Académique Documents
Professionnel Documents
Culture Documents
MULTICOLINEALIDAD
𝑅𝑟 = √𝑅 2
PRIMERA ECUACIÓN:
𝑅𝑟 = √0.999663
𝑅𝑟 = 0.999831
SEGUNDA ECUACIÓN:
𝑅𝑟 = √0.935859
𝑅𝑟 = 0.967398
En eviews: M ^ Y vs. 𝑅𝑟
PRIMERA ECUACIÓN
10,000
8,000
6,000
realgdp
4,000
2,000
16
12
tbilrate
8
10,000
8,000
6,000
Y(-1)
4,000
2,000
Se puede concluir que existe un alto grado de correlación entre las variables
Ingreso y la variable Ingreso rezagada un periodo.
SEGUNDA ECUACIÓN
16
12
tbilrate
1,200
800
M
400
10,000
8,000
6,000
realgdp
4,000
2,000
16
12
R(-1)
Aquí se puede concluir que existe un ligero grado de correlación entre las
variables Tasa de Interés y Tasa de Interés rezagada un periodo, lo mismo pasa
con las variables Oferta Monetaria e Ingreso, quienes tienen un pequeño grado de
correlación.
1.3 R2 elevados Vs T significativas
ECUACIÓN 1:
R2= 0.999663
C (2): -4.640718
C (3): 704.275
Por lo tanto, todas rechazan Ho, eso quiere decir que las variables son estadísticamente
significativas.
ECUACIÓN 2:
R2: 0.935859
C (4): -0.356819
C (6): 1.806629
C (7): 39.18931
Por lo tanto, todas rechazan Ho, eso quiere decir que las variables son estadísticamente
significativas.
1
𝑐ℎ𝑖 2 = − (𝑛 − 1 − ∗ (2𝑝 + 5)) ∗ 𝑙𝑜𝑔|𝑅𝑥|
6
En eviews: scalar chi2=@qchisq(0.95,3)
ECUACIÓN 1:
scalar xc1=-(203-(11/6))*log(@det(rx1))
-3462.456771057371 > 3.841458820611928
Existe alto grado de Multicolinealidad
ECUACIÓN 2:
scalar xc2=-(143-(9/6))*log(@det(rx2))
-5209.934802786618 > 7.814727903251139
Existe alto grado de Multicolinealidad
ECUACIÓN 1:
R Y(-1)
R 8.011322541192456 2427.409380669271
Y(-1) 2427.409380669271 4357554.776395448
R2 = 0.999471
r^2 = 8.011322541192456
y(-1)^2 = 4357554.776395448
ECUACIÓN 2:
M Y R(-1)
M 128818.1738879517 726734.8677105001 248.6119384503385
Y 726734.8677105001 4425693.369515398 2454.649926715038
R(-1) 248.6119384503385 2454.649926715038 8.091747933703804
R2 = 0.967507
M ^ 2 = 128818.1738879517
M ^ Y = 726734.8677105001
Y ^ 2 = 4425693.369515398
Y ^ r(-1) = 2454.649926715038
HETEROCEDASTICIDAD
𝐻0 : ∄𝐻𝑒𝑡𝑒𝑟𝑜𝑠𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑
𝐻1 : ∃ 𝐻𝑒𝑡𝑒𝑟𝑜𝑠𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑
Primera Ecuación
Se debe estimar:
2)
log(𝑒̂1𝑡 = 𝝅𝟎 + 𝝅𝟏 𝒍𝒐𝒈(𝒓𝒕 ) + 𝝅𝟐 𝒍𝒐𝒈(𝒀𝒕−𝟏 ) + 𝒗𝟏𝒕
Resulta:
2)
