ZZ

UNIVERSIDAD MAYOR DE SAN ANDRÉS

FACULTAD DE INGENIERÍA

CARRERA DE INGENIERÍA INDUSTRIAL

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

La presente investigación de grado, titulado “MODELO ECONOMÉTRICO PARA LA

PRODUCCIÓN Y EL PRONÓSTICO EN LA EMPRESA DE HILANDERÍA DE LA
PARROQUIA SALINAS EN EL CANTON GUARANDA DE LA PROVINCIA BOLÍVAR”
realizado en la H.T.S. (Hilandería Intercomunal Salinas) gracias al interés de la FUNORSAL
(Fundación de Organizaciones Campesinas de Salinas) organización al cual pertenece la empresa,
dedicada a la producción de hilo, derivado de la lana de oveja, llama y alpaca.

La investigación se realizó con los propósitos de plantear estrategias de planificación en la

producción de hilo y buscar el mejoramiento de la empresa, ya que sus utilidades van dirigidas a la
ayuda social y el desarrollo de la localidad. Con el fin de, elaborar un modelo econométrico para el
pronóstico de la producción de hilo por el periodo de un año, realizar un AED de las variables y
determinar la significancia del modelo propuesto.

Para el desarrollo de los objetivos propuestos se ha realizado un análisis de series temporales, ya

que los datos son registrados mensualmente, además se ha aplicado el análisis de regresión múltiple
para realizar un análisis estructural.

2. ANTECEDENTES

El desarrollo de una empresa, requiere de una eficiente planificación constante en base a

indicadores estadísticos que permita alcanzar los objetivos planteados en forma eficaz y con un
correcto empleo de recursos asignados.

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.

3. OBJETIVO GENERAL DEL ESTUDIO

 Elaborar un modelo econométrico para la producción y pronósticos de la empresa de

Hilandería.

4. OBJETIVOS ESPECIFICOS

 Identificar que variable independiente no afecta a la producción.

 Calcular e identificar si existe o no multicolinealidad.
 Calcular y determinar si existe o no heterocedasticidad.
 Calcular e identificar si existe o no autocorrelacion.

5. MARCO TEORICO

5.1. MODELOS ECONÓMICOS

Un modelo es una representación simplificada de la realidad que recoge los aspectos

fundamentales de la misma que tienen interés para los objetivos del investigador o analista. Los
modelos económicos plantean normalmente la relación entre variables económicas. Así la relación
entre el precio y la cantidad demandada de un bien, la dependencia entre la tasa de inflación y el
nivel de desempleo o los salarios, son ejemplos de la relación entre variables que los modelos
económicos están interesados.

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.

5.3. MODELOS ECONOMÉTRICOS

Modelo econométrico es un modelo económico que contiene las especificaciones necesarias para
su aplicación empírica, viene expresado así:

Y  g(X) u

Donde u es la parte aleatoria no explicada por X.

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.

El conjunto de especificaciones que requiere un modelo econométrico son:

 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.

5.3.1. COMPONENTES DE UN MODELO ECONOMÉTRICO: VARIABLES, PARÁMETROS

Y RELACIONES.

Variable, son los factores o entes elementales que actúan en un fenómeno desde el punto de vista
cuantitativo.

En las matemáticas, las variables se dividen en:

 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.

Consecuentemente, en econometría se distingue entre:

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

El modelo econométrico tiene tres utilidades principales:

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.

5.3.3. METODOLOGÍA DE LA ECONOMETRÍA

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.

En términos generales, la metodología de la econometría tradicional se realiza dentro de los

siguientes lineamientos:

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.

Validación, a través de la interpretación de los resultados analizaremos la bondad del modelo.

5.3.3. TIPOS DE DATOS EN ECONOMETRÍA

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.

Datos de panel, la combinación de datos de series temporales y corte transversal.

5.3.4. CLASIFICACIÓN DE LOS MODELOS ECONOMÉTRICOS.

 Los modelos se pueden clasificar en las siguientes categorías:

 Si solamente estamos interesados en una relación de comportamiento, por ejemplo, examinar

la influencia de la inflación sobre el nivel de desempleo, los modelos serán uni-ecuacionales.
En el caso en que el interés radique en estudiar las relaciones entre varias variables
dependientes en conjunto de variables independientes, los modelos pueden ser multi-
ecuacionales.
 Atendiendo a la forma de las relaciones los modelos pueden clasificarse en: modelos lineales
donde todas las relaciones son lineales, modelos no lineales cuando alguna relación es no
lineal. Esta clasificación tiene interés por cuanto la posibilidad de la aplicación práctica de
un modelo depende esencialmente de la forma de las relaciones.
 Según el momento del tiempo al que están referidas sus variables se pueden clasificar en
estáticos o dinámicos. En el primer caso, todas sus variables están referidas al mismo instante
del tiempo. En el segundo, figurará alguna variable en un instante de tiempo distinto.
 Los modelos cualitativos medidos a través de datos cualitativos también participan en los
modelos econométricos. Dichas variables cualitativas pueden tener un doble rol en el modelo
econométrico bien como variable endógena o como variable exógena.

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.

Entonces el objetivo principal de los pronósticos es reducir la incertidumbre acerca de lo que

puede acontecer en el futuro proporcionando información cercana a la realidad que permita tomar
decisiones sobre los cursos de acción a tomar tanto en el presente como en el futuro.

5.4.1. METODOLOGÍA DE LOS PRONÓSTICOS

La consideración primordial en la elección de un método de pronóstico es que los resultados

deben facilitar el proceso de la toma de decisiones de los administradores de la organización.

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:

1. Formulación del problema y recolección de datos

2. Depuración de datos

3. Construcción y evaluación del modelo

4. Aplicación del modelo

5. Evaluación del pronóstico

 En el paso 1, formulación del problema y recolección de datos se tratan como un paso único,
debido a que están íntimamente relacionados. El problema determina los datos adecuados.

