0402015086

TAREA 5: EVALUAR LOS TEST DE MULTICOLINEALIDAD,
HETEROCEDASTICIDAD Y AUTOCORRELACIÓN DEL MODELO DE

ECUACIONES IS-LM, CON LOS MÉTODOS ENCONTRADOS EN GUJARATI
MULTICOLINEALIDAD
1.1. Test de klein
𝑅𝑟 = 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛 𝑚ú𝑙𝑡𝑖𝑝𝑙𝑒
𝑅𝑟 = √𝑅 2
PRIMERA ECUACIÓN:
𝑅𝑟 = √0.999663
𝑅𝑟 = 0.999831
Correlaciones Simples vs. Coeficiente de Correlación Múltiple
En eviews: r ^ y(-1) vs. 𝑅𝑟
0.4108369437878593 < 0.999735465
Entonces se concluye que en la primera ecuación no existe multicolinealidad de alto grado
SEGUNDA ECUACIÓN:
𝑅𝑟 = √0.935859
𝑅𝑟 = 0.967398
Correlaciones Simples vs. Coeficiente de Correlación Múltiple
En eviews: M ^ Y vs. 𝑅𝑟
0.962491 < 0.967398
En eviews: M ^ R(-1) vs. 𝑅𝑟
0.243507 < 0.967398
En eviews: Y ^ R(-1) vs. 𝑅𝑟
0.410183 < 0.967398
Se concluye que en la segunda ecuación no existe multicolinealidad de alto grado

1.2. Diagrama de dispersión
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
0 2,000 6,000 10,000 0 4 8 12 16 0 2,000 6,000 10,000
realgdp tbilrate Y(-1)
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)
0 4 8 12 16 0 400 800 1,200 0 2,000 6,000 10,000 0 4 8 12 16
tbilrate M realgdp 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
Ho=No existe multicolinealidad de alto grado
Hi=Existe multicolinealidad de alto grado
 ECUACIÓN 1:
R2= 0.999663
C (1): 2.237328 >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 (5): -1.718106 >0.935859
C (6): 1.806629
C (7): 39.18931
Por lo tanto, todas rechazan Ho, eso quiere decir que las variables son estadísticamente
significativas.
1.4 Test de Farrar Glauber o Correlaciones Parciales
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
1.5 Altas correlaciones entre parejas represores.
 ECUACIÓN 1:
R Y(-1)
R 8.011322541192456 2427.409380669271
Y(-1) 2427.409380669271 4357554.776395448
R2 = 0.999471
r^2 = 8.011322541192456
r y(-1) = 2427.409380669271 > R2
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
M ^ r (-1) = 248.6119384503385 > R2
Y ^ 2 = 4425693.369515398
Y ^ r(-1) = 2454.649926715038
r(-1) ^ r (-1) = 8.091747933703804
HETEROCEDASTICIDAD
𝐻0 : ∄𝐻𝑒𝑡𝑒𝑟𝑜𝑠𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑
𝐻1 : ∃ 𝐻𝑒𝑡𝑒𝑟𝑜𝑠𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑
1.1 Prueba de Park
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)
Se muestra que ningún parámetro es significativo, entonces, no hay heteroscedasticidad en la

varianza del error.
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
𝑡= (0.348257) (−1.017251) (6.156508)
Se muestra solo un parámetro es significativo, entonces, no hay heteroscedasticidad en la varianza

