-0.041654
1.584635
-0.047820
-0.175129
0.783560
0.107876
4.339630
0.235752
0.005230
0.031112
0.036144
1.055107
0.066773
0.097122
0.625054
0.060604
-1.906749
0.833467
0.631549
-0.461372
-1.152439
1.501871
-0.716157
-1.803185
1.253588
1.780020
0.0697
0.4135
0.5342
0.6491
0.2615
0.1473
0.4814
0.0851
0.2232
0.0889
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.499682
0.295006
0.051751
0.058920
55.35107
2.421893
0.058584
0.061635
-2.834442
-2.376399
2.441335
0.042360
47
H 0 No autocorrelacin positiva.
H1 Autocorrelacin positiva.
Dependent Variable: LNDEMANDAVI
Method: Least Squares
Date: 11/20/02 Time: 16:18
Sample: 1970 2001
Included observations: 32
Variable
Coefficient
C
2.367346
LNINGRESO
-0.103577
LNPREVINO
0.381861
LNPRECERV
-0.100956
R-squared
0.734698
Adjusted R-squared
0.706273
S.E. of regression
0.258753
Sum squared resid
1.874681
Log likelihood
-0.009276
Durbin-Watson stat
0.605008
Std. Error
t-Statistic
0.774985
3.054698
0.022385
-4.627065
0.112672
3.389138
0.084163
-1.199540
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)
Prob.
0.0049
0.0001
0.0021
0.2404
3.388516
0.477434
0.250580
0.433797
25.84676
0.000000
Sean:
Indecisin
Indecisin
Rechazar
H0
A+
ANo rechazar Ho
d
0 0.605
2
1.244
1.650
4-
42.35
4
2.756
48
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
70
75
80
85
90
95
00
RESID01
De acuerdo al grfico , observamos que los residuos no siguen un patrn sistemtico. Por
lo cul podemos concluir que no estamos en presencia de autocorrelacin.
49
10.98404
14.65514
Probability
Probability
0.000349
0.000657
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 11/07/02 Time: 11:28
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
LNINGRESO
LNPREVINO
LNPRECERV
0.427503
0.002915
-0.066780
-0.000276
0.601688
0.017301
0.088380
0.065843
0.710507
0.168456
-0.755597
-0.004197
0.4837
0.8675
0.4567
0.9967
RESID(-1)
RESID(-2)
0.738550
-0.053538
0.195870
0.209051
3.770619
-0.256101
0.0008
0.7999
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.457973
0.353737
0.197691
1.016128
9.789756
1.801642
1.30E-15
0.245914
-0.236860
0.037966
4.393618
0.004945
que los dos coeficientes de los residuos rezagados RESID(-1) y RESID(-2) son distintos de
cero.
Prueba m de Durbin.
Las hiptesis en este caso son:
22.68767
14.61138
Probability
Probability
0.000058
0.000132
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
LNINGRESO
LNPREVINO
LNPRECERV
RESID(-1)
0.440521
0.002256
-0.070176
0.003347
0.706594
0.589071
0.016811
0.085854
0.063183
0.148346
0.747823
0.134206
-0.817381
0.052967
4.763158
0.4610
0.8942
0.4209
0.9581
0.0001
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.456606
0.376103
0.194240
1.018691
9.749445
1.731313
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 11/07/02 Time: 11:29
1.30E-15
0.245914
-0.296840
-0.067819
5.671918
0.001902
51
t , permite
de dos etapas de Cochrane-Orcutt, el cual, mediante el uso de los residuales
conocer el valor estimado de nuestro desconocido.
Este valor de se ha estimado a partir de la regresin:
t t 1 v t
donde:
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.444691
0.181515
0.955480
9.945594
1.708782
0.243582
-0.512619
-0.420104
25.02398
0.000025
( Ln D t Ln D t -1 ) Ln 1 (1 ) 2 ( Ln Vt Ln Vt -1 ) 3 ( Ln I t Ln I t -1 )
4 ( Ln C t Ln C t -1 ) ( t t 1 )
Donde, en nuestra salida E-Views,
( Ln D t Ln D t -1 ) YNUEVA ;
( Ln Vt Ln Vt -1 ) X 1NUEVA ;
( Ln I t Ln I t -1 ) X 2 NUEVA ;
( Ln C t Ln C t -1 ) X 3 NUEVA y
Ln 1 (1 ) C
Dependent Variable: YNUEVA
Method: Least Squares
Date: 11/20/02 Time: 14:30
Sample(adjusted): 1971 2001
Included observations: 31 after adjusting endpoints
Variable
Coefficient
Std. Error
t-Statistic
X1NUEVA
0.090383
0.099559
0.907832
X2NUEVA
-0.173011
0.034169 -5.063379
X3NUEVA
0.028477
0.059085
0.481971
C
1.481099
0.249089
5.946058
R-squared
0.549336 Mean dependent var
Adjusted R-squared
0.499262 S.D. dependent var
S.E. of regression
0.144496 Akaike info criterion
Sum squared resid
0.563737 Schwarz criterion
Log likelihood
18.12381 F-statistic
Durbin-Watson stat
1.812275 Prob(F-statistic)
Prob.
0.3720
0.0000
0.6337
0.0000
1.050771
0.204198
-0.911213
-0.726183
10.97054
0.000069
53
Zona
de
Indeci
sin
1.229
1.65
No rechazece H0,
no evidencia de
autocorrelacin
Zona
de
Indeci
sin
2.35
2.771
Ahora bien, pasaremos a ratificar esto, con las pruebas de Breusch y Godfrey.
54
0.390794
0.939787
Probability
Probability
0.680580
0.625069
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 10/29/02 Time: 20:56
Variable
Coefficient
Std. Error
t-Statistic
Prob.
