Académique Documents
Professionnel Documents
Culture Documents
FACULTAD DE INGENIERÍA
MODELO ECONOMÉTRICO
EMPRESA:
“HILANDERÍA SALINAS”
DOCENTE:
ING. RAFAEL ORLANDO LIMACHI C.
ESTUDIANTES:
MARTINEZ MAMANI ALEXANDER
RODRIGUEZ FLORES CHRISTIAN NILS F.
VILLCA CALLE MIKY PEÑAFORD
Contenido
1. INTRODUCCION................................................................................................................. 3
2. ANTECEDENTES ................................................................................................................ 3
3. OBJETIVO GENERAL DEL ESTUDIO ........................................................................... 3
4. OBJETIVOS ESPECIFICOS .............................................................................................. 3
5. MARCO TEORICO ............................................................................................................. 3
5.1. MODELOS ECONÓMICOS .............................................................................................. 3
5.2. ECONOMETRÍA ................................................................................................................ 4
5.3. MODELOS ECONOMÉTRICOS ....................................................................................... 5
5.4. PRONÓSTICOS ...................................................................................................................... 7
5.5. COMPONENTES DE SERIES DE TIEMPO..................................................................... 8
5.6. MODELOS QUE RELACIONAN LOS VALORES OBSERVADOS DE UNA SERIE
DE TIEMPO CON SUS COMPONENTES ................................................................................... 9
5.7. ANÁLISIS DE REGRESIÓN LINEAL ................................................................................ 10
5.8. EXTENSIONES AL MODELO DE REGRESIÓN MÚLTIPLE .......................................... 12
6. MEMORIA RESUMEN DEL PROCESO PRODUCTIVO............................................ 15
7. IDENTIFICACION DE LA POBLACION OBJETIVO................................................. 17
8. METODOLOGIA DE LA RECOLECCION DE LA INFORMACION ....................... 17
8.1. RECOLECCIÓN DE DATOS ............................................................................................... 17
9. RECOPILACION, SELECCIÓN Y PRESENTACION DE LA INFORMACION ..... 23
10. ESPECIFICACIONES DEL MODELO ECONOMETRICO ........................................ 25
11. ESTIMACION DE PARAMETROS DEL MODELO .................................................... 25
12. VALIDACION ESTADISTICO ........................................................................................ 30
13. VALIDACIÓN ECONOMETRICA .................................................................................. 33
14. PLANTEAMIENTO Y ANALISIS PARA LA CORRELACION DEL MODELO ..... 45
15. PRESENTACION Y PREDICCION DEL MODELO CORREGIDO .......................... 49
16. CONCLUSIONES ............................................................................................................... 50
17. RECOMENDACIONES ..................................................................................................... 51
18. BIBLIOGRAFIA ................................................................................................................. 51
1. INTRODUCCION
2. ANTECEDENTES
Desde 1970, la Hilandería Salinas empezó a enfrentar la pobreza y marginación, con el apoyo de
voluntarios extranjeros y la Misión Salesiana, con la creación de varias industrias, donde la materia
prima es la lana de llama y oveja, los cuales son sometidos a diversos tipos de procesos como la
recepción de la materia prima, secada, lavado y nuevamente secado para llevarla a la maquina
encargada de sacar las fibras e hilarlo.
Anteriormente en la empresa no se ha realizado estudios estadísticos, lo que hace que sea muy
relevante el trabajo ejecutado.
4. OBJETIVOS ESPECIFICOS
5. MARCO TEORICO
En la teoría económica, estas relaciones están caracterizadas por funciones matemáticas exactas.
Es decir, el economista postula que la cantidad demandada de un bien es una función decreciente
del precio del mismo. Por tanto si se denomina a Y por la cantidad demandada, y X por el precio,
podemos postular una relación como:
Donde g(x) es una función en sentido matemático, es decir, a cada valor del precio le
corresponderá un valor de la cantidad demandada. A partir de este planteamiento, al economista le
preocupa responder ¿cuál será la forma que adopta g(x)?, ¿será g(X) creciente o decreciente con X?
Sin embargo, cuando pasamos a las relaciones empíricas observamos que en el mundo real las
variables Y y X adoptan unos valores concretos, y será dicha combinación de pares de valores la que
determine la forma de g(x).
Los modelos económicos se caracterizan por construcciones teóricas para reflejar sistemas y
procesos económicos. Generalmente ello se hace definiendo un conjunto de variables y un conjunto
de relaciones definidas entre los entes representados por las variables. Algunas de ellas pueden tomar
valores constantes específicos según la característica del modelo, se convierten realmente en
parámetros en muchos casos, dependiendo de lo que se intente al efectuar la modelación.
