Universidad del Mar

Materia: ECONOMETRIA I Nombre: ________________________________________________ Fecha: ____________________ Calificacin: ____________________ Variables Dummys. ______________________________________________ Considere los siguientes resultados obtenidos de una regresin de MCO. El modelo es un anlisis de 528 muestras de ciudadanos pertenecientes a una ciudad de EEUU.
2 Y = 8.8148 +1.0997D2 -1.6729D3 R = 0.0901

ee T P-v

0.4515 21.9528 0.0000

0.4642 2.3688 0.0182

0.4852 -3.4462 0.0006

Y =salario en dlares por hora D2=Estado civil, 1 = casado, 0 = otro D3=Regin de residencia, 1= Sur, 0 = otro caso

1.- Elija de las cuatro opciones la respuesta correcta (1 punto). La categora de control de este modelo es: a.- Casados no residentes en el sur. b.- No casados residentes del sur. c.- Casados residentes en el sur. d.- No casados no residentes del sur. 2.- Explique el parmetro de la categora de control (1 punto). Los ciudadanos de una ciudad de Estados Unidos que sirvi para el anlisis de este estudio, plantea que aquellos que no son casados y no son residentes del sur de esta ciudad perciben un salario de 8.815 por hora laborada. 3.- Responda la pregunta y desarrolle la operacin que comprueba su resultado (2 puntos). Cul es el salario de los no casados residentes del sur? 8.815 - 1.673= 7.142 Cul es el salario de los no casados no residentes del sur? 8.815 Cul es el salario de los Casados no residentes en el sur? 8.815 + 1.0997= 9.9147 Cul es el salario de los Casados residentes en el sur? 8.815 + 1.0997 - 1.673 = 8.2417 4.- Los salarios por hora anteriormente calculados, son estadsticamente distintos, comparados con la categora base? (1 punto). a.- No son estadsticamente distintos, ya que los valores de P resultaron distintos para cada parmetro. b.- Tomando como referencia el valor de P, podemos indicar que son estadsticamente distintos, con un valor de alfa del 5 %. c.- La prueba t indica que los tres parmetros son estadsticamente significativos, por lo tanto rechazo la Ho: 1, 2, 3=0 , por lo tanto no son estadsticamente distintos d.- El valor del R2, indica que no son estadsticamente distintos, al obtenerse un valor muy bajo, inferior al 10 %.

Prueba de Hiptesis individual VS Conjunta. 5.- Utilizando los siguientes resultados obtenidos con EViews, responda lo que se pide:
Dependent Variable: PIB Method: Least Squares Date: 11/14/05 Time: 15:12 Sample: 1937 2000 Included observations: 64 Variable C K L Z R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 168.3067 -1.768029 12.86864 -0.005511 0.747372 0.734740 39.13127 91875.38 -323.4298 2.170318 Std. Error 32.89165 0.248017 4.190533 0.001878 t-Statistic 5.117003 -7.128663 3.070883 -2.934275 Prob. 0.0000 0.0000 0.0032 0.0047 141.5000 75.97807 10.23218 10.36711 59.16767 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

Realice la prueba de hiptesis individual y conjunta considerando un alfa del 1 %, plantee la hiptesis nula y la hiptesis alterna para los contrastes. (2 puntos, 1 por la prueba y por el planteamiento de las hiptesis) Hiptesis individual Ho:2= 0 , Ho:3 = 0 , Ho:4 = 0 H1:2 0 , H1:3 0 , H1:4 0 Hiptesis conjunta o global Ho: 2, 3, 4 = 0 H1: 2, 3, 4 0 El contraste individual mediante el estadstico t y el valor p de este estadstico indican que los parmetros contrastados por la hiptesis nula son estadsticamente significativos a un valor de alfa del 1 %. El contraste global de las variables regresoras respecto a la variable explicada indican que en conjunto son estadsticamente significativas con un alfa del 1 % ya que el valor p del estadstico F, es muy bajo.

Test de Jarque Bera.

