EJERCICIO 1

1. COEFICIENTE DE DURBIN-WATSON: El Test de Durbin-Watson permite

evaluar si existe autocorrelacin en una Regresin lineal, sea simple o mltiple.
Con ello se pretende ver si los valores presentan algn tipo de dependencia en
cuanto al orden de obtencin. Si fuera as se estara incumpliendo una de las
condiciones del modelo y cuando se incumplen las condiciones de un modelo
de Regresin lineal (normalidad, homogeneidad de varianzas, independencia
de los datos) las estimaciones de los parmetros del modelo (los coeficientes
del modelo) no tienen los criterios de calidad que se suponen. (solo en primer
orden)
Los valores de durbin Watson pueden ser:

Cuando se acercan a 2 (1,5 1,6 1,7 1,8 1,9 2,1 2,2 2,3 2,4 2,5 ) entonces no
existe auto correlacin
Cuando se acerca a cero, entonces existe autocorrelacion positiva
Cuando se acerque a 4, entonces existe autocorrelacion negativa

DURBIN-WATSON: 0,546990 --> en este caso para nuestro modelo el resultado

0,546990 es cercano a cero por lo tanto si existe autocorrelacion entre las variables

2. El criterio de informacin de Akaike (CIA): es una medida de la calidad

relativa de un modelo estadstico, para un conjunto dado de datos.,establece
que cuanto ms bajo es su valor, mejor es el modelo
este criterio esta en funcion con el logaritmo de verosimilidad
El criterio de informacin de Akaike -8,668180, entonces este criterio nos indica que
nuestro modelo semilogaritmico log lin es de calidad y es el mejor modelo para
nuestros datos.

3. El Criterio de Schwartz (CS): es un criterio para la seleccin de modelos entre un

conjunto finito de modelos. Se basa, en parte, de la funcin de probabilidad y que
est estrechamente relacionado con el Criterio de Informacin de Akaike (AIC).
Tiende a escoger el modelo ms sencillo, particularmente si el
tamao de muestra aumenta.
Postula que cuanto menor es el valor de este criterio, mejor ser el modelo.
El Criterio de Schwartz (CS) -8,593773 entonces este criterio nos indica que nuestro

modelo semilogaritmico log lin es de calidad y es el mejor modelo para nuestros datos.

4. Criterio de Hannan-Quinn: establece igualmente que cuanto menor sea el

valor de este criterio, ms adecuado resulta el modelo. En estadstica,
el criterio de informacin de Hannan-Quinn (HQC) es un criterio para la
seleccin del modelo.1 Es una alternativa alCriterio de Informacin de
Akaike (AIC) y el criterio de informacin bayesiano (BIC)
Criterio de Hannan-Quinn -8,689185 entonces este criterio nos indica que nuestro
modelo semilogaritmico log lin es de calidad y es el mejor modelo para nuestros datos.