5.2. ECONOMETRÍA
La econometría es una ciencia que surge por la necesidad de cuantificar los modelos económicos
para tratar de contrastar si las diversas teorías económicas se cumplen cuando se ven enfrentadas a
los datos, la importancia de los mismos; debe señalarse que, la necesidad de contrastar si las teorías
económicas se adecuan a los datos observados o la convivencia de desarrollar modelos ajustados a la
realidad si los más simples son rechazados por los datos a los que se enfrentan, hace que se requieran
bien nuevas teorías u otro tipo de información para el contraste de algunos modelos que no son
susceptibles de ser contrastados con los datos disponibles.
Es importante señalar que la econometría nos proporciona una metodología para alcanzar un fin.
Su uso adecuado proporciona una poderosa herramienta para el análisis de fenómenos económicos
en diversas áreas.
Modelo econométrico es un modelo económico que contiene las especificaciones necesarias para
su aplicación empírica, viene expresado así:
Y g(X) u
Estos elementos aleatorios, en ocasiones llamados errores, recogen la diferencia entre el valor
observado de Y y el valor que mediante g(X) la recta de regresión asignamos, y pueden deberse a
errores de medición en la variable o a imperfecciones en la especificación de g(X), entre otros.
Identificar las variables que fundamentalmente influyen sobre el aspecto que se desea
estudiar.
Formular una relación o forma funcional concreta entre el conjunto de variables (aquella que
se desea explicar y las consideradas como influyentes en ella).
Introducir un término denominado “perturbación aleatoria” lo que permite razonar en
términos probabilísticos y no exactos.
Variable, son los factores o entes elementales que actúan en un fenómeno desde el punto de vista
cuantitativo.
Variables dependientes
Variables independientes
Ahora bien, a la hora de analizar la realidad económica no resulta fácil realizar la distinción
enunciada ya que son frecuentes las interrelaciones entre las variables económicas y se hace
necesario, por tanto, acudir a otro tipo de clasificación.
Variables endógenas, aquellas que vienen explicadas por el funcionamiento del modelo.
Variables exógenas, son aquellas cuyos valores inciden sobre el modelo desde el exterior; es decir,
son determinadas fuera del modelo pero influyen en el comportamiento de las endógenas.
Por otra parte, las variables que aparecen en un modelo se pueden referir al mismo periodo (o al
mismo instante temporal) o a periodos distintos. Más concretamente, las variables de un modelo
pueden referirse exclusivamente a un periodo t, o a los periodo t-2, t-1,t,..., .En este último caso
decimos que el modelo contiene variables retardadas en el tiempo.
5.3.2. UTILIDADES DE LOS MODELOS ECONOMÉTRICOS
Análisis estructural, cuantificación de las relaciones que entre el periodo analizado ha existido
entre las variables implicadas, a través del conocimiento del signo y valor de los parámetros
estimados. Es decir, sirve para conocer como inciden en las endógenas variaciones de las variables
exógenas.
Predicción, Dados valores a futuro para las variables exógenas, y conociendo la expresión
matemática que relaciona las variables exógenas y endógena, es posible predecir los valores que
tomará a futuro la variable objeto de estudio.
Simulación o evaluación de políticas, Efectos que tienen sobre la endógena diferentes estrategias
que se planteen de las variables exógenas. Por ejemplo si analizamos las ventas de una empresa en
función de los precios del producto y del nivel de gasto realizado en publicidad, podríamos estar
interesados en analizar cuánto incrementarían las unidades vendidas si se mantienen los precios fijos
y se incrementa el gasto en publicidad en un porcentaje determinado.
La Econometría trata de realizar inferencias sobre datos que no son susceptibles de repetición, en
unos casos para explicar relaciones causales y en otros para tratar de realizar predicciones para las
variables de interés. Aunque existen diversas escuelas de pensamiento sobre metodología
econométrica, a continuación se presenta la metodología clásica, que predomina en la investigación
empírica en economía y en los campos relacionados.
Especificación, esta etapa comprende tanto la determinación del tema objeto de análisis como la
definición de las variables explicativas que se incluirán en el modelo.
Estimación, consiste en el cálculo del valor de los parámetros Para realizar esta fase es necesario
previamente haber realizado una búsqueda y depuración de datos. Es necesaria la obtención de datos
suficientes, homogéneos y actualizados.
Datos de series de tiempo, los datos pueden corresponder a los valores de una variable en el tiempo.
Estos pueden tener frecuencia por ejemplo: diaria, semanal, mensual o anual, etc.
Datos de corte transversa, los valores corresponden a distintos sujetos para un mismo momento
del tiempo. Por ejemplo de series del tipo de consumo de diferentes familias, inversión de distintas
empresas, paro en diferentes provincias, etc.