El paso 2, manipulación y depuración de datos, con frecuencia es necesario. En el proceso de

pronóstico es posible tener demasiados o muy pocos datos. Algunos datos pueden ser irrelevantes
al problema. Otros podrían tener valores omitidos que deberían estimarse. Algunos datos podrían
tener que expresarse en unidades diferentes a las originales. Otros quizá deban procesarse
previamente. Otros datos podrían ser adecuados, aunque solamente ciertos periodos históricos.

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.

5.4.2. TIPOS DE PRONÓSTICOS

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.

Los pronósticos en términos de su posición dentro de un continuo micro y macro; es decir, en la

medida que involucren pequeños detalles en comparación con una gran escala. También pueden
clasificarse según sean cuantitativos o cualitativos.

En un extremo, una técnica totalmente cualitativas no requiere manipulación abierta de datos

solamente se utiliza el juicio de quien pronostica. Incluso aquí en realidad, el juicio de esta persona
es resultado de la manipulación mental de datos históricos. En el otro extremo, las técnicas puramente
cuantitativas no necesitan elementos de juicio; son procedimientos mecánicos que producen
resultados cuantitativos. Por supuesto algunos procedimientos cuantitativos requieren una
manipulación más sofisticada de los datos que otros.

5.5. COMPONENTES DE SERIES DE TIEMPO

Una serie de tiempo es un conjunto de observaciones producidas en determinados momentos,

generalmente a intervalos iguales. Se ha revelado que existen ciertos movimientos o variaciones que
pueden medirse y observarse por separado. Estos movimientos, llamados a menudo componentes, de
una serie de tiempo y que se supone son causados por fenómenos distintos son los siguientes:

5.5.1. TENDENCIA.

Es la componente que representa el crecimiento subyacente o la declinación de una serie de tiempo,

como se presenta en la figura. Las fuerzas básicas que producen o afectan la tendencia de una serie
son: cambios en la población, inflación, cambio tecnológico e incremento en la productividad etc. La
tendencia se denota con T.

5.6. MODELOS QUE RELACIONAN LOS VALORES OBSERVADOS DE UNA SERIE DE

TIEMPO CON SUS COMPONENTES

5.6.1. MODELO ADITIVO

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:

Yt  Valores observados de una serie de tiempo t

Tt  Componente de tendencia en el tiempo t

St  Componente estacional en el tiempo t

It  Componente irregular en el tiempo t

5.6.2. MODELO MULTIPLICATIVO

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:

Yt  Valores observados de una serie de tiempo t

Tt  Componente de tendencia en el tiempo

St  Componente estacional en el tiempo t

It  Componente irregular en el tiempo t

5.6.3. MODELO MIXTO

Existen variantes de los modelos antes mencionados que contienen términos aditivos como
multiplicativos.
 Nota.- pueden existir otros modelos

Donde,

Yt  Valores observados de una serie de tiempo t

Tt  Componente de tendencia en el tiempo t

St  Componente estacional en el tiempo t

It  Componente irregular en el tiempo

5.7. ANÁLISIS DE REGRESIÓN LINEAL

5.7.1. REGRESIÓN LINEAL SIMPLE

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.

Viene dada por la ecuación:

Y  0  1X

Donde 0 y 1 representan, el intercepto y la pendiente de la recta de regresión respectivamente.

Las relaciones económicas entre dos variables no obedecen al comportamiento de un modelo
determinístico puesto que numerosos factores, por ejemplo de la conducta de los agentes, no son
observables y obedecen en numerosas ocasiones a comportamientos aleatorios.

5.7.1.1. MÉTODOS DE ESTIMACIÓN DE PARÁMETROS

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

Yiˆ= valor pronosticado en Y

Mínimos cuadrados ordinarios(MCO)

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

PROPIEDADES DEL ESTIMADOR DE MÍNIMOS CUADRADOS ORDINARIOS (MCO)

 Linealidad: la forma funcional que liga al verdadero valor del parámetro

 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

5.7.1.2. LIMITACIONES DEL MODELO DE REGRESIÓN SIMPLE

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.

5.7.2. REGRESIÓN MÚLTIPLE

La mayoría de los conceptos presentados en la regresión lineal simple se mantienen en la regresión

múltiple. Sin embargo, también surgen algunos conceptos nuevos debido a que se usan más de una
variable exógena para predecir la variable endógena.

Donde:

Y es la variable endógena

X1, X2,…, Xk Son las variables exógenas.

 , 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~ N0,.

5.8. EXTENSIONES AL MODELO DE REGRESIÓN MÚLTIPLE

5.8.1. MULTICOLINEALIDAD

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).

5.8.1.1. DETECCIÓN DE MULTICOLINEALIDAD

Para detectar la multicolinealidad no hacemos pruebas, lo que tenemos son unos indicadores sobre
la existencia de multicolinealidad. Algunos de estos indicadores son:

 Elevadas correlaciones entre las variables exógenas nos indica un problema de

multocolinealidad.

 El factor de inflación de la varianza: La fuerza de la multicolinealidad se mide por el factor de

expansión de la varianza (VIF, variance, inflactor, factor, por sus siglas en inglés)

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.

5.8.1.2. SOLUCIONES A LA MULTICOLINEALIDAD

Cuando se presenta multicolinealidad, se acude a diferentes soluciones propuestas, aunque

ninguna de ellas suele resultar plenamente satisfactoria. Las medidas a tomar pueden concretarse en
los puntos siguientes:

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.

2. Aumentar el tamaño muestral

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.

 Si estamos realizando una regresión con datos anuales y se tiene un problema de

multicolinealidad, podemos trimestralizar la serie o exprésalo en datos mensuales.
 Obtención de una nueva muestra o ampliar la muestra obteniendo datos adicionales, puede
reducir la gravedad de la multicolinealidad.

3. Transformación de los datos

La transformación de las variables incluidas en el modelo puede minimizar, incluso resolver, el

problema de la multicolinealidad.

5.8.2. HETEROSCEDASTICIDAD

Existe heteroscedasticidad cuando la varianza de los residuos o perturbaciones no es constante

para diferentes observaciones. En la mayoría de los casos, esta varianza depende o es función de
alguna de las variables exógenas, y dicha función puede ser creciente o decreciente.