X1NUEVA
X2NUEVA
X3NUEVA
C
RESID(-1)
RESID(-2)
-0.015684
0.003905
-0.007685
0.030146
0.082291
0.163979
0.103727
0.035587
0.062478
0.257940
0.205945
0.210994
-0.151201
0.109745
-0.123004
0.116871
0.399578
0.777172
0.8810
0.9135
0.9031
0.9079
0.6929
0.4443
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.030316
-0.163621
0.147871
0.546647
18.60097
1.979282
1.79E-16
0.137081
-0.812966
-0.535420
0.156317
0.976089
Respecto a la prueba de Breusch y Godfrey, ObsxR-squeared (n*R 2), presenta un pvalue igual a 0.625069, y trabajando con un nivel se significancia del 5%, este p-value > e. De
esto concluimos que no se rechaza la hiptesis nula (el modelo no presenta autocorrelacin).
Por lo anterior, existe evidencia significativa para afirmar que los dos coeficientes de los
residuos rezagados RESID(-1) y RESID(-2) son iguales son 0.
Prueba m de Durbin:
H0: 1= 0 (el modelo no presenta autocorrelacin de primer orden)
55
0.180338
0.213537
Probability
Probability
0.674577
0.644009
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 10/29/02 Time: 21:00
Variable
Coefficient
Std. Error
t-Statistic
Prob.
X1NUEVA
X2NUEVA
X3NUEVA
C
RESID(-1)
-0.006532
0.002710
-0.006603
0.014189
0.086755
0.102269
0.035282
0.061985
0.255156
0.204291
-0.063871
0.076813
-0.106522
0.055609
0.424662
0.9496
0.9394
0.9160
0.9561
0.6746
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.006888
-0.145898
0.146741
0.559854
18.23095
2.004793
1.79E-16
0.137081
-0.853609
-0.622321
0.045085
0.995913
(n*R ), presenta un p-value igual a 0.644009, y trabajando con un nivel se significancia del 5%,
este p-value > e. De esto concluimos que no se rechaza la hiptesis nula (el modelo no
presenta autocorrelacin). Por lo anterior, existe evidencia significativa para afirmar que el
coeficiente de los residuos rezagados RESID(-1), es igual a 0.
Por lo tanto, tras la aplicacin de estas pruebas sobre la existencia de autocorrelacin
en nuestro nuevo modelo, podemos afirmar que no existen indicios de que esta existiera en
nuestro nuevo modelo dado por:
Ln D ln 1 2 * Ln V 3 * Ln I 4 * Ln V
En cuanto a la no violacin de los supuestos MICO referentes a la multicolinealidad
severa y a la heteroscedasticidad, podemos deducir que este nuevo modelo, no presenta tales
problemas.
Significancia estadstica de cada coeficiente estimado y para el modelo
El anlisis de la significancia estadstica en el programa E-Views, se puede llevar a
cabo a travs del valor que tome el p-value para cada parmetro estimado.
Para el caso de Ln 1 (1 ) :
Para el caso de 2 :
H 0 : 2 0 ; la pendiente de ( Ln Vt Ln Vt -1 ) no es significativa.
H 0 : 2 0 ; la pendiente de ( Ln Vt Ln Vt -1 ) es significativa.
Sabemos que el p-value ( 2 ) = 0,3720 , que representa la mnima probabilidad para
rechazar nuestra hiptesis nula, o sea, 37,20%. Si trabajamos a un nivel de significancia del
5%, el p-value ( 2 ) > e, lo que nos indica que la pendiente de ( Ln Vt Ln Vt -1 ) no es
estadsticamente significativa.
57
- Para el caso de 3 :
H 0 : 3 0 ; la pendiente de ( Ln I t Ln I t -1 ) no es significativa.
H 0 : 3 0 ; la pendiente de ( Ln I t Ln I t -1 ) es significativa.
Sabemos que el p-value ( 3 ) = 0,0000 , que representa la mnima probabilidad para
rechazar nuestra hiptesis nula, o sea, 0%. Si trabajamos a un nivel de significancia del 5%, el
p-value ( 3 ) < e, lo que nos indica que la pendiente de ( Ln I t Ln I t -1 ) es
estadsticamente significativa.
- Para el caso de 4 :
H 0 : 4 0 ; la pendiente de ( Ln C t Ln C t -1 ) no es significativa.
H 0 : 4 0 ; la pendiente de ( Ln C t Ln C t -1 ) es significativa.
Sabemos que el p-value ( 4 ) = 0,6337 , que representa la mnima probabilidad para
rechazar nuestra hiptesis nula, o sea, 63.37%. Si trabajamos a un nivel de significancia del
5%, el p-value ( 4 ) > e, lo que nos indica que la pendiente de ( Ln C t Ln C t -1 ) no es
estadsticamente significativa.
-
Coeficiente de Determinacin
2 2 (1 ), donde 2 0.284518
3 3 (1 ), donde 3 -0.5446232
4 4 (1 ), donde 4 0.089643
Ahora, procedemos a configurar aquella regresin que nos permita predecir, para esto,
se integra la serie en primera diferencia generalizada, la cual se presenta abajo como:
59
60
61
Para calcular el reajuste y mantener el poder adquisitivo de una cantidad de dinero entre
dos fechas determinadas se procede, utilizando la variacin del IPC, a travs del siguiente
mtodo:
Frmula:
La variacin de IPC acumulada es base se datos que se obtiene en le INE, en este caso se
hcieron todos los reajustes hasta Julio del 2002
Equivalencia Monetaria
Para convertir escudos a pesos actuales dividimos por 1000.
Ejemplo: E 120000:1000= $120 (actuales)
62