6.- Utilizando los siguientes resultados obtenidos con EViews, responda lo que se pide:
24

20

Series: Residuals Sample 1 200 Observations 200 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability
-8000 -4000 0 4000 8000 12000 16000 20000 24000

16

12

-3.17e-12 -959.7722 23066.65 -9638.919 5438.534 1.275064 5.937830 126.1166 0.000000

Concluya si existe evidencia de normalidad en el modelo, el cual tiene los siguientes resultados del Histograma de residuos, considere el estadstico Jarque-Bera, el valor P, el coeficiente de simetra y el de Kurtosis, explique su respuesta.(1 punto) Una de las reglas muy generales del estadstico J-B es que el valor de este en el histograma de frecuencias es que debe ser menor a 6, sin embargo mientras ms cercano a cero indica la existencia de un comportamiento ms normal. En este caso el estadstico J-B es superior a este valor establecido, la probabilidad de comportamiento normal sealado por el valor P del estadstico J-B indica un valor muy bajo de probabilidad de comportamiento normal. En cuanto al coeficiente de Kurtosis esta debe estar cercano a un valor 3, en el caso analizado el valor es de 5.94 En cuanto al coeficiente de asimetra este debe tender a cero, en el caso analizado el valor es de 1.27 Por lo tanto en el caso presentado no existe un comportamiento de normalidad de los trminos de perturbacin de error, por ello el modelo no es adecuado. Prueba de la forma funcional de la regresin seleccin entre modelos de regresin lineal y log lineal. 7.- De la hoja de trabajo de eviews que se le entrego se requiere que determine la mejor seleccin del modelo, mediante la prueba MacKinnon,White y Davidson (prueba MWD), para escoger entre dos modelos el lineal y doble logaritmico.(3 puntos) Las hiptesis que se requiere que ponga a prueba son las siguientes H0: Modelo lineal: Y es una funcin lineal de las regresoras, las X H1: Modelo log-lineal: lnY es funcin lineal de los logaritmos de las X. Para este ejercicio se requiere que sus resultados los registre en esta hoja al hacer el contraste de las hiptesis, y entregue el archivo de Eviews donde se localicen las estimaciones necesarias por poder obtener los datos de contraste. Modelo lineal
Dependent Variable: IMPORTS Method: Least Squares Date: 06/24/12 Time: 11:49 Sample: 1970 1998 Included observations: 29 Variable INPC PIB C R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient -3187.405 161.7729 7889.079 0.990295 0.989548 26444.81 1.82E+10 -334.8675 1326.458 0.000000 Std. Error 747.0033 12.87470 23830.52 t-Statistic -4.266922 12.56517 0.331049 Prob. 0.0002 0.0000 0.7433 365956.7 258667.0 23.30120 23.44265 23.34550 0.430900

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

Modelo logartmico Dependent Variable: LNIMPORTS Sample: 1970 1998 Included observations: 29 Variable LNINPC LNPIB C R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient 0.446142 1.043167 1.975260 0.982318 0.980958 0.124862 0.405356 20.76993 722.2174 0.000000 Std. Error 0.569840 0.405783 0.782070 t-Statistic 0.782925 2.570749 2.525683 Prob. 0.4407 0.0162 0.0180 12.49048 0.904848 -1.225512 -1.084068 -1.181213 0.461405

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

Modelo con Z1
Dependent Variable: IMPORTS Sample: 1970 1998 Included observations: 29 Variable INPC PIB Z1 C R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient -4354.914 178.5509 -175148.5 57977.19 0.991105 0.990038 25817.55 1.67E+10 -333.6026 928.5569 0.000000 Std. Error 1063.028 16.77863 116027.2 40524.62 t-Statistic -4.096705 10.64157 -1.509547 1.430666 Prob. 0.0004 0.0000 0.1437 0.1649 365956.7 258667.0 23.28294 23.47153 23.34200 0.444549