5.8.2.1. DETECCIÓN DE HETEROSCEDASTICIDAD

 Cuando se presenta heteroscedasticidad, los estimadores MCO serán insesgados pero no

eficientes, es decir, su varianza no será mínima. Al verse incrementada la varianza de los
residuos, la precisión de los coeficientes de regresión se verá reducida. Asimismo, el
procedimiento de MCO no proporciona estimaciones correctas de los errores estándar de los
coeficientes de regresión, ya que se han calculado bajo el supuesto de que la varianza de las
perturbaciones es constante, cuando en realidad no lo es.
  De la inspección de un gráfico de residuos se puede obtener una idea clara sobre la presencia
de una conducta sistemática de los residuos. Para el caso en que la varianza de los mismos es
función de X, de forma que al aumentar la variable endógena se incrementa también la
varianza de los residuos.
 Las predicciones que se realicen con un modelo en el que exista heteroscedasticidad no serán
eficientes, apareciendo unos intervalos excesivamente amplios, ya que la varianza de la
predicción incluye la varianza del término aleatorio y la de los estimadores de los parámetros,
y estas no son mínimas.

5.8.2.2. SOLUCIÓN A LA HETEROSCEDASTICIDAD

La estimación alternativa al uso de MCO en situaciones de heteroscedasticidad es la utilización de

MCG y, por tanto, esta es una estrategia analíticamente correcta para la solución del problema. No
obstante, esto implica conocer el verdadero valor de la matriz sigma de varianzas y covarianzas,
situación que, en la práctica, no es habitual.

5.8.3. AUTOCORRELACIÓN

La autocorrelación se define, como la existencia de correlación entre perturbaciones aleatorias

correspondientes a períodos distintos:

El problema de la autocorrelación se denomina también frecuentemente de “correlación serial”.

El término de autoccorrelación se asocia fundamentalmente con series temporales. Una de las cosas
de la aparición de correlación serial reside en la propia naturaleza del término de perturbación, que
recoge aquellas variables que se mueven conjuntamente a lo largo del tiempo, pero que de hecho no
son individualmente relevantes para la explicación de la variable dependiente.

Asimismo, la presencia de autocorrelación se puede explicar por razones generales como el

crecimiento y los movimientos cíclicos de la economía. También puede ser motivada por los errores
de especificación del modelo, bien por omisión de alguna variable o por una especificación funcional
incorrecta.

5.8.3.1. DETECCIÓN DE AUTOCORRELACIÓN

El test más empleado para detectar la autocorrelación en un modelo es el estadístico Durbin-

Watson. Este test es una medida de correlación serial entre los residuos. El estadístico Durbin-Watson
se denota mediante la letra d y se expresa como sigue:

Para explicar intuitivamente el uso del estadístico d conviene recordar que para muestras grandes,
la ecuación presentada equivale a:
 Donde:

 es el coeficiente de autocorrelación de los residuos, esto es:

Así pues caben tres posibilidades:

 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.

5.8.3.2. SOLUCIÓN AL PROBLEMA DE LA 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.

 Un método para eliminar la autocorrelacion es agregar a la función de regresión una variable

omitida que explique la asociación en la respuesta de un periodo al siguiente.
 Otro método involucra la noción general de diferenciar.

6. MEMORIA RESUMEN DEL PROCESO PRODUCTIVO

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.

El hilado final obtenido ha sido permanentemente analizado mediante controles de calidad y

luego es empacado para su entrega

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.

7. IDENTIFICACION DE LA POBLACION OBJETIVO

La población objetivo está comprendida por la empresa.

8. METODOLOGIA DE LA RECOLECCION DE LA INFORMACION

8.1. RECOLECCIÓN DE DATOS

FIGURA: RECOLECCIÓN DE DATOS
 FUENTES DE INFORMACIÓN
Son todos aquellos medios de los cuales procede la información para la elaboración del presente
proyecto de tesis, que satisfacen las necesidades de conocimiento de la producción de hilo, que
posteriormente será utilizado para lograr los objetivos esperados.
De acuerdo a su origen se clasifican en:
 Fuentes primarias.
 Fuentes secundarias.
Fuentes primarias
Son aquellas en las que los datos provienen directamente de la población o muestra, en este los
registros de la producción de hilo de la empresa, mientras que las fuentes secundarias son aquellas
que parten de datos pre-elaborados, como la información que se obtiene de FUNORSAL.
Fuentes secundarias
Para ser utilizadas son analizadas bajo 4 preguntas básicas:
 ¿Es pertinente? cuando la información se adapta a los objetivos.
 ¿Es obsoleta? cuando ha perdido actualidad, por eso en esta investigación se toma datos
mensuales desde el año 2008.
 ¿Es Fidedigna? cuando la veracidad de la fuente de origen no es cuestionada, en este caso la
información se obtendrá de los registros mensuales de la producción de hilo de la empresa.
 ¿Es digna de Confianza? si la información ha sido obtenida con la metodología adecuada y
honestidad necesaria, con objetividad, naturaleza continuada y exactitud

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).

8.1.1.1. ETAPAS DEL AED

Para realizar un AED conviene seguir las siguientes etapas:
1) Preparar los datos para hacerlos accesibles a cualquier técnica estadística.
2) Realizar un examen gráfico de la naturaleza de las variables individuales a analizar
y un análisis descriptivo numérico que permita cuantificar algunos aspectos gráficos
de los datos.
3) Realizar un examen gráfico de las relaciones entre las variables analizadas y un
análisis descriptivo numérico que cuantifique el grado de interrelación existente entre
ellas.
4) Evaluar, los supuestos básicos subyacentes a muchas técnicas estadísticas como, por
ejemplo, la normalidad, linealidad y homocedasticidad.
5) Identificar los posibles casos atípicos (outliers).