5.4. PRONÓSTICOS
Pronóstico es un método mediante el cual se intenta conocer el comportamiento futuro de
alguna variable con algún grado de certeza. Los pronósticos son una de las herramientas
fundamentales para la toma de decisiones dentro de las organizaciones tanto productivas como
sin fines de lucro.
La metodología que produzca los pronósticos más precisos en un caso, quizás no sea la mejor
en otra situación. Sin embargo el(los) método(s) elegido(s) debe(n) producir un pronóstico
adecuado, oportuno y entendible para los administradores de tal forma que puedan ayudar a tomar
mejores decisiones.
El reconocimiento de que las técnicas de pronósticos operan con los datos generados por
sucesos históricos lleva a la identificación de los siguientes cinco pasos en el proceso de
pronóstico:
2. Depuración de datos
Por lo general, se requiere cierto esfuerzo para obtener los datos de la forma requerida con el
propósito de utilizar determinados procedimientos de pronósticos.
El paso 3, construcción y evaluación del modelo, implica adecuar los datos recolectados en un
modelo de pronósticos que sea adecuado en términos de minimización del error de pronóstico.
El paso 4, aplicación del modelo, consiste en los pronósticos reales del modelo que se generan
una vez que se han recolectado y quizás reducido a sólo los datos adecuados, tan pronto se ha
elegido un modelo de pronósticos.
El paso 5, evaluación del pronóstico, implica comparar los valores del pronóstico con los
valores históricos reales. En este proceso, algunos de los más recientes valores de datos se
retienen del grupo de datos que se analiza.
Los pronósticos de largo plazo son necesarios para establecer el curso general de una organización
y son el enfoque exclusivo de la alta dirección. Los pronósticos de corto plazo se usan para diseñar
estrategias inmediatas, y los mandos medios y las gerencias de primera línea lo usan para cubrir las
necesidades del futuro inmediato.
5.5.1. TENDENCIA.
Un modelo que trata a los valores de la series de tiempo como la suma de sus componentes.
Funciona mejor cuando la serie de tiempo que se analiza tiene aproximadamente la misma
variabilidad a lo largo de la serie.
Donde:
Un modelo que trata a los valores de la serie de tiempo como el producto de sus componentes.
Este modelo funciona mejor cuando la variabilidad de la serie de tiempo se incremente al aumentar
el nivel.
Donde:
Existen variantes de los modelos antes mencionados que contienen términos aditivos como
multiplicativos.
Nota.- pueden existir otros modelos
Donde,
El análisis de la regresión simple tiene por objeto estimar la relación funcional entre dos variables.
En este tipo de análisis se supone que una de las variables (Y) viene explicada por otra (X), de tal
forma que se puede decir que la variable (Y) es una variable dependiente o endógena y que la variable
X es la variable independiente o exógena.
Y 0 1X
Existen diversos métodos para estimar los parámetros del modelo, muchos de los cuales se basan
en los residuos o errores, que se definen a continuación:
i=1,2,...,n
Dónde:
ui = Residuales
Yi = valor observado de Y
Se utiliza para calcular la ecuación de una línea recta que minimiza la suma de las distancias al
cuadrado entre los puntos de datos X-Y y la línea, medida en la dirección del eje vertical (Y). El
método de mínimos cuadrados elige los valores para el intercepto 0 y la pendiente 1 con el eje Y, a
fin de minimizar la suma de los cuadrados del error –distancias- entre los valores Y y la recta:
Dónde:
SSE= suma de los cuadrados del error (por sus siglas en inglés sum of squared errors)
b1=intercepto estimado
b2=pendiente estimada
Insesgadez: el valor más probable del estimador coincide con el verdadero valor del parámetro.
Eficiencia: la desviación entre el verdadero valor del parámetro estimado y el valor del estimador
será la menor posible.
Consistencia: la diferencia entre el valor estimado del parámetro y el real se anula para una muestra
infinita
En modelos de la teoría económica, suele haber algunas variables que afecten a la variable de
interés. Es decir, existen diferencias múltiples sobre la variable de interés. El modelo de regresión
simple no es capaz de captar todo este tipo de relaciones.
En ocasiones, las relaciones entre dos variables permiten predecir con precisión la variable
endógena mediante el conocimiento de la exógena. Desafortunadamente, muchas situaciones de
predicción no son tan simples en la práctica. Es habitual que se necesite más de una variable exógena
para predecir con precisión la variable endógena.
Los modelos de regresión con más de una variable exógena se llaman modelos de regresión
múltiple.
Donde:
Y es la variable endógena
, es el componente del error que representa las desviaciones de la respuesta respecto a la relación
verdadera.
Son variables aleatorias no observables que explican los efectos de otros factores en la respuesta.
Se suponen que los errores son independientes y que cada uno se distribuye normalmente, ε~ N0,.