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

Modelo con Z2
Dependent Variable: LNIMPORTS Sample: 1970 1998 Included observations: 29 Variable LNINPC LNPIB Z2 C R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient 1.728568 0.223771 -7.12E-06 2.890815 0.987126 0.985581 0.108653 0.295136 25.37121 638.9670 0.000000 Std. Error 0.649640 0.443392 2.33E-06 0.743585 t-Statistic 2.660810 0.504679 -3.055552 3.887670 Prob. 0.0134 0.6182 0.0053 0.0007 12.49048 0.904848 -1.473877 -1.285284 -1.414812 0.547379

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

Ho: Modelo lineal: Y es una funcin lineal de las regresoras, las X Ho: 4=0 en este caso vemos que la prueba t indica que Z1 no es estadsticamente significativa a un alfa del 5% ni del 1 % por lo tanto no hay evidencia suficiente para rechazar la Ho. Con ello se puede decir que Y, es un modelo lineal de las variables lineales. En el caso del segundo modelo la hiptesis de contraste seria. Ho: Modelo log-lineal: LnY es funcin lineal de los logaritmos de las X. Hi: 40, en este caso la prueba t establece que la variable Z es estadsticamente significativa a un valor incluso menor del 1 %, rechazando la hiptesis nula de que log y sea un modelo lineal de los logaritmos de las variables X. En este caso el modelo que debe ser usado es lineal. Contribucin incremental o marginal. 8.- Con el modelo que se le entrego determine la importancia relativa que tienen las variables, considerando la contribucin marginal al modelo. Para este ejercicio incluya una nueva variable que se llama PIB2 y que su valor ser PIB^2. (4 puntos)
Dependent Variable: IMPORTS Date: 06/24/12 Time: 11:49 Sample: 1970 1998 Included observations: 29 Variable INPC PIB C R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient -3187.405 161.7729 7889.079 0.990295 0.989548 26444.81 1.82E+10 -334.8675 1326.458 0.000000 Std. Error 747.0033 12.87470 23830.52 t-Statistic -4.266922 12.56517 0.331049 Prob. 0.0002 0.0000 0.7433 365956.7 258667.0 23.30120 23.44265 23.34550 0.430900

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

Los resultados del modelo se puede destacar que de manera individual con la prueba t ambas variables son estadsticamente significativas, la prueba F tambin indica que se rechaza la hiptesis nula que en conjunto las variables del modelo no tienen relacin lineal con la variable explicada. Incrementamos la variable PIB2 y analizamos los datos
Dependent Variable: IMPORTS Date: 06/27/12 Time: 23:22 Sample: 1970 1998 Included observations: 29 Variable INPC PIB PIB2 C R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient 632.9875 44.89248 0.005668 -15737.91 0.992049 0.991095 24409.33 1.49E+10 -331.9760 1039.777 0.000000 Std. Error 1766.613 51.16021 0.002413 24187.17 t-Statistic 0.358306 0.877488 2.348842 -0.650672 Prob. 0.7231 0.3886 0.0270 0.5212 365956.7 258667.0 23.17076 23.35935 23.22982 0.555796

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

Ambas r cuadradas tuvieron un incremento en su valor, el valor t de la nueva variable indica que es estadsticamente significativa, la prueba global F indica que la relacin conjunta de las variables es significativa, esto es que las betas son distintas de cero. Pero una prueba adicional es determinar la contribucin incremental al modelo por parte de la ltima variable. En este caso vamos a relacionar el valor F con el R2,
0.992049 0.990295 0.001754 2 1 F 5.1550295560307 1 0.992049 0.00031804 29 4