8.1.1.2. PREPARACIÓN DE LOS DATOS

El primer paso en un AED es hacer accesible los datos a cualquier técnica estadística. Ello conlleva
la selección del método de entrada (por teclado o importados de un archivo) y codificación de los
datos así como la de un paquete estadístico adecuado para procesarlos. La inmensa mayoría de los
paquetes estadísticos permite realizar manipulaciones de los datos previos a un análisis de los mismos.
Algunas operaciones útiles son las siguientes:
 Combinar conjuntos de datos de dos archivos distintos.
 Seleccionar subconjuntos de los datos.
 Dividir el archivo de los datos en varias partes.
 Transformar variables.
 Ordenar casos.
 Agregar nuevos datos y/o variables.
 Eliminar datos y/o variables.
 Guardar datos y/o resultados

8.1.1.3. ANÁLISIS ESTADÍSTICO UNIDIMENSIONAL

Una vez preparados los datos, el segundo paso de un AED consiste en realizar un análisis
estadístico gráfico y numérico de las variables del problema con el fin de tener una idea inicial de la
información contenida en el conjunto de datos, así como detectar la existencia de posibles errores en
la codificación de los mismos. El tipo de análisis a realizar depende de la escala de medida de la
variable analizada.
8.1.2. ESTADÍSTICOS PARA EL ANÁLISIS EXPLORATORIO DE DATOS (AED)
 Media: Nos dará un resumen común al promediar los datos.

Donde
X  media de la muestra

X  suma de los n valores de la muestra

n  tamaño de la muestra

 Varianza muestral: Se define como el cuadrado de las desviaciones estándar de un conjunto

de medidas.

 Desviación estándar: Ayudará a medir la dispersión de los n datos con respecto a cada una
de las variables en estudio.

 Coeficiente de asimetría: Mide la asimetría de los datos respecto a su centro.

 Coeficientes de Kurtosis: Es una medida que dice qué tan puntiaguda es la distribución de
probabilidad.

2.2. MODELACION DE DATOS

FIGURA 4: DIAGRAMA DE FLUJO DE LA ESTRATEGIA DE LA CONSTRUCCIÓN
DEL MODELO
 8.2.1. MODELOS DE PRONÓSTICOS

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:

8.2.2. EXPLORACIÓN DE PATRONES DE DATOS DE SERIES DE TIEMPO

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

8.2.3. SELECCIÓN DE VARIABLES SIGNIFICATIVAS

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.

2.2.4. SELECCIÓN DE UN MODELO SIGNIFICATIVO

2.2.4.1. PRUEBA F
 La prueba F para la significancia del modelo planteado, las hipótesis:

1. Establecimiento de hipótesis.

2. Selección de un nivel de significancia

Generalmente se toman valores del orden 0.01, 0.05 ó 0.10 ó entre 0.01 y 0.10

3. Descripción del tamaño de la muestra y cálculos de estadístico(s)

Se toma en cuenta el tamaño de la muestra y aspectos de las distribuciones muestrales. Son

probadas por la razón F.

4. Especificación de las regiones de aceptación y rechazo

En un nivel de significancia de  la región de rechazo es:

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.

MEDIDAS DE BONDAD DE AJUSTE

 Coeficiente de determinación (R2): Representa la razón de la variación en la variable endógena
por su relación con las exógenas.

Error estándar: Viene expresada en la unidad de medida de la variable endógena.

Error o residuo: El análisis de los residuos puede ser gráficamente o analíticamente.

9. RECOPILACION, SELECCIÓN Y PRESENTACION DE LA INFORMACION

Meses Meses Producción Materia Materia Costo de Costo de Mano Piola

COD prima prima insumos materia de plastica
perdida prima obra

Enero 1 2241 7517 632 231 2084 780 1690

Febrero 2 3246 8502 666 324 2109 780 1703

Marzo 3 3675 9105 731 324 2574 801 1704

Abril 4 4160 9129 958 325 2941 824 1802

Mayo 5 4272 10794 985 325 3015 830 1808

Junio 6 4492 10833 1153 355 3120 832 1843

Julio 7 4955 11000 1211 453 3125 867 1856

Agosto 8 5023 11089 1284 505 3682 890 1890

Septiembre 9 5045 11539 1636 652 3701 890 1895

Octubre 10 5070 11658 1798 675 3702 905 1900

Noviembre 11 5119 12120 1802 687 3791 960 1904

Diciembre 12 5143 12143 1974 780 3873 970 1905

Enero 13 5241 12310 2098 786 3901 1043 1906

 Febrero 14 5253 12345 2450 845 3905 1078 1909

Marzo 15 5303 12540 2644 897 3911 1104 1930

Abril 16 5318 12567 2659 967 3912 1190 1932

Mayo 17 5392 12700 2740 970 3965 1234 2021

Junio 18 5404 13426 2756 978 3965 1278 2032

Julio 19 5465 13432 2902 984 4033 1284 2054

Agosto 20 5605 13648 3087 985 4071 1304 2061

Septiembre 21 5967 13863 3248 1034 4081 1309 2089

Octubre 22 5980 14058 3372 1086 4120 1365 2104

Noviembre 23 6091 14074 3420 1098 4125 1576 2295

Diciembre 24 6098 14631 3521 1108 4260 1678 2343

Enero 25 6352 14641 3571 1110 4320 1876 2505

Febrero 26 6501 14732 3601 1114 4330 1970 2804

Marzo 27 6524 14879 3641 1203 4475 1973 2809

Abril 28 6530 15098 3923 1212 4792 1978 3098

Mayo 29 6687 15270 4036 1239 4880 1987 3987

Junio 30 6892 15599 4072 1301 4965 1987 4023

Julio 31 7076 15987 4198 1317 5361 2002 4509

Agosto 32 7457 16328 5023 1320 5840 2018 5023

Septiembre 33 8005 16503 5696 1954 5901 2055 5043

Octubre 34 8023 17406 5721 1986 6352 2089 6056

Noviembre 35 9101 18501 5934 2102 7745 2089 7630

Diciembre 36 9753 19488 7266 2105 7982 2128 11445

10. ESPECIFICACIONES DEL MODELO ECONOMETRICO

Y = β1 + β2 MP + β3 MPP + β4 CI + β5 CMP + β6 MO + β7 PP + ε

VARIABLE DESCRIPCIÓN

Estima la proyección esperada de hilos que se requiere en un

año dado, en libras.
Producción de Hilos (Yi)
Variable Dependiente

Materia Prima
Indica la materia prima que se utiliza para la producción de hilos
expresado en Libras.
(MP)