La multicolinealidad hace referencia a la relación lineal entre las variables exógenas. Sus efectos
sobre la estimación son inciertos dependiendo del grado de colinealidad de las variables exógenas y
de la importancia que estas tengan sobre la variable endógena. La presencia de multicolinealidad no
constituye un problema, el problema es el grado con que las variables están correlacionadas, y por
ende dificulta la interpretación de una variable exógena individual en la respuesta (endógena).
Para detectar la multicolinealidad no hacemos pruebas, lo que tenemos son unos indicadores sobre
la existencia de multicolinealidad. Algunos de estos indicadores son:
Donde:
Rj Coeficiente de determinación
Un VIF que se acerque a 1 indica que la multicolinealidad no es un problema.
Un VIF mucho mayor que 1 indica que el coeficiente estimado sujeto a la variable exógena
es inestable.
Un VIF grande indica que existe información redundante entre las variables exógenas.
1. Eliminar variables
En algunas ocasiones podemos estar interesados en unos parámetros más que en otros y, si existe
un elevado grado de multicolinealidad entre las variables que forman parte de la regresión, podemos
tratar de excluir una de ellas y estimar los parámetros correspondientes al resto. Sin embargo, puede
generar un error de especificación del modelo. No se debe eliminar una variable de un modelo
econométrico viable, sólo porque el problema de multicolinealidad sea grave.
Esta es una solución que a menudo se suele sugerir pero que, en numerosas ocasiones, no es
factible (porque para la estimación del modelo seguramente se habrá considerado todas las
observaciones disponibles para las variables) y que en otras no conduce a una eliminación o reducción
del problema, porque lo relevante no es el número de observaciones, sino el contenido informativo
de las mismas, si al añadir nuevas observaciones, en las mismas se sigue cumpliendo el patrón de
multicolinealidad.
5.8.2. HETEROSCEDASTICIDAD
5.8.3. AUTOCORRELACIÓN
Para explicar intuitivamente el uso del estadístico d conviene recordar que para muestras grandes,
la ecuación presentada equivale a:
Donde:
Si =0, es decir, si no existe autocorrelación entre los residuos, el estadístico d toma valores
en torno a 2.
Si =1, es decir si existe autocorrelación positiva perfecta, el estadístico toma valores
cercanos a 0.
Si =-1, lo que indica la existencia de autocorrelación negativa perfecta, el estadístico estará
próximo a d=4.
Por lo tanto, una regla práctica para contrastar, de forma aproximada, si existe autocorrelación
entre los residuos, consiste en calcular la muestra con la que estamos trabajando el estimado del
estadístico d y comprobar si está cercano a 2. Cuando el estadístico Durbin Watson es
significativamente distinto de 2 se concluirá que existe autocorrelación.
Para evitar las consecuencias de la autocorrelación caben distintas posibilidades, según el motivo
que lo genera. Una fuente muy habitual de generación a este problema se debe a una correcta
especificación del modelo. Tratando de evitarlo, el paso previo consiste en incluir en la especificación
determinadas variables y/o revisar la forma funcional del modelo.
El hilo que es producto de las hilanderías; es el conjunto de fibras o filamentos, naturales o hechos
por el hombre, que han sido agrupados juntos o torcidos para poder ser utilizados en los tejidos
planos, tejidos de punto, en otros métodos de fabricación de géneros textiles, y en la industria de
la confección. Esta hebra o material fibroso, largo y delgado, es formado mediante las diversas
operaciones de hilatura.
Las operaciones fundamentales que tienen lugar comienzan con la preparación de la Materia
prima, los procesos a los que se les somete la fibra son los siguientes.
a. GARNETEADO
Todo el material que viene como desperdicio (Hilaza, retazos de tela, etc floca sucia) es agrupado
de acuerdo al color y llenado a una máquina GANETT compuesta de tres puertos que contienen
púas de acero permitiendo así el rasgado de la fibra, regenerándola en tres etapas. Aquí se va
eliminando las pajas y la fibras cortas por la parte de debajo de cada tambor.
b. MECHERA
El material garneteado o floca sucia es llevado a una Carda Mechera pequeña donde se procesa
mechas, en la cual se paraleliza las fibras, las limpia aún más eliminando pajas y objetos ajenos
a la fibra, a su vez formando un velo regular mediante la acción de las guarniciones o rodillos
con púas que giran junto a la misma, a la vez que se homogeniza el color.