log(𝑒̂1𝑡 = −𝟎. 𝟎𝟖𝟏𝟗𝟐𝟕 + 𝟎. 𝟑𝟔𝟒𝟐𝟓𝟑𝒍𝒐𝒈(𝒓𝒕 ) + 𝟎. 𝟔𝟓𝟏𝟑𝟐𝟓𝒍𝒐𝒈(𝒀𝒕−𝟏 ) + 𝒗𝟏𝒕
𝑡= (1.054105) (1.548935)
Segunda Ecuación
Se debe estimar:
2 )
log(𝑒̂2𝑡 ̅̅̅̅) + 𝝈𝟐 𝒍𝒐𝒈(𝒀𝒕 ) + 𝜎3 log(𝒓𝒕−𝟏 ) + 𝒗𝟐𝒕
= 𝝈𝟎 + 𝝈𝟏 𝒍𝒐𝒈(𝑴
Resulta:
2 )
log(𝑒̂2𝑡 ̅̅̅̅) − 𝟐. 𝟎𝟖𝟎𝟒𝟑𝒍𝒐𝒈(𝒀𝒕 ) + 𝟐. 𝟖𝟏𝟓𝟑𝟔𝟓log(𝒓𝒕−𝟏 ) + 𝒗𝟐𝒕
= 𝟕. 𝟖𝟒𝟒𝟎𝟗 + 𝟎. 𝟑𝟖𝟐𝟏𝟗𝟔𝒍𝒐𝒈(𝑴
Primera Ecuación
Se debe estimar:
𝑡= (3.811416) (1.01787)
Segunda Ecuación
Se debe estimar:
̅ + 𝝈𝟐 𝒀𝒕 + 𝝈𝟑 𝒓𝒕−𝟏 + 𝑣2𝑡
|𝑒̂2𝑡 | = 𝝈𝟎 + 𝝈𝟏 𝑴
̅ − 𝟎. 𝟎𝟎𝟎𝟏𝟎𝟏𝒀𝒕 + 𝟎. 𝟏𝟐𝟓𝟓𝟖𝟑𝒓𝒕−𝟏
|𝑒̂2𝑡 | = 𝟎. 𝟏𝟑𝟔𝟑𝟏𝟗 + 𝟎. 𝟎𝟎𝟎𝟐𝟒𝟔𝑴
Primera Ecuación
302810.156773
𝜎̃ 2 = = 1484.363514
204
2
𝑒1𝑡
Este estimador de máxima verisimilitud se usa para generar la variable 𝑝𝑡 = ̃2
𝜎
, que será
considerada como variable dependiente en la siguiente ecuación:
𝑝𝑡 = 𝝅𝟎 + 𝝅𝟏 𝒓𝒕 + 𝝅𝟐 𝒀𝒕−𝟏 + 𝑣1𝑡
1 1
Con este valor calculamos 𝜃 = 2 (𝑆𝐶𝐸) = 2 (58.387690) = 29.193845, que es comparado con
2
𝜒5%;(3−1) = 5.99
Como se aprecia se rechaza la hipótesis nula que indica de que no existe heteroscedasticidad. Es
decir, existe heteroscedasticidad.
Segunda Ecuación
104.311664
𝜎̃ 2 = = 0.511332
204
2
𝑒2𝑡
Este estimador de máxima verisimilitud se usa para generar la variable 𝑝𝑡 = ̃2
, que será
𝜎
considerada como variable dependiente en la siguiente ecuación:
̅ + 𝝈𝟐 𝒀𝒕 + 𝝈𝟑 𝒓𝒕−𝟏 + 𝑣2𝑡
𝑝𝑡 = 𝝈𝟎 + 𝝈𝟏 𝑴
̅ − 𝟎. 𝟎𝟎𝟎𝟔𝟐𝒀𝒕 + 𝟎. 𝟓𝟕𝟔𝟖𝟑𝟔𝒓𝒕−𝟏
𝑝𝑡 = −𝟎. 𝟎𝟗𝟏𝟖𝟕𝟒 + 𝟎. 𝟎𝟎𝟐𝟎𝟏𝟖𝑴
PRIMERA ECUACIÓN
16
12
tbilrate
0
0 2,000 4,000 6,000 8,000 10,000
realgdp
10,000
8,000
6,000
Y(-1)
4,000
2,000
0
0 2,000 4,000 6,000 8,000 10,000
realgdp
1,000
800
600
M
400
200
0
0 4 8 12 16
tbilrate
10,000
8,000
6,000
realgdp
4,000
2,000
0
0 4 8 12 16
tbilrate
16
12
R(-1)
0
0 4 8 12 16
tbilrate
PRIMERA ECUACIÓN
16
12
tbilrate
8
0
-150 -100 -50 0 50 100 150
E01
10,000
8,000
6,000
Y(-1)
4,000
2,000
0
-150 -100 -50 0 50 100 150
E01
SEGUNDA ECUACIÓN
1,200
1,000
800
600
M
400
200
0
-4 -2 0 2 4 6
E02
10,000
8,000
6,000
realgdp
4,000
2,000
0
-4 -2 0 2 4 6
E02
16
12
R(-1)
0
-4 -2 0 2 4 6
E02
A través de los gráficos se podría concluir que no existe heterocedasticidad.
AUTOCORRELACIÓN
*Probabilities 1
Los límites del intervalo may not be validson
de confianza for this equationsiendo
= ∓1.96𝜎 specification.
𝜎 = √203 = 0.0701, entonces los
intervalos de confianza serían: ∓𝟏. 𝟗𝟔(𝟎. 𝟎𝟕𝟎𝟏) = ∓𝟎. 𝟏𝟑𝟕𝟑
Concluyendo que:
𝐴𝐶 = 0.240 > ∓0.1373
Existe autocorrelación de primer orden.