del error.
1.2 Prueba de Glejser
Primera Ecuación
Se debe estimar:
|𝑒̂1𝑡 | = 𝝅𝟎 + 𝝅𝟏 𝒓𝒕 + 𝝅𝟐 𝒀𝒕−𝟏 + 𝑣1𝑡
|𝑒̂1𝑡 | = 𝟏𝟐. 𝟏𝟕𝟒𝟏𝟖 + 𝟐. 𝟒𝟖𝟖𝟐𝟐𝟔𝒓𝒕 + 𝟎. 𝟎𝟎𝟎𝟗𝟎𝟏𝒀𝒕−𝟏
𝑡= (3.811416) (1.01787)
Solo una variable es significativa por lo tanto no existe heteroscedasticidad.
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
𝑡= (0.572599) (−1.288339) (7.774894)
Solo una variable es significativa por lo tanto no existe heteroscedasticidad.
1.3 Prueba de Breusch – Pagan-Godfrey
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
𝑝𝑡 = −𝟎. 𝟎𝟑𝟓𝟎𝟕𝟐 + 𝟎. 𝟏𝟖𝟒𝟑𝟓𝟗𝒓𝒕 + 𝟎. 𝟎𝟎𝟎𝟎𝟏𝟓𝟗𝒀𝒕−𝟏
De esta estimación calculamos la Suma de Cuadrados Explicada (𝑆𝐶𝐸)
𝑆𝐶𝐸 = ∑(𝑝̂𝑡 − 𝑝̅𝑡 )2 = 58.387690
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
De esta estimación calculamos la Suma de Cuadrados Explicada (𝑆𝐶𝐸)
𝑆𝐶𝐸 = ∑(𝑝̂𝑡 − 𝑝̅𝑡 )2 = 390.339787

1 1
Con este valor calculamos 𝜃 = 2 (𝑆𝐶𝐸) = 2 (390.339787) = 195.169894, que es comparado con
2
𝜒5%;(4−1) = 7.81
Como se aprecia se rechaza la h0. Es decir, existe heteroscedasticidad.
1.4 método gráfico
Y = f (cada variable exógena)
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
A través de los gráficos se podría concluir que no existe heterocedasticidad.

SEGUNDA ECUACIÓN
1,200
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

e2 =f (cada variable exógena)
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
AUTOCORRELACIÓN
3.1 TEST GRÁFICO
PARA LA ECUACIÓN 1: Aplicamos primero el test gráfico, donde muestra el correlograma,

INDICANDO LOS RESIDUOS DEl MODELO GRUPAL
Date: 05/02/19 Time: 23:19

Sample: 1950Q1 2000Q4
Included observations: 203
Q-statistic probabilities adjusted for 1 dynamic regressor
Autocorrelation Partial Correlation AC PAC Q-Stat Prob...
1 0.240 0.240 11.873 0.001