El velo finalmente es reunido en una mecha cortada a manera de trozos denominándose a este
producto sliver cortado. Esta última operación es opcional dependiendo del tipo de hilado a
fabricar.
c. SALA DE MEZCLADO
La materia prima (sliver y/o mezclas de fibra) es aspirada por un sistema neumático hacia un
circuito de procesos mecánicos en lobo cardas y batidoras en donde se limpia impurezas, para
finalmente ingresar a la cámara rotativa donde se agrega el ensimaje (mezcla de agua y aceite
lubricantes, antiestáticos, cohesionantes, etc ) que permitirán la adherencia y deslizamiento
optimo en los procesos de fricción. Posteriormente la mezcla es deposita en celdas donde
reposaran antes de ingresar a las cardas.
d. CARDADO
La mezcla obtenida es llevada a las Cardas, las cuales abren desensortijan la fibra, eliminan
impurezas, paralelizan las fibras, el velo que forman al final es más regular y homogéneo. La
mecha obtenida debe tener un título o peso por metro lineal determinado, por lo tanto mientras se
van produciendo, se deben controlar en la balanza respectiva.
Por cada carda hay una "continua de hilar" que son unas máquinas semi-automatizadas donde se
obtienen bobinas de 300 g cada una. Estos conos son especiales ya que tienen que soportar altas
temperaturas. En esta máquina se le da torsión y tensión al hilado y entrega el hilo envuelto en
bobinas de plástico.
e. HILATURA
Con la finalidad de dar mayor resistencia a las mechillas, el proceso de hilado se realiza en las
maquinas Continuas las cuales someten a un último estiraje y torsión mediante la diferencia de
velocidades de alimentación de los rodillos que la aprisionan, obteniendo el hilo que es enrollado
en canillas o bobinas. En este punto hay un control del titulo y regularidad del hilado.
f. VAPORIZADO
Después del hilado en la continua, las bobinas son sometidas a una vaporización en una cámara
que está a una presión y temperatura determinadas, con el fin de eliminar las tensiones de reacción
a la torsión que sufre el hilo y que se manifiesta con el ensortijamiento del mismo observada al
salir de las continuas.
g. ENCONADO
En este proceso se lleva a cabo una purificación del hilo mediante la eliminación de impurezas
como son: hilos gruesos, cortos, sucios rotos.
El hilo de las bobinas es pasado a los conos mediante la operación del enconado en la máquina
denominada enconadura, la cual mediante un eje que gira a alta velocidad, hace girar varias
cabezas de conos, los cuales van enrollando el hilo de las bobinas.
Esta máquina es la encargada de pasar el hilo de los conos especiales a los conos de plástico y de
cartón.
h. RETORCIDO
El retorcido consiste en trenzar las hebras del hilado, produciéndose la torsión a dos o más hilos
entre si y se lleva a cabo en la maquina denominada retorcedura, la cual realiza esta operación
haciendo girar diferentes velocidades los cilindros que alimentan al hilado para el retorcido en
un determinado sentido y que lleva al final al hilado enrolladlo en bobinas o carrets.
i. RETORCIDO FANTASIA
El principio de este proceso es similar al retorcido, sin embargo la alimentación de varios hilos,
produce en un primer paso el efecto fantasía (bucle, botone, frise) y en un segundo pasaje el
amarre para evitar perdida del efecto generado. Este hilado fantasía, pasa a ser vaporizados y
enconados. Hay 1500 tipos de hilados fantasía.
Todo lo que ha sido producido en esta planta puede irse al almacén de productos terminados, o
puede pasar a ser materia prima para el proceso de telar o confección.
Observación directa
Es cuando se toma directamente los datos sin necesidad de realizar algún medio para obtener
información.
8.1.1. ANÁLISIS EXPLORATORIO DE DATOS (AED)
El Análisis Exploratorio de Datos (AED) es un conjunto de técnicas estadísticas cuya finalidad es
conseguir un entendimiento básico de los datos y de las relaciones existentes entre las variables
analizadas. Para conseguir este objetivo el A.E.D. proporciona métodos sistemáticos sencillos para
organizar y preparar los datos, detectar fallos en el diseño y recogida de los mismos, tratamiento y
evaluación de datos ausentes (missing), identificación de casos atípicos (outliers) y comprobación de
los supuestos subyacentes en la mayor parte de las técnicas multivariantes (normalidad, linealidad,
homocedasticidad).
Donde
X media de la muestra
n tamaño de la muestra
Desviación estándar: Ayudará a medir la dispersión de los n datos con respecto a cada una
de las variables en estudio.
Coeficientes de Kurtosis: Es una medida que dice qué tan puntiaguda es la distribución de
probabilidad.