Materia Prima Perdida

Indica la materia prima que se pierde para la producción de hilos
expresado en Libras.
(MPP)

Costo de Insumos
Indica el costo de los insumos para la producción de hilos en
Dólares .
(CI)

Costo de Materia Prima

Indica, el costo de materia prima para la producción de hilos,
medida en Dólares
(CMP)

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)

11. ESTIMACION DE PARAMETROS DEL MODELO

Matriz de variables independientes

Materia Costo de Mano

Materia Costo de Piola
prima materia de
prima insumos plastica
perdida prima obra

7517 632 231 2084 780 1690

8502 666 324 2109 780 1703

X
9105 731 324 2574 801 1704

9129 958 325 2941 824 1802

10794 985 325 3015 830 1808

10833 1153 355 3120 832 1843

11000 1211 453 3125 867 1856

11089 1284 505 3682 890 1890

11539 1636 652 3701 890 1895

11658 1798 675 3702 905 1900

12120 1802 687 3791 960 1904

12143 1974 780 3873 970 1905

12310 2098 786 3901 1043 1906

12345 2450 845 3905 1078 1909

12540 2644 897 3911 1104 1930

12567 2659 967 3912 1190 1932

12700 2740 970 3965 1234 2021

13426 2756 978 3965 1278 2032

13432 2902 984 4033 1284 2054

13648 3087 985 4071 1304 2061

13863 3248 1034 4081 1309 2089

14058 3372 1086 4120 1365 2104

14074 3420 1098 4125 1576 2295

14631 3521 1108 4260 1678 2343

14641 3571 1110 4320 1876 2505

14732 3601 1114 4330 1970 2804

14879 3641 1203 4475 1973 2809

15098 3923 1212 4792 1978 3098

15270 4036 1239 4880 1987 3987

15599 4072 1301 4965 1987 4023

 15987 4198 1317 5361 2002 4509

16328 5023 1320 5840 2018 5023

16503 5696 1954 5901 2055 5043

17406 5721 1986 6352 2089 6056

18501 5934 2102 7745 2089 7630

19488 7266 2105 7982 2128 11445

Matriz de variables dependientes

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

Aplicando regresión lineal múltiple con ayuda de Excel tenemos:

Estadísticas de la regresión

Coeficiente de correlación 0,99178973

múltiple

Coeficiente de determinación 0,98364687

R^2
 R^2 ajustado 0,98026346

Error típico 212,507869

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

Y = −1011.893 + 0.3729MP − 0.1414MPP + 0.0998CI + 0.4668CMP + 0.0468MO

+ 0.0367PP

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.

Interpretando los resultados:

 A un valor constante de MPP(materia prima perdida), CI(costo de
insumos), CMP(costo de materia prima), MO(mano de obra), PP(piola
plástica), a un aumento en 1 en MP(materia prima) genera un aumento en
0.3729 en la Y(producción)
 A un valor constante de MP(materia prima), CI(costo de insumos),
CMP(costo de materia prima), MO(mano de obra), PP(piola plástica), a un
aumento en 1 en MPP(materia prima perdida) genera una disminución en
0.1414 en la Y(producción)
 A un valor constante de MP(materia prima), MPP(materia prima perdida),
CMP(costo de materia prima), MO(mano de obra), PP(piola plástica), a un
aumento en 1 en CI(costo de insumos), genera un aumento en 0.0.0998 en
la Y(producción)
  A un valor constante de MP(materia prima), MPP(materia prima perdida),
CI(costo de insumos), MO(mano de obra), PP(piola plástica), a un aumento
en 1 en CMP(costo de materia prima) genera un aumento en 0.4668 en la
Y(producción)
 A un valor constante de MP(materia prima), MPP(materia prima perdida),
CI(costo de insumos), CMP(costo de materia prima), PP(piola plástica), a
un aumento en 1 en MO(mano de obra) genera un aumento en 0.0468 en la
Y(producción)
 A un valor constante de MP(materia prima), MPP(materia prima perdida),
CI(costo de insumos), CMP(costo de materia prima), MO(mano de obra), a
un aumento en 1 en PP(piola plástica) genera un aumento en 0.0367 en la
Y(producción)

12. VALIDACION ESTADISTICO

 Bondad de ajuste

Estadísticas de la regresión

Coeficiente de correlación 0,99178973

múltiple

Coeficiente de determinación 0,98364687

R^2

R^2 ajustado 0,98026346

Error típico 212,507869

Observaciones 36

Donde 𝑅 2>0.7, el modelo tiene buena bondad de ajuste.

 Prueba de significancia individual

Error
Coeficientes Estadístico t
típico(𝝈)

𝛃𝟏 -1011,89301 549,052798 -1,84297942

𝛃𝟐 0,37294254 0,09181123 4,06205818

𝛃𝟑 -0,14141789 0,20132463 -0,70243711

𝛃𝟒 0,09978759 0,47226872 0,21129408

𝛃𝟓 0,46687005 0,19627564 2,37864496

 𝛃𝟔 0,04682122 0,22786827 0,20547494

𝛃𝟕 0,03671559 0,06412404 0,57257135

i. Planteamiento de la hipótesis

H0 : 𝛽𝑖 = 0

Ha : 𝛽𝑖 ≠ 0

ii. Estadístico de prueba

 Para 𝛃𝟏 :

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

iii. Contrastación (α=0.05)

n=36
k=7

𝑡𝛼 𝑛−𝑘 = 𝑡0.05 36−7 = 𝑡0.025 29 = 2.0542

2 2

Se acepta para:𝛃𝟏 , 𝛃𝟑 , 𝛃𝟒 , 𝛃𝟔 , 𝛃𝟕

De rechaza para: 𝛃𝟐 , 𝛃𝟓

iv. Conclusiones

A un nivel de significancia de 5% se rechaza la hipótesis inicial para 2, 5 y se acepta

para 1, 3, 4, 6, 7, por lo tanto, 2, 5 son significativos, mientras que 1, 3, 4, 6, 7 no son
significativos

 Prueba de significancia global

Grados de Suma de Promedio F

libertad cuadrados de los
cuadrados

Regresión 6 78774630,7 13129105,1 290,726818

Residuos 29 1309628,23 45159,5942

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

ii. Estadístico de prueba

 𝐹𝐶 = 290.7268

iii. Contrastación (α=0.05)

𝐹0.05 𝐾−1,𝑛−𝑘 = 𝐹0.05 7−1,36−7 = 𝐹0.05 6,29 = 2.430

Se rechaza la hipótesis inicial

iv. Conclusiones
A un nivel de significancia de 0.05se rechaza la hipótesis inicial por lo tanto, son
globalmente significativos.
 Conclusiones

 El valor deR2 es muy elevado tiende a 1.