Al valor obtenido le calculamos el valor P del estadstico F con 1g de l en el numerador y 25 en el denominador, el valor p = 0.02706617, el cual es significativo a un valor de alfa del 5%, por lo tanto la variable debera estar en el modelo. Pregunta debera estar en el modelo? Observe que esta variable en el nuevo modelo hace que las otras dos sean no significativas y el estadstico F indica que en general las variables explican el modelo, estas dos caractersticas implican que el modelo presenta un problema de colinealidad que antes no exista. La forma fcil de responder esta pregunta del cuestionario. Va a tomar el modelo original IMPORTS= C+INPC+PIB y siga la siguiente instruccin en Eviews.
View/Coefficient Diagnostics /Omitted Variables Test-Likelihood Ratio. En el cuadro de dialogo se escriben las variables a omitir (caso: PIB2)

Va a obtener los siguientes resultados, podr contrastar que el valor que arroja Eviews es muy cercano al calculado de manera manual, la diferencia de clculo est justificada por el nmero de decimales que se usaron en el clculo manual y los que usa el sistema. Omitted Variables Test Equation: ECULINEAL Specification: IMPORTS INPC PIB C Omitted Variables: PIB2 Value 2.348842 5.517058 5.782890 Df 25 (1, 25) 1 Probability 0.0270 0.0270 0.0162

t-statistic F-statistic Likelihood ratio F-test summary:

Test SSR Restricted SSR Unrestricted SSR Unrestricted SSR

Sum of Sq. 3.29E+09 1.82E+10 1.49E+10 1.49E+10

Df 1 26 25 25

Mean Squares 3.29E+09 6.99E+08 5.96E+08 5.96E+08

LR test summary: Restricted LogL Unrestricted LogL Value -334.8675 -331.9760 Df 26 25

Unrestricted Test Equation: Dependent Variable: IMPORTS Method: Least Squares Date: 06/27/12 Time: 23:17 Sample: 1970 1998 Included observations: 29 Variable INPC PIB C PIB2 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient 632.9875 44.89248 -15737.91 0.005668 0.992049 0.991095 24409.33 1.49E+10 -331.9760 1039.777 0.000000 Std. Error 1766.613 51.16021 24187.17 0.002413 t-Statistic 0.358306 0.877488 -0.650672 2.348842 Prob. 0.7231 0.3886 0.5212 0.0270 365956.7 258667.0 23.17076 23.35935 23.22982 0.555796

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

Prueba de igualdad de dos coeficientes de regresin. 9.- Con el modelo que se le entrego pruebe la hiptesis nula que los coeficientes obtenidos en su modelo no son iguales.(2puntos) Para este ejercicio incluya una nueva variable que se llama PIB2 y que su valor ser PIB^2. Partamos del siguiente modelo mltiple. Yi =1 + 2 X2 + 3 X3 + 4 X4 + Ui Donde los coeficientes de 3 y 4, son resultados de las variables PIB y PIB^2 y la variable explicada es importaciones de un pas cualquiera, existe la posibilidad que estos dos coeficientes representen lo mismo. En este caso existe la duda si se deben considerar ambas variables en su modelo, tendr que contrastar la hiptesis nula que establece que ambos parmetros son lo mismo. Ho: 3= 4 o (3 4) = 0 vs H1: 3 4 o (3 4) 0 Si las variables analizadas estuvieran expresadas en forma logartmica, esto implicara que la elasticidad de ambas variables son iguales. Cuando el modelo se estima con la siguiente especificacin Y(lnimports) = c + lninpc + lnpib + lnpib2

Por lo tanto se concluye que la hiptesis nula Ho: 3= 4, no se puede rechazar. Cuando el modelo se estima con la siguiente especificacin Y(imports) = c + inpc + pib + pib2
Dependent Variable: IMPORTS Method: Least Squares Date: 06/24/12 Time: 12:49 Sample: 1970 1998 Included observations: 29 Variable INPC PIB PIB2 C R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient 632.9875 44.89248 0.005668 -15737.91 0.992049 0.991095 24409.33 1.49E+10 -331.9760 1039.777 0.000000 Std. Error 1766.613 51.16021 0.002413 24187.17 t-Statistic 0.358306 0.877488 2.348842 -0.650672 Prob. 0.7231 0.3886 0.0270 0.5212 365956.7 258667.0 23.17076 23.35935 23.22982 0.555796