Luego de haber formado la base de datos y aplicado las técnicas de depuración se puede escoger
ya un modelo general con todas las variables existentes e influyentes a la producción de hilo aplicando
las técnicas de exploración de patrones de datos de series de tiempo, métodos de modelación y
pronósticos:
Una serie de tiempo consta de datos que reúnen, registran u observan sobre incrementos sucesivos
de tiempo. Se requiere un enfoque sistemático para analizarlas. A continuación se presenta en la
tabla1 una breve descripción sobre los patrones de series de tiempo
Aunque la especificación de un modelo es una labor eminentemente teórica, las reglas prácticas
se justifican porque facilitan la selección de variables. Se tiene en cuenta que, si bien la inclusión de
una variable determinada debe siempre tener un claro soporte técnico. Los procedimientos para
seleccionar las variables dependientes que deben entrar en el modelo son los siguientes:
Una vez que disponemos de variables, algunas de las cuales pueden estar medidas de
diversas formas, se calculará la matriz de correlación para obtener una visión global de
las interrelaciones existentes entre las mismas. La matriz de correlación nos indicará
las variables que están más correlacionadas con la variable dependiente, además la
posible existencia de multicolinealidad entre las variables explicativas.
Las variables elegidas deben ser coherentes con la teoría económica que oriente la
formulación del modelo.
Los signos de los coeficientes deben responder al conocimiento teórico a priori.
El estadístico F y los estadísticos t deben rechazar las hipótesis nulas que cada test
contrasta.
El comportamiento de los residuos debe ser aleatorio para evaluar el modelo.
1. Establecimiento de hipótesis.
Generalmente se toman valores del orden 0.01, 0.05 ó 0.10 ó entre 0.01 y 0.10
5. Decisión estadística
Para tomar una decisión, se compara el valor de la estadística calculada con el valor crítico, o se
observa si este valor, cae en la región de aceptación o rechazo y luego dependiendo de esta
comparación se acepta o se rechaza la hipótesis nula Ho.
Y = β1 + β2 MP + β3 MPP + β4 CI + β5 CMP + β6 MO + β7 PP + ε
VARIABLE DESCRIPCIÓN
Materia Prima
Indica la materia prima que se utiliza para la producción de hilos
expresado en Libras.
(MP)
Costo de Insumos
Indica el costo de los insumos para la producción de hilos en
Dólares .
(CI)
Mano de Obra
Representa el costo realizado en la mano de obra del personal en
la empresa medida en Dólares
(MO)
Piola Plástica
Representa la cantidad de piolas plásticas medidas en libras
(PP)
Producción
2241
3246
3675
4160
4272
4492
4955
5023
Y
5045
5070
5119
5143
5241
5253
5303
5318
5392
5404
5465
5605
5967
5980
6091
6098
6352
6501
6524
6530
6687
6892
7076
7457
8005
8023
9101
9753
Estadísticas de la regresión
Observaciones 36
Coeficiente Valor
𝛃𝟏 -1011,89301
𝛃𝟐 0,37294254
𝛃𝟑 -0,14141789
𝛃𝟒 0,09978759
𝛃𝟓 0,46687005
𝛃𝟔 0,04682122
𝛃𝟕 0,03671559
Donde:
Y: producción.
MP: materia prima.
MPP: materia prima perdida.
CI: costo de insumos.
CMP: costo de materia prima.
MO: mano de obra.
PP: piola plástica.
Bondad de ajuste
Estadísticas de la regresión
Observaciones 36
Error
Coeficientes Estadístico t
típico(𝝈)
i. Planteamiento de la hipótesis
H0 : 𝛽𝑖 = 0
Ha : 𝛽𝑖 ≠ 0
𝛽𝑖 −1011.89301
𝑡𝑐 = = = −1.8429
𝜎 549.0528
Para 𝛃𝟐 :
𝛽𝑖 0.3729
𝑡𝑐 = = = 4.0621
𝜎 0.0918
Para 𝛃𝟑 :
𝛽𝑖 −0.1414
𝑡𝑐 = = = −0.7024
𝜎 0.2013
Para 𝛃𝟒 :
𝛽𝑖 0.09978
𝑡𝑐 = = = 0.2113
𝜎 0.4723
Para 𝛃𝟓 :
𝛽𝑖 0.4668
𝑡𝑐 = = = 2.3786
𝜎 0.1963
Para 𝛃𝟔 :
𝛽𝑖 0.0468
𝑡𝑐 = = = 0.2054
𝜎 0.2278
Para 𝛃𝟕 :
𝛽𝑖 0.0367
𝑡𝑐 = = = 0.5725
𝜎 0.0641
Se acepta para:𝛃𝟏 , 𝛃𝟑 , 𝛃𝟒 , 𝛃𝟔 , 𝛃𝟕
De rechaza para: 𝛃𝟐 , 𝛃𝟓
iv. Conclusiones
Total 35 80084259
i. Planteamiento de la hipótesis
H0 : 𝛽1 = 𝛽2 = 𝛽3 = 𝛽4 = 𝛽5 = 𝛽6 = 𝛽7 = 0
Ha : 𝛽1 ≠ 𝛽2 ≠ 𝛽3 ≠ 𝛽4 ≠ 𝛽5 ≠ 𝛽6 ≠ 𝛽7 ≠ 0
iv. Conclusiones
A un nivel de significancia de 0.05se rechaza la hipótesis inicial por lo tanto, son
globalmente significativos.