 Existen pocas razones t significativas.
 El modelo es globalmente significativo.
 Existe presencia de multicolinealidad.

13. VALIDACIÓN ECONOMETRICA

MULTICOLINEALIDAD

Para las pruebas pertinentes hallaremos las regresiones auxiliares.

 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

Coeficiente de correlación múltiple 0,9870878

Coeficiente de determinación R^2 0,97434233

R^2 ajustado 0,97006605

Error típico 261,710771

 Observaciones 36

Coeficientes Error típico Estadístico t

Intercepción 824,085136 383,897239 2,14662949

MPP 0,28269602 0,21199015 1,33353375

CI -0,48067483 0,55435161 -0,86709378

CMP 1,05316167 0,16380764 6,42925842

MO 0,38972081 0,26066095 1,49512539

PP -0,14025646 0,05794499 -2,42051063

Sin “MPP”:

Estadísticas de la regresión

Coeficiente de correlación múltiple 0,99164945

Coeficiente de determinación R^2 0,98336863

R^2 ajustado 0,98059674

Error típico 210,706018

Observaciones 36

Coeficientes Error típico Estadístico t

Intercepción -763,541545 416,505534 -1,83320864

MP 0,33949666 0,0778341 4,36179857

CI -0,15246275 0,30412336 -0,50131877

CMP 0,50711633 0,18613516 2,72445211

MO -0,00527021 0,21363659 -0,02466902

PP 0,01214279 0,05328572 0,22788067

Sin “CI”:

Estadísticas de la regresión
 Coeficiente de correlación múltiple 0,99177704

Coeficiente de determinación R^2 0,9836217

R^2 ajustado 0,98089198

Error típico 209,096819

Observaciones 36

Coeficientes Error típico Estadístico t

Intercepción -990,806042 531,240314 -1,86508067

MP 0,36707276 0,08610289 4,26318731

MPP -0,10907198 0,12865539 -0,84778401

CMP 0,48639879 0,17037333 2,85489987

MO 0,04351695 0,22368204 0,19454825

PP 0,03025452 0,05545878 0,54553157

Sin “CMP”:

Estadísticas de la regresión

Coeficiente de correlación múltiple 0,99017996

Coeficiente de determinación R^2 0,98045635

R^2 ajustado 0,97719907

Error típico 228,410379

Observaciones 36

Coeficientes Error típico Estadístico t

Intercepción -1362,47926 568,479182 -2,39670915

MP 0,53353553 0,06687408 7,97821155

MPP -0,28120862 0,20696544 -1,3587226

CI 0,6287676 0,44780899 1,40409775

MO -0,1490544 0,22836797 -0,65269399

 PP 0,15968208 0,04077871 3,91581991

Sin “MO”:

Estadísticas de la regresión

Coeficiente de correlación múltiple 0,99177773

Coeficiente de determinación R^2 0,98362306

R^2 ajustado 0,98089357

Error típico 209,088089

Observaciones 36

Coeficientes Error típico Estadístico t

Intercepción -1015,25967 539,976578 -1,88019206

MP 0,37993117 0,0839065 4,5280302

MPP -0,12795524 0,18730141 -0,6831515

CI 0,09312793 0,46357319 0,20089153

CMP 0,45229561 0,18006578 2,51183539

PP 0,03803607 0,06277447 0,60591617

Sin “PP”:

Estadísticas de la regresión

Coeficiente de correlación múltiple 0,99169653

Coeficiente de determinación R^2 0,983462

R^2 ajustado 0,98070567

Error típico 210,11372

Observaciones 36

Coeficientes Error típico Estadístico t

Intercepción -890,877694 501,033893 -1,7780787

 MP 0,33722652 0,06660757 5,06288548

MPP -0,07853205 0,16682624 -0,47074159

CI -0,02916051 0,41043621 -0,07104759

CMP 0,55747092 0,11482002 4,85517194

MO 0,05989696 0,22416675 0,26719825

REGRESIONES AUXILIARES

Ctte. MP MPP CI CMP MO PP R2

Y(MP) 824,0851 - 0,2827 -0,4807 1,0532 0,3897 -0,1403 0,9701

Y(MPP) -763,5415 0,3395 - -0,1525 0,5071 -0,0053 0,0121 0,9806

Y(CI) -990,8060 0,3671 -0,1091 - 0,4864 0,0435 0,0303 0,9809

Y(CMP) -1362,4793 0,5335 -0,2812 0,6288 - -0,1491 0,1597 0,9772

Y(MO) -1015,2597 0,3799 -0,1280 0,0931 0,4523 - 0,0380 0,9809

Y(PP) -890,8777 0,3372 -0,0785 -0,0292 0,5575 0,0599 - 0,9807

m = R − ∑(R2 − R2J )
2

J=2

∆MP = 0,98026346 − 0,970066 = 0,010197

∆MPP = 0,98026346 − 0,980597 = −0,000333

∆CI = 0,98026346 − 0,980892 = −0,000629

∆CMP = 0,98026346 − 0,977199 = 0,003064

∆MO = 0,98026346 − 0,980894 = −0,000630

∆PP = 0,98026346 − 0,980706 = −0,000442

K

∑(R2 − R2J ) = 0,39427801

J=2

m = 0,98026346 − 0,39427801 = 0.586

 Como m tiende a uno existen indicios de multicolinealidad.