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

Estimacin de la matriz de covarianzas. INPC INPC PIB PIB2 C 3120922. -89020.69 3.924782 -30111934 PIB -89020.69 2617.367 -0.120074 718721.1 PIB2 3.924782 -0.120074 5.82E-06 -24.27258

C -30111934 718721.1 -24.27258 5.85E+08

La prueba de la hiptesis ser de la siguiente forma:

( 3 4 ) var( 3 ) var( 4 ) 2 cov( 3 5 )

(51.16021) 2 (0.002413)2 2(-0.120074) 44.886812 t (2617 .3670872441 0.00000582 2569) 0.240148 44.886812 t 0.87734 51.1625570223642067
El valor p de este estadstico t, resulta= 0.38865704, por lo cual resulta no ser estadsticamente significativo al valor de 1 y 5 % de alfa, por lo tanto en este caso no se rechaza la hiptesis nula de que ambos parmetros sean iguales. La forma fcil de hacerlo en Eviews View/Coefficient Diagnostics /RedundantVariables Test-Likelihood Ratio En el cuadro de dialogo se escriben las variables a omitir (caso: LOGPBI)

44.89248- 0.005668

Redundant Variables Test Equation: ECULINEAL Specification: IMPORTS INPC PIB PIB2 C Redundant Variables: PIB Value 0.877488 0.769986 0.879705 df 25 (1, 25) 1 Probability 0.3886 0.3886 0.3483

t-statistic F-statistic Likelihood ratio F-test summary:

Test SSR Restricted SSR Unrestricted SSR Unrestricted SSR LR test summary: Restricted LogL Unrestricted LogL

Sum of Sq. 4.59E+08 1.54E+10 1.49E+10 1.49E+10

df 1 26 25 25

Mean Squares 4.59E+08 5.91E+08 5.96E+08 5.96E+08

Value -332.4159 -331.9760

df 26 25

Restricted Test Equation: Dependent Variable: IMPORTS Method: Least Squares Date: 06/28/12 Time: 00:01 Sample: 1970 1998 Included observations: 29 Variable INPC PIB2 C R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient 2159.850 0.007727 -28065.25 0.991804 0.991174 24301.11 1.54E+10 -332.4159 1573.199 0.000000 Std. Error 303.9183 0.000558 19601.81 t-Statistic 7.106682 13.84762 -1.431769 Prob. 0.0000 0.0000 0.1641 365956.7 258667.0 23.13213 23.27357 23.17643 0.600892

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

Podr observar que el valor del sistema es muy prximo al calculado, por las razones de exponentes antes expuestas. 10.- Prueba para la estabilidad estructural o paramtrica de los modelos de regresin: la prueba Chow. Determine mediante la prueba de Chow si la serie de tiempo tiene cambios estructurales, sin tener que especificar si ese cambio est en la interseccin o en el coeficiente de la pendiente, o a ambos. (3 puntos) Representacin grfica de la variable dependiente
IMPORTS
1,000,000

800,000

600,000

400,000

200,000

0 70 72 74 76 78 80 82 84 86 88 90 92 94 96 98

De la observacin directa de la evolucin de la variable importaciones no se puede apreciar de manera clara algn cambio en la serie temporal, que nos permita pensar en la ruptura estructural en este horizonte temporal. Dada la condicin antes sealada se proceder al uso del Eviews para establecer los posibles puntos de ruptura y poder contrastar la prueba de Chow.

80,000 40,000 0 -40,000 .000 .025 .050 .075 .100 .125 .150 74 76 78 80 82 84 86 88 90 92 94 96 98 -80,000

One-Step Probability Recursive Residuals

Ao 1975 1981 1982 1983 1991 1994 1995 1996 1997

1.358976 6.490823 7.412165 8.102609 25.91846 22.00115 13.26630 4.102015

0.2801 0.0024 0.0012 0.0007 0.0000 0.0000 0.0000 0.0181

Singularidad

singularidad