Conclusiones
MULTICOLINEALIDAD
TEST DE THEIL
Esta medida refleja la diferencia entre la variabilidad explicada por el modelo
completo y la suma de cada una de las aportaciones de los regresores del modelo.
Regresiones Auxiliares:
Sin “MP”:
Estadísticas de la regresión
Sin “MPP”:
Estadísticas de la regresión
Observaciones 36
Sin “CI”:
Estadísticas de la regresión
Coeficiente de correlación múltiple 0,99177704
Observaciones 36
Sin “CMP”:
Estadísticas de la regresión
Observaciones 36
Sin “MO”:
Estadísticas de la regresión
Observaciones 36
Sin “PP”:
Estadísticas de la regresión
Observaciones 36
REGRESIONES AUXILIARES
m = R − ∑(R2 − R2J )
2
J=2
MP MPP CI CMP MO PP
MP 1
MPP 0,97399715 1
CI 0,96000556 0,98319267 1
FARRAR GLAUBER
i. Planteamiento de hipótesis
H0 : |Rx| = 1
Ha : |Rx| ≠ 1
2k + 5
FGc = − (n − 1 − ) ∗ ln(|Rx|)
6
2∗7+5
FGc = − (36 − 1 − ) ∗ ln(0,000000997)
6
FGc = 439,8894
iii. Estadístico de tablas
Gráfica de distribución
2 2 Chi-cuadrada; df=28
X 7∗(7+1) = X 28,0.05 = 41,3371
,0.05 0,06
2
Densidad
0,03
REGRESIONES AUXILIARES
0,02
Ctte. MP MPP CI CMP MO PP R2
MP 4922,9517 - 0,01
1,1372 -1,5564 1,5721 0,9194 -0,4745 0,975669
0,05
MPP -1756,1531 0,2365 - 0,00
1,7837 -0,2846 0,3684 0,1738 0,986029
41,34
X
v. Conclusión
1
FAV(β3) = = 71,5768377
1 − 0,986029
1
FAV(β4) = = 36,5363537
1 − 0,972630
1
FAV(β5) = = 42,5767446
1 − 0,976513
1
FAV(β6) = = 8,50506477
1 − 0,882423
1
FAV(β7) = = 11,1109877
1 − 0,909999
HETEROCEDASTICIDAD
Contraste gráfico:
Y Yest e e2
GRÁFICO e Vs YEST:
600
e
400
200
0
0 5 10 15 20 25 30 35 40
-200
-400
-600
-800 Yest
GRÁFICO e2 Vs YEST:
350000
e2
300000
250000
200000
150000
100000
50000
0
0 5 10 15 20 25 30 35 40
Yest
Se observa que la dispersión sigue un comportamiento sistemático por lo que se tiene problemas
de heterocedasticidad.
PRUEBA DE WHITE
Estadísticas de la regresión
Observaciones 36,000000
i. Prueba de hipótesis
H0 : E(u2i ) = σ2u
Ha : E(u2i ) = σ2i
Donde:
2
x6,0.05 = 12.5916
iv. Contraste:
2
Como Uc<x6,0.05 se acepta la Hipótesis nula
v. Conclusión:
A un nivel de confianza del 95%, se Acepta la Ho, por lo que no se tienen problemas de
heterocedasticidad.
̌
et = Y − Y
Donde:
Y ̌
𝐘 𝐞𝐭 𝐞𝐭 𝟐 𝐞𝐭−𝟏 𝐞𝐭 − 𝐞𝐭−𝟏 (𝐞𝐭 − 𝐞𝐭−𝟏 )𝟐
Método grafico
Graficando
et vs et−1
et vs et-1
600
400
200
0
-800 -600 -400 -200 0 200 400 600
-200
-400
-600
-800
Como no existe una región definida de los valores, esto nos indica que no existe auto-correlación.
Contraste Durbin-Watson
∑et 2 = 1309635,73
i. Planteamiento de hipótesis
H0 : ρ = 0 No existe autocorrelacion
Ha : ρ ≠ 0 Existe autocorrelacion
DW = 1.572
Donde:
n=36
α=0.05
dL = 1.114
dU = 1.877
iv. Contraste
dL < d < dU
El test no es decisivo
v. Conclusiones
REGRESIONES AUXILIARES
R2GLOBAL = 0,980597
16. CONCLUSIONES
i. Bondad de ajuste
El valor de R2 es muy elevado tiende a 1, indica presencia de multicolinealidad.
ii. Pruebas de significación individual y global
Existen pocas razones t significativa, por lo que individualmente no son
significativas.