2 0.147 0.095 16.368 0.000
3 0.034 -0.02... 16.610 0.001
4 -0.00... -0.02... 16.614 0.002
5 -0.09... -0.09... 18.307 0.003
6 -0.02... 0.019 18.437 0.005
7 -0.06... -0.04... 19.402 0.007
8 -0.13... -0.12... 23.501 0.003
9 0.066 0.145 24.441 0.004
1... 0.110 0.100 27.059 0.003
1... 0.039 -0.03... 27.390 0.004
1... -0.11... -0.17... 30.313 0.003
1... -0.07... -0.04... 31.567 0.003
1... -0.06... 0.025 32.497 0.003
1... -0.11... -0.09... 35.553 0.002
1... 0.057 0.109 36.277 0.003
1... -0.00... 0.005 36.285 0.004
1... 0.033 0.038 36.535 0.006
1... 0.016 -0.04... 36.597 0.009
 Este test del correlograma, nos dice que 2... existe
0.084 autocorrelación cuando la barra
-0.00... 38.216 0.008
2... -0.03...
sombreada sobrepasa las líneas punteadas, que representan -0.03...un38.465 0.011
intervalo de confianza de
2... 0.041 0.081 38.855 0.015
la forma ∓1.96𝜎. 2... -0.06... -0.08... 39.958 0.016
2... -0.00... 0.058 39.958 0.022
Entonces, para contrastar esta conclusión aplicamos una prueba
2... -0.05... de hipótesis,
-0.05... siendo:
40.711 0.025
2... -0.11... -0.13... 43.569 0.017
2... -0.04... -0.02... 44.132 0.020
𝑯𝟎 = 𝒓𝒆𝒕 𝒆𝒕−𝟏 = 𝟎 , 𝒏𝒐 𝒆𝒙𝒊𝒔𝒕𝒆 𝒂𝒖𝒕𝒐𝒄𝒐𝒓𝒓𝒆𝒍𝒂𝒄𝒊ó𝒏 𝒅𝒆 𝒑𝒓𝒊𝒎𝒆𝒓 𝒐𝒓𝒅𝒆𝒏
2... -0.04... 0.001 44.656 0.024
𝑯𝟏 = 𝒓𝒆𝒕 𝒆𝒕−𝟏 ≠ 𝟎 , 𝒆𝒙𝒊𝒔𝒕𝒆 𝒂𝒖𝒕𝒐𝒄𝒐𝒓𝒓𝒆𝒍𝒂𝒄𝒊ó𝒏 𝒅𝒆 𝒑𝒓𝒊𝒎𝒆𝒓
2... -0.01... 0.013 𝒐𝒓𝒅𝒆𝒏
44.712 0.031
3... -0.14... -0.17... 50.006 0.012
Entonces: para la autocorrelación de 𝑟𝑒𝑡 𝑒𝑡−1 el correlograma
3... 0.007muestra
0.075 que la barra
50.018 0.017sobre pasa el
3... -0.02... 0.016 50.159 0.022
intervalo de confianza, y esto se puede comprobar con el coeficiente de autocorrelación de primer
3... -0.02... -0.07... 50.357 0.027
orden, para la variable aleatoria. 3... 0.026 0.009 50.523 0.034
3... -0.06... -0.09... 51.541 0.035
AC=0.240 3... -0.04... 0.019 51.984 0.041
*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
𝐴𝐶 = 0.147 > ∓0.1373
Existe autocorrelación de segundo orden.
EN LA ECUACIÓN 2, vemos el correlograma a través de los residuos de la segunda ecuación y que

quedó de esta forma:
Date: 05/02/19 Time: 23:20

Sample: 1950Q1 2000Q4
Included observations: 203
Q-statistic probabilities adjusted for 1 dynamic regressor
Autocorrelation Partial Correlation AC PAC Q-Stat Prob...
1 0.227 0.227 10.589 0.001

2 -0.19... -0.26... 18.543 0.000
3 0.115 0.260 21.284 0.000
4 0.108 -0.06... 23.725 0.000
5 0.099 0.209 25.796 0.000
6 -0.03... -0.18... 26.089 0.000
7 -0.29... -0.20... 44.707 0.000
8 -0.01... 0.094 44.756 0.000
9 0.114 -0.06... 47.521 0.000
1... -0.09... 0.022 49.338 0.000
1... -0.16... -0.14... 55.063 0.000
1... -0.07... 0.032 56.300 0.000
1... -0.02... -0.10... 56.425 0.000
1... 0.018 0.008 56.498 0.000
1... -0.07... -0.05... 57.612 0.000
1... -0.15... -0.08... 62.778 0.000
1... -0.00... 0.024 62.794 0.000
1... 0.099 -0.00... 64.983 0.000
 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:
𝑯𝟎 = 𝒓𝒆𝒕 𝒆𝒕−𝟏 = 𝟎 , 𝒏𝒐 𝒆𝒙𝒊𝒔𝒕𝒆 𝒂𝒖𝒕𝒐𝒄𝒐𝒓𝒓𝒆𝒍𝒂𝒄𝒊ó𝒏 𝒅𝒆 𝒑𝒓𝒊𝒎𝒆𝒓 𝒐𝒓𝒅𝒆𝒏