MP MPP CI CMP MO PP

MP 1

MPP 0,97399715 1

CI 0,96000556 0,98319267 1

CMP 0,95025801 0,95512099 0,9535812 1

MO 0,91977548 0,92254587 0,89130935 0,83537238 1

PP 0,79207055 0,8499212 0,82522934 0,90758759 0,71079184 1

 FARRAR GLAUBER

i. Planteamiento de hipótesis

H0 : |Rx| = 1

Ha : |Rx| ≠ 1

ii. Estadístico calculado

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

iv. Contrastación 0,05

Se rechaza Ho. 0,04

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

CI 211,3185 -0,0588 0,3241 - 0,1957 -0,0331 -0,0647 0,97263

CMP -750,929 0,344 -0,2994 1,133 - -0,4196 0,2634 0,976513

MO -71,9047 0,1493 0,2875 -0,1422 -0,3113 - 0,0282 0,882423

PP 3296,0203 -0,9728 1,7128 -3,5121 2,4676 0,3561 - 0,909999

v. Conclusión

A un nivel de confianza del 95%, se RECHAZA Ho, entonces, existe presencia de

multicolinealidad.

 FACTOR DE AGRANDAMIENTO DE LA VARIANZA

 1
FAV(β2) = = 41,0998315
1 − 0,975669

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

Se observa para β6 y β7 presenta valores menores a 10 o a 20 por lo que no se tienen problemas

de multicolinealidad en esas regresiones, en cuanto a β2, β3, β4, β5 se observan valores mayores a
30, por lo que podemos asumir valores preocupantes de multicolinealidad.

HETEROCEDASTICIDAD

Contraste gráfico:

Y Yest e e2

2241 2796,4319 -555,4319 308504,5955

3246 3180,3618 65,6382 4308,373299

3675 3614,1575 60,8425 3701,809806

4160 3767,1344 392,8656 154343,3797

4272 4419,2467 -147,2467 21681,59066

4492 4463,4312 28,5688 816,1763334

4955 4531,7343 423,2657 179153,8528

5023 4822,1773 200,8227 40329,75684

5045 4963,9347 81,0653 6571,582864

5070 4989,0508 80,9492 6552,772981

5119 5206,2375 -87,2375 7610,381406

5143 5238,5653 -95,5653 9132,726564

5241 5300,4311 -59,4311 3532,055647

5253 5273,2137 -20,2137 408,5936677

5303 5328,4761 -25,4761 649,0316712

5318 5347,9745 -29,9745 898,4706503

5392 5416,4874 -24,4874 599,6327588

5404 5688,2117 -284,2117 80776,29042

5465 5703,2409 -238,2409 56758,72643

5605 5776,6632 -171,6632 29468,25423

5967 5844,8921 122,1079 14910,33924

5980 5926,6440 53,3560 2846,862736

6091 5946,2398 144,7602 20955,5155

6098 6210,2284 -112,2284 12595,21377

6352 6250,3128 101,6872 10340,28664

6501 6300,4454 200,5546 40222,14758

6524 6426,5123 97,4877 9503,851651

6530 6628,0484 -98,0484 9613,488743

6687 6753,0383 -66,0383 4361,057067

6892 6917,8273 -25,8273 667,0494253

7076 7249,7235 -173,7235 30179,85445

7457 7503,7845 -46,7845 2188,78944

 8005 7568,0995 436,9005 190882,0469

8023 8153,8270 -130,8270 17115,70393

9101 9251,7686 -150,7686 22731,17075

9753 9684,2665 68,7335 4724,294022

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

Coeficiente de correlación múltiple 0,610639

Coeficiente de determinación R^2 0,372880

R^2 ajustado 0,243131

Error típico 58336,984871

Observaciones 36,000000

Coeficientes Error típico Estadístico t

Intercepción 570504,5107 150724,2295 3,7851

MP -70,3893 25,2037 -2,7928

MPP 49,7687 55,2670 0,9005

CI 69,2125 129,6457 0,5339

 CMP 20,3630 53,8810 0,3779

MO 76,1031 62,5537 1,2166

PP -1,2767 17,6031 -0,0725

Se halla la ecuación auxiliar

e2 = 570504,5107 − 70,3893 ∗ MP + 49,7687 ∗ MP + 69,2125 ∗ C + 20,3630 ∗ CMP

+ 76,1031 ∗ MO − 1,2767 ∗ PP

i. Prueba de hipótesis

H0 : E(u2i ) = σ2u

Ha : E(u2i ) = σ2i

ii. Estadístico de prueba

Donde:

Uc = n ∗ R2aux = 36 ∗ 0,243131 = 8,752716

iii. Estadístico teórico

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.

14. PLANTEAMIENTO Y ANALISIS PARA LA CORRELACION DEL MODELO

Hallando los valores de et, et-1

Donde et:

̌
et = Y − Y

Donde:

Y: valor de Produccion hallado experimentalmente

̌ : valor de Produccion hallado teóricamente )mediante la regresión).