El modelo es globalmente significativo.
iii. Multicolinealidad
TEST DE THEIL. - La teoría indica que si nuestro m=>1 se considera no optimo,
ya que el nuestro nos dio 0,586, podemos considerarlo un valor no óptimo y que es
posible que exista multicolinealidad.
FARRA GLAUBER. - Basados en los resultados, nuestros cálculos caen en la
región de rechazo, por lo tanto, se concluye que existe multicolinealidad, aceptando
la hipótesis nula.
FACTOR DE AGRANDAMIENTO DE LA VARIANZA. - Ya que nuestros FAV
es mayor a 10, se concluye que existe multicolinealidad.
iv. Heterocedasticidad
Contraste gráfico. - La dispersión de la gráfica ei vs Yi nos muestra un
comportamiento sistemático por lo que la existencia de heterocedasticidad es muy
probable.
Prueba de White. – Analizando los resultados previos, se concluye que no existe
heterocedasticidad.
v. Autocorrelacion
Método grafico.-al graficar las variables e, et, no presentaba una función de
autocorrelacion.
Prueba de Durbi-Watson.- el valor d (1.572) está entre los valores de dl(1.114) y
du(1.877) por lo que no podemos tomar en cuenta este contraste. Concluimos en
que no existe auto-correlación.
17. RECOMENDACIONES
18. BIBLIOGRAFIA
ALLEN, L., Estadística Aplicada de los Negocios y la Economía., 2da ed., Madrid-España.,
McGraw-Hill., 2000., Pp. 30-74.
CANAVOS, G., Análisis de Regresión., 4ta ed., México- D.F. México., McGraw-Hill.,
1999., Pp. 25-43.
CONGACHA J., ESTADÌSTICA APLICADA A LA EDUCACIÒN., 1era., Madrid-
España., LAP LAMBERT., 2012., Pp.30-79.
DAMODAR N, GUJARATI, DAWN C., Econometría. 5ta ed., Madrid-España., McGraw-
Hill., 2010., Pp. 20-98.
GLYN G., Matemática Avanzada para Ingeniería., 2da ed., México-D.F. México., Pearson
Educación., 2002., Pp. 43-51.
JOHN E. HANKE., Pronósticos en los Negocios., 9na ed., México-D.F. México., Pearson
Educación., 2008., Pp. 20-307.
MONTGOMERY, Douglas C, RUNGER G., Probabilidad y Estadística Aplicada a la
Ingeniería., 2ª ed., Madrid-España., McGraw-Hill., 2003., Pp. 90-100.
PINDYCK, R., Econometría, 8. -PINDYCK, R., Econometría, Modelos y Pronósticos., 4ta
ed., México-D.F. México., McGraw-Hill., 2001., Pp.103-204.
PULIDO A. PERZ.J., Modelos Econométricos con Eviews., 5ta ed., México- DF. México.,
Pearson Educación., 2005.
WEBSTER L., Estadística Aplicada a los Negocios y la Economía., 3ra ed., Bogotá-
Colombia., Camargo., 2002., Pp.33-41 BIBLIOGRAFÌA DE INTERNET
ESTADÍSTICOS DESCRIPTIVOS
http://www.fca.unam.mx/docs/apuntes_matematicas/34.%20Estadistica20%Descriptiva.pdf
2012/05/15
ANÁLISIS EXPLORATORIOS DE DATOS
http://www.fisterra.com/mbe/investiga/10descriptiva/10descriptiva.asp 2012/08/05.
ANÁLISIS ESTADÍSTICO UNIDIMENSIONAL
http://www.tuveras.com/estadistica/estadistica02.htm 2012/08/13.
SERIES DE TIEMPO http://www.dii.uchile.cl/~ris/RISXXIII/Buschiazo89.pdfseries
detiempo 2012/09/05.
MODELOS ECONOMÉTRICOS
http://www.econometricos.com.ar/wpcontent/uploads/2007/12/Espaciode-Estado-2004.pdf
2012/10/12.
MODELOS ECONÓMICOS
http://www.secmca.org/INVESTIGACIONES_ECONOMICAS/InvestigacionesSECMCA/
ModeloEconometricoCrecimientoEconomicoInflacionCAR D.pdf 11/10/2012.
COMPONENTES DE UN MODELO ECONOMÉTRICO
http://www.fca.uach.mx/Documentos/Guias/modeloseconometricos.pdf 2012/10/13.
PRODUCCIÓN DE HILO http://www.redtextilargentina.com.ar/index.php/hilos/h-
produccion 2013/01/20.
OPTIMIZACIÓN DE RECURSOS
http://www.itecam.edu.mx/principal/sylabus/fpdb/recursos/r5300.PDF 2013/02/23.
ORGANIZACIÓN SALINAS
http://www.agriculturesnetwork.org/magazines/latin-america/mas-que-eldinero/la-
experiencia-de-desarrollo-de-salinas-de 2013/02/26.