𝑯𝟏 = 𝒓𝒆𝒕 𝒆𝒕−𝟏 ≠ 𝟎 , 𝒆𝒙𝒊𝒔𝒕𝒆 𝒂𝒖𝒕𝒐𝒄𝒐𝒓𝒓𝒆𝒍𝒂𝒄𝒊ó𝒏 𝒅𝒆 𝒑𝒓𝒊𝒎𝒆𝒓 𝒐𝒓𝒅𝒆𝒏
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
𝐴𝐶 = 0.227 > ∓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 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
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
Teniendo como hipótesis lo siguiente:
𝐻0 : ∄ 𝑎𝑢𝑡𝑜𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛 ℎ𝑎𝑠𝑡𝑎 𝑢𝑛 𝑛 𝑜𝑟𝑑𝑒𝑛
𝐻1 : ∃ 𝑎𝑢𝑡𝑜𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛 ℎ𝑎𝑠𝑡𝑎 𝑢𝑛 𝑛 𝑜𝑟𝑑𝑒𝑛
Para la ECUACIÓN 1:
𝑄1 = 11.873
𝑋12 = 3.841459
Entonces 𝑄1 > 𝑋12
Se rechaza 𝐻0 , es decir existe autocorrelación de 1er orden.
𝑄2 = 16.368
𝑋22 = 5.99
Se rechaza 𝐻0 , es decir existe autocorrelación de 2do orden.
EN CONCLUSIÓN EXISTE AUTOCORRELACIÓN DE LA VARIABLE ALEATORIA CON LAS VARIABLES

EXPLICATIVAS DEL MODELO 𝑌𝑡 = 𝛼0 + 𝛼1 𝑟𝑡 + 𝛼2 𝑦𝑡−1 + 𝑒1𝑡
𝑄1 = 10.589
𝑋12 = 3.841459
Se rechaza 𝐻0 , es decir existe autocorrelación de 1er orden.
𝑄2 = 18.543
𝑋22 = 5.99

Se rechaza 𝐻0 , es decir existe autocorrelación de 2do orden.
EN CONCLUSIÓN, EXISTE AUTOCORRELACIÓN DE LA VARIABLE ALEATORIA CON LAS VARIABLES

EXPLICATIVAS DEL MODELO 𝑅𝑡 = 𝛽0 + 𝛽1 𝑚𝑡 + 𝛽2 𝑌𝑡 + 𝛽3 𝑅𝑡−1 + 𝑒2𝑡
3.3 TEST DE BREUSH – GODFREY
Este test tiene la siguiente forma: 𝐸𝑡 = ∫(𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑒𝑥𝑝𝑙𝑖𝑐𝑎𝑡𝑖𝑣𝑎𝑠, 𝑒(−1), 𝑒(−2), … … . )
Teniendo las siguientes hipótesis:
𝐻0 : ∄ 𝑎𝑢𝑡𝑜𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛
𝐻1 : ∃ 𝑎𝑢𝑡𝑜𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛
En eviews: ls e01 r y(-1) e01(-1)

2
𝑛 ∗ 𝑅 2 ~ 𝑋𝑔𝑙
202 ∗ 0.063241~ 𝑋12
12.774682 > 3.84
Entonces se rechaza 𝐻0 , y existe autocorrelación de primer orden.
En eviews: ls e01 r y(-1) e01(-1) e01(-2)

2
𝑛 ∗ 𝑅 2 ~ 𝑋𝑔𝑙
201 ∗ 0.070455~ 𝑋22
14.161455 > 5.99
Entonces se rechaza 𝐻0 , y existe autocorrelación de segundo orden.

En eviews: ls e02 m y r(-1) e02(-1)

2
𝑛 ∗ 𝑅 2 ~ 𝑋𝑔𝑙
202 ∗ 0.058836~ 𝑋12
11.884872 > 3.84
Entonces se rechaza 𝐻0 , y existe autocorrelación de primer orden.
En eviews: ls e02 m y r(-1) e02(-1) e02(-2)