Y

̌ = −1011.893 + 0.3729MP − 0.1414MPPERD + 0.0998COSTINS + 0.4668COSTMP

Y
+ 0.0468MO + 0.0367PIPLA

Y ̌
𝐘 𝐞𝐭 𝐞𝐭 𝟐 𝐞𝐭−𝟏 𝐞𝐭 − 𝐞𝐭−𝟏 (𝐞𝐭 − 𝐞𝐭−𝟏 )𝟐

2241 2796,4319 -555,4319 308504,596 0 0

3246 3180,3618 65,6382 4308,3733 -555,4319 621,0701 385728,069

3675 3614,1575 60,8425 3701,80981 65,6382 -4,7957 22,9987385

4160 3767,1344 392,8656 154343,38 60,8425 332,0231 110239,339

4272 4419,2467 -147,2467 21681,5907 392,8656 -540,1123 291721,297

4492 4463,4312 28,5688 816,176333 -147,2467 175,8155 30911,09

4955 4531,7343 423,2657 179153,853 28,5688 394,6969 155785,643

5023 4822,1773 200,8227 40329,7568 423,2657 -222,443 49480,8882

5045 4963,9347 81,0653 6571,58286 200,8227 -119,7574 14341,8349

5070 4989,0508 80,9492 6552,77298 81,0653 -0,1161 0,01347921

5119 5206,2375 -87,2375 7610,38141 80,9492 -168,1867 28286,7661

5143 5238,5653 -95,5653 9132,72656 -87,2375 -8,3278 69,3522528

5241 5300,4311 -59,4311 3532,05565 -95,5653 36,1342 1305,68041

5253 5273,2137 -20,2137 408,593668 -59,4311 39,2174 1538,00446

5303 5328,4761 -25,4761 649,031671 -20,2137 -5,2624 27,6928538

5318 5347,9745 -29,9745 898,47065 -25,4761 -4,4984 20,2356026

5392 5416,4874 -24,4874 599,632759 -29,9745 5,4871 30,1082664

5404 5688,2117 -284,2117 80776,2904 -24,4874 -259,7243 67456,712

5465 5703,2409 -238,2409 56758,7264 -284,2117 45,9708 2113,31445

5605 5776,6632 -171,6632 29468,2542 -238,2409 66,5777 4432,59014

5967 5844,8921 122,1079 14910,3392 -171,6632 293,7711 86301,4592

5980 5926,644 53,356 2846,86274 122,1079 -68,7519 4726,82375

6091 5946,2398 144,7602 20955,5155 53,356 91,4042 8354,72778

6098 6210,2284 -112,2284 12595,2138 144,7602 -256,9886 66043,1405

6352 6250,3128 101,6872 10340,2866 -112,2284 213,9156 45759,8839

6501 6300,4454 200,5546 40222,1476 101,6872 98,8674 9774,76278

6524 6426,5123 97,4877 9503,85165 200,5546 -103,0669 10622,7859

6530 6628,0484 -98,0484 9613,48874 97,4877 -195,5361 38234,3664

6687 6753,0383 -66,0383 4361,05707 -98,0484 32,0101 1024,6465

6892 6917,8273 -25,8273 667,049425 -66,0383 40,211 1616,92452

7076 7249,7235 -173,7235 30179,8545 -25,8273 -147,8962 21873,286

7457 7503,7845 -46,7845 2188,78944 -173,7235 126,939 16113,5097

8005 7568,0995 436,9005 190882,047 -46,7845 483,685 233951,179

8023 8153,827 -130,827 17115,7039 436,9005 -567,7275 322314,514

9101 9251,7686 -150,7686 22731,1707 -130,827 -19,9416 397,667411

9753 9684,2665 68,7335 4724,29402 -150,7686 219,5021 48181,1719

16,1796 1309635,73 -52,5539 624,1654 2058802,48

 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

Hallando las sumatorias de:

∑et 2 = 1309635,73

∑(et − et−1 )2 = 2058802,48

i. Planteamiento de hipótesis

H0 : ρ = 0 No existe autocorrelacion

Ha : ρ ≠ 0 Existe autocorrelacion

ii. Estadístico de prueba (valor calculado)

 ∑(et − et−1 )2 1309635,73
DW = =
∑et 2 2058802,48

DW = 1.572

iii. Estadístico teórico (valor critico)

Donde:

n=36

k=6 (variables independientes)

α=0.05

Mediante tablas, hallamos:

dL = 1.114

dU = 1.877

iv. Contraste

dL < d < dU

El test no es decisivo

v. Conclusiones

A un nivel de significancia de 5% no se acpeta ni rechaza la hipótesis inicial, puesto que, el valor de

de esta entre dL y dU . El contraste no es concluyente.

15. PRESENTACION Y PREDICCION DEL MODELO CORREGIDO

Mediante la información obtenida en la Prueba de Theil:

REGRESIONES AUXILIARES

Ctte. MP MPP CI CMP MO PP R2

Y(MP) 824,0851 - 0,2827 -0,4807 1,0532 0,3897 -0,1403 0,970066

Y(MPP) -763,5415 0,3395 - -0,1525 0,5071 -0,0053 0,0121 0,980597

Y(CI) -990,8060 0,3671 -0,1091 - 0,4864 0,0435 0,0303 0,980892

Y(CMP) -1362,4793 0,5335 -0,2812 0,6288 - -0,1491 0,1597 0,977199

Y(MO) -1015,2597 0,3799 -0,1280 0,0931 0,4523 - 0,0380 0,980894

Y(PP) -890,8777 0,3372 -0,0785 -0,0292 0,5575 0,0599 - 0,980706

 ∆R2 = R2GLOBAL − R2AUX

Sin “MP”: ∆R2 = 0,980263 − 0,970066 = 0,010197

Sin “MPP” ∆R2 = 0,980263 − 0,980597 = −0,000333

Sin “CI”: ∆R2 = 0,980263 − 0,980892 = −0,000629

Sin “CMP”: ∆R2 = 0,980263 − 0,977199 = 0,003064

Sin “MO”: ∆R2 = 0,980263 − 0,980894 = −0,000630

Sin “PP”: ∆R2 = 0,980263 − 0,980706 = −0,000442

Según esta información la variable que contribuye a mantener un coeficiente de determinación

más baja es “MPP”, por lo tanto, esta variable pues ser excluida de la siguiente manera:

̂ = −763.5415 + 0,3395 ∗ MP − 0,1525 ∗ CI + 0.5071 ∗ CMP − 0.0053 ∗ MO + 0,0121 ∗ PP

Y

R2GLOBAL = 0,980597

16. CONCLUSIONES

Se concluyó que el modelo econométrico a utilizar es el siguiente:

̂ = −763.5415 + 0,3395 ∗ MP − 0,1525 ∗ CI + 0.5071 ∗ CMP − 0.0053 ∗ MO + 0,0121 ∗ PP

Y

Mediante regresiones auxiliares se decidió eliminar la variable MPP

Primeramente, hablaremos de nuestras primeras validaciones estadísticas que son:

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.