PARA SEGUNDO ORDEN
𝑯𝟎 = 𝒓𝒆𝒕 𝒆𝒕−𝟏 = 𝟎 , 𝒏𝒐 𝒆𝒙𝒊𝒔𝒕𝒆 𝒂𝒖𝒕𝒐𝒄𝒐𝒓𝒓𝒆𝒍𝒂𝒄𝒊ó𝒏 𝒅𝒆 𝒔𝒆𝒈𝒖𝒏𝒅𝒐 𝒐𝒓𝒅𝒆𝒏
𝑯𝟏 = 𝒓𝒆𝒕 𝒆𝒕−𝟏 ≠ 𝟎 , 𝒆𝒙𝒊𝒔𝒕𝒆 𝒂𝒖𝒕𝒐𝒄𝒐𝒓𝒓𝒆𝒍𝒂𝒄𝒊ó𝒏 𝒅𝒆 𝒔𝒆𝒈𝒖𝒏𝒅𝒐 𝒐𝒓𝒅𝒆𝒏
Para evaluar la autocorrelación de 𝑟𝑒𝑡 𝑒𝑡−2 el correlograma muestra que la barra sobre pasa
ligeramente el intervalo de confianza, y esto se puede comprobar con el coeficiente de
autocorrelación de segundo orden, para la variable aleatoria.
AC=0.147
1
Los límites del intervalo de confianza son = ∓1.96𝜎 siendo 𝜎 = √203 = 0.0701, entonces los
intervalos de confianza serían: ∓𝟏. 𝟗𝟔(𝟎. 𝟎𝟕𝟎𝟏) = ∓𝟎. 𝟏𝟑𝟕𝟑
Concluyendo que:
𝐴𝐶 = 0.147 > ∓0.1373
Existe autocorrelación de segundo orden.
Este test del correlograma, nos dice que existe autocorrelación cuando la barra
sombreada sobrepasa las líneas punteadas, que representan un intervalo de confianza de
la forma ∓1.96𝜎.
Entonces, para contrastar esta conclusión aplicamos una prueba de hipótesis, siendo:
Entonces: para la autocorrelación de 𝑟𝑒𝑡 𝑒𝑡−1 el correlograma muestra que la barra sobre pasa el
intervalo de confianza, y esto se puede comprobar con el coeficiente de autocorrelación de primer
orden, para la variable aleatoria.
AC=0.227
1
Los límites del intervalo de confianza son = ∓1.96𝜎 siendo 𝜎 = √ = 0.0701, entonces los
203
intervalos de confianza serían: ∓𝟏. 𝟗𝟔(𝟎. 𝟎𝟕𝟎𝟏) = ∓𝟎. 𝟏𝟑𝟕𝟑
Concluyendo que:
𝐴𝐶 = 0.227 > ∓0.1373
Existe autocorrelación de primer orden.
Para evaluar la autocorrelación de 𝑟𝑒𝑡 𝑒𝑡−2 el correlograma muestra que la barra también sobre
pasa el intervalo de confianza, y esto se puede comprobar con el coeficiente de autocorrelación de
segundo orden, para la variable aleatoria.
AC=-0.19
1
Los límites del intervalo de confianza son = ∓1.96𝜎 siendo 𝜎 = √203 = 0.0701, entonces los
intervalos de confianza serían: ∓𝟏. 𝟗𝟔(𝟎. 𝟎𝟕𝟎𝟏) = ∓𝟎. 𝟏𝟑𝟕𝟑
Concluyendo que:
𝐴𝐶 = 0.19 > ∓0.1373
Existe autocorrelación de segundo orden.
3.2 MÉTODO DE Q-STAT
El método de Q-STAT, nos muestra una forma aún más específica que el test gráfico, ya que se
compara el Q-stat que aparece entre los valore del correlograma, con un chi-cuadrado
2
𝑄 − 𝑆𝑇𝐴𝑇 ~ 𝑋𝑔𝑙
Para la ECUACIÓN 1:
𝑄1 = 11.873
𝑋12 = 3.841459
𝑄2 = 16.368
𝑋22 = 5.99
Para la ECUACIÓN 2:
𝑄1 = 10.589
𝑋12 = 3.841459
𝑄2 = 18.543
𝑋22 = 5.99
𝐻0 : ∄ 𝑎𝑢𝑡𝑜𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛
𝐻1 : ∃ 𝑎𝑢𝑡𝑜𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛
Para la ECUACIÓN 1:
𝐻0 : 𝑐𝑜𝑒𝑓 = 0, ∄𝑎𝑢𝑡𝑜𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛
𝐻1 : 𝑐𝑜𝑒𝑓 ≠ 0, ∃𝑎𝑢𝑡𝑜𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛
Para la ECUACIÓN 1:
Coeficiente = 0.243760
Coeficiente = 0.099555
Entonces Existe autocorrelación de 2do orden
Para la ECUACIÓN 2:
Coeficiente = 0.217117