2
𝑛 ∗ 𝑅 2 ~ 𝑋𝑔𝑙
201 ∗ 0.118898~ 𝑋22
23.898498 > 5.99
Entonces se rechaza 𝐻0 , y existe autocorrelación de segundo orden.
3.4 TEST EMPÍRICO
Tiene la siguiente hipótesis:
𝐻0 : 𝑐𝑜𝑒𝑓 = 0, ∄𝑎𝑢𝑡𝑜𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛
𝐻1 : 𝑐𝑜𝑒𝑓 ≠ 0, ∃𝑎𝑢𝑡𝑜𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛
En eviews: ls e01 e01(-1)
Coeficiente = 0.243760
Entonces Existe autocorrelación de 1er orden
En eviews: ls e01 e01(-1) e01(-2)
Entonces Existe autocorrelación de 2do orden
En eviews: ls e02 e02(-1)
Entonces Existe autocorrelación de 1er orden
En eviews: ls e02 e02(-1) e02(-2)
Coeficiente = -0.271068. Entonces Existe autocorrelación de 2do orden
TEST DE BOX – PIERCE
1ER orden 2DO orden
1. PRIMERA ECUACIÓN 1. PRIMERA ECUACIÓN
𝑛 ∗ (𝜌12 ) 𝑛 ∗ (𝜌12 + 𝜌22 )

203 ∗ (0.2402 ) 203 ∗ (0.2402 + 0.1472 )
11.6928 16.079427
Esto lo comparamos con un chi-cuadrado: Esto lo comparamos con un chi-cuadrado:
𝑋12 = 3.84 𝑋12 = 5.99
Entonces 3.84 < 11.6928 Entonces 5.99 < 16.079427
EN CONCLUSIÓN, EXISTE AUTOCORRELACIÓNN EN CONCLUSIÓN, EXISTE AUTOCORRELACIÓNN

DE 1ER ORDEN DE 2DO ORDEN
2. SEGUNDA ECUACIÓN 2. SEGUNDA ECUACIÓN
𝑛 ∗ (𝜌12 ) 𝑛 ∗ (𝜌12 + 𝜌22 )

203 ∗ (0.2272 ) 203 ∗ (0.2272 + (−0.196)2 )
10.460387 18.258835
Esto lo comparamos con un chi-cuadrado: Esto lo comparamos con un chi-cuadrado:
𝑋12 = 3.84 𝑋12 = 5.99
Entonces 3.84 < 10.460387 Entonces 5.99 < 18.258835
EN CONCLUSIÓN, EXISTE AUTOCORRELACIÓNN EN CONCLUSIÓN, EXISTE AUTOCORRELACIÓNN

DE 1ER ORDEN DE 2DO ORDEN

0402015086

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

0402015086

Transféré par

Droits d'auteur :

Formats disponibles

TAREA 5: EVALUAR LOS TEST DE MULTICOLINEALIDAD,

HETEROCEDASTICIDAD Y AUTOCORRELACIÓN DEL MODELO DE

1.1. Test de klein

𝑅𝑟 = 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛 𝑚ú𝑙𝑡𝑖𝑝𝑙𝑒

Correlaciones Simples vs. Coeficiente de Correlación Múltiple

En eviews: r ^ y(-1) vs. 𝑅𝑟

0.4108369437878593 < 0.999735465

Entonces se concluye que en la primera ecuación no existe multicolinealidad de alto grado

Correlaciones Simples vs. Coeficiente de Correlación Múltiple

0.962491 < 0.967398

En eviews: M ^ R(-1) vs. 𝑅𝑟

0.243507 < 0.967398

En eviews: Y ^ R(-1) vs. 𝑅𝑟

0.410183 < 0.967398

Se concluye que en la segunda ecuación no existe multicolinealidad de alto grado

0 2,000 6,000 10,000 0 4 8 12 16 0 2,000 6,000 10,000

realgdp tbilrate Y(-1)

0 4 8 12 16 0 400 800 1,200 0 2,000 6,000 10,000 0 4 8 12 16

tbilrate M realgdp R(-1)

Ho=No existe multicolinealidad de alto grado

Hi=Existe multicolinealidad de alto grado

C (1): 2.237328 >0.999663

C (5): -1.718106 >0.935859

1.4 Test de Farrar Glauber o Correlaciones Parciales

1.5 Altas correlaciones entre parejas represores.

r y(-1) = 2427.409380669271 > R2

Existe alto grado de Multicolinealidad

M ^ r (-1) = 248.6119384503385 > R2

r(-1) ^ r (-1) = 8.091747933703804

Existe alto grado de Multicolinealidad

1.1 Prueba de Park

Se muestra que ningún parámetro es significativo, entonces, no hay heteroscedasticidad en la

𝑡= (0.348257) (−1.017251) (6.156508)

Se muestra solo un parámetro es significativo, entonces, no hay heteroscedasticidad en la varianza

1.2 Prueba de Glejser

|𝑒̂1𝑡 | = 𝝅𝟎 + 𝝅𝟏 𝒓𝒕 + 𝝅𝟐 𝒀𝒕−𝟏 + 𝑣1𝑡

|𝑒̂1𝑡 | = 𝟏𝟐. 𝟏𝟕𝟒𝟏𝟖 + 𝟐. 𝟒𝟖𝟖𝟐𝟐𝟔𝒓𝒕 + 𝟎. 𝟎𝟎𝟎𝟗𝟎𝟏𝒀𝒕−𝟏

Solo una variable es significativa por lo tanto no existe heteroscedasticidad.

𝑡= (0.572599) (−1.288339) (7.774894)

Solo una variable es significativa por lo tanto no existe heteroscedasticidad.

1.3 Prueba de Breusch – Pagan-Godfrey

𝑝𝑡 = −𝟎. 𝟎𝟑𝟓𝟎𝟕𝟐 + 𝟎. 𝟏𝟖𝟒𝟑𝟓𝟗𝒓𝒕 + 𝟎. 𝟎𝟎𝟎𝟎𝟏𝟓𝟗𝒀𝒕−𝟏

De esta estimación calculamos la Suma de Cuadrados Explicada (𝑆𝐶𝐸)

𝑆𝐶𝐸 = ∑(𝑝̂𝑡 − 𝑝̅𝑡 )2 = 58.387690

De esta estimación calculamos la Suma de Cuadrados Explicada (𝑆𝐶𝐸)

𝑆𝐶𝐸 = ∑(𝑝̂𝑡 − 𝑝̅𝑡 )2 = 390.339787

Como se aprecia se rechaza la h0. Es decir, existe heteroscedasticidad.

1.4 método gráfico

Y = f (cada variable exógena)

A través de los gráficos se podría concluir que no existe heterocedasticidad.

A través de los gráficos se podría concluir que no existe heterocedasticidad.

A través de los gráficos se podría concluir que no existe heterocedasticidad.

3.1 TEST GRÁFICO

PARA LA ECUACIÓN 1: Aplicamos primero el test gráfico, donde muestra el correlograma,

Date: 05/02/19 Time: 23:19

Autocorrelation Partial Correlation AC PAC Q-Stat Prob...

1 0.240 0.240 11.873 0.001

EN LA ECUACIÓN 2, vemos el correlograma a través de los residuos de la segunda ecuación y que

Date: 05/02/19 Time: 23:20

Autocorrelation Partial Correlation AC PAC Q-Stat Prob...

1 0.227 0.227 10.589 0.001

𝑯𝟎 = 𝒓𝒆𝒕 𝒆𝒕−𝟏 = 𝟎 , 𝒏𝒐 𝒆𝒙𝒊𝒔𝒕𝒆 𝒂𝒖𝒕𝒐𝒄𝒐𝒓𝒓𝒆𝒍𝒂𝒄𝒊ó𝒏 𝒅𝒆 𝒑𝒓𝒊𝒎𝒆𝒓 𝒐𝒓𝒅𝒆𝒏

PARA SEGUNDO ORDEN