UNIVERSIDAD NACIONAL DEL ALTIPLANO

FACULTAD DE INGENIERIA ECONOMICA

CURSO: ECONOMETRIA II

UNIDAD II
REGRESION CON VARIABLES RETARDADAS

PROF.: WILLIAM GILMER PARILLO MAMANI.

 INTRODUCCION
• En economía los efectos de unas variables sobre
otras pueden no producirse de forma
simultanea, es decir, perduran por mas de un
periodo de tiempo. Esto conduce a dos tipos de
modelos:
• Modelos autorregresivos.
• Modelos de rezagos distribuidos.
 CONCEPTOS DE MODELOS DE REZAGOS
DISTRIBUIDOS Y AUTORREGRESIVOS
Sea el modelo de regresión lineal
Yt    X t  ut ; t  1,2,....n …(1)
Donde Yt y Xt, son informaciones de series de tiempo en valor actual.
MODELO DE
RETARDOS Yt     0 X t  1 X t 1   2 X t 2  ut
DISTRIBUIDOS O …(2)
ESCALONADOS

Es cuando en el modelo de regresión anterior incluye no solamente

valores actuales, sino además los valores rezagados (pasados) de
las variables explicativas (las X)

MODELO Yt   0  1Yt 1   2Yt 2  X t  ut

AUTORREGRESIVO …(3)
Incluye uno o mas valores rezagados de la variable dependiente
entre sus variables explicativas.
 FORMA GENERAL DEL MODELO DE
REZAGOS DISTRIBUIDOS

• En el modelo de regresión incluye los valores

actuales y los valores rezagados (pasados) de las
variables explicativas o independientes (X).
Yt     0 X t  1 X t 1   2 X t 2  ut

Yt     0 X1t  1 X1t 1   2 X1t 2  ...   K X1t K   2 X 2t  ...   n X nt  ut

K n
Yt      i X 1t i    i X it  ut …(2’)
i o i 2

• Es posible pasar de un modelo a otro.

 FORMA GENERAL DE MODELOS
AUTORREGRESIVOS
• Cuando el modelo incluye uno o mas valores
rezagados de la variable endógena entre sus
variables explicativas se llama proceso
autorregresivo.
Yt   0  1Yt 1   2Yt 2  X t  ut
Yt   0  1Yt 1   2Yt 2  ...   sYt k  1 X 1t  ...   n X nt  ut
…(3’)
• Se llaman también modelos dinámicos, puesto
que señalan la trayectoria en el tiempo de la variable
dependiente en relación con sus valores pasados.
 EL PAPEL DEL TIEMPO, O DEL
REZAGO, EN ECONOMIA

En economía, la dependencia de una

variable Y (variable dependiente) respecto
de otra u otras variables X (las variables
explicativas), raramente es instantánea muy
frecuentemente, Y responde a X en un
lapso de tiempo (rezago).
 MODELOS DE REZAGOS DISTRIBUIDOS
La forma general del modelo de rezagos distribuidos con rezagos
infinito y finito y de una variable explicativa es:
Yt     0 X t  1 X t 1   2 X t  2  ......  ut …(2’’)
Yt     0 X t  1 X t 1   2 X t  2  ......   k X t  k  ut


Yt     X
i 0
i t i  ut

Donde: o = Multiplicador de corto plazo o de impacto: Yt  0

X t
o+1= Es el cambio en Y en el periodo siguiente cuando
cambia X en el Kmismo nivel desde el principio.
 0  1   2  ....   k   
i 0

= Multiplicadores interim o
i

intermedios o de largo plazo o total o

multiplicador de equilibrio (finita).
 
Wi   i  i  i Es i estandarizado: dan la proporción del
  i  impacto de L-P, sentido durante cierto periodo.
Ejemplo de rezagos dist.: La función consumo
Una persona en el año 2004, recibe un incremento
salarial de s/. 200 en su pago anual y es un incremento
permanente (en el sentido de que se mantiene el
incremento en el salario).
¿Cuál es el efecto del incremento en el ingreso sobre el
gasto de consumo anual de la persona?
Después del aumento del ingreso, la gente no se apura
en gastarse todo el incremento inmediatamente. Si esta
persona decide gastar de la siguiente forma:
Años Gasto Acumulación La función consumo es:
/Año de gasto yt  constante  0.4 xt  0.3xt 1  0.2 xt 2  ut
1 80 80 Y = Gasto de consumo
2 60 140
3 40 180 X= El ingreso
 Ejemplo: La función consumo
yt  constante  0.4 xt  0.3xt 1  0.2 xt 2  ut
Esta ecuación muestra que el efecto de un incremento en el
ingreso de s/. 200, se propaga o se distribuye, durante un
periodo de 3 años.

40
Gasto de consumo, S/.

60

80

Tiempo
t1 t2 t3
 Ejemplo: La función consumo
yt  constante  0.4 xt  0.3xt 1  0.2 xt 2  ut
yt
El multiplicar de corto plazo (PMg C a C-P) es:  0 .4
xt
Después de incremento de S/. 1.00 en el ingreso, el consumidor aumentara su nivel
de consumo inmediatamente en alrededor de 40 céntimos de sol (o S/. 0.4) al año.
El multiplicador de largo plazo (PMgC a L-P) es:

  0.4  0.3  0.2  0.9

El impacto de largo plazo de un incremento de s/. 1 en
el ingreso es 90 céntimos.
Después de incremento de S/. 1.00 en el ingreso, el consumidor aumentara su nivel
de consumo inmediatamente en alrededor de 40 céntimos de sol en el año de
aumento, en otros 30 céntimos en el año siguiente y en otros 20 céntimos más en el
año siguiente.
 Ejemplo: la función consumo

Si se divide cada Bi por 0.9, se obtiene

0.4 0.3 0.2
 
*
1  0.44  2 
*
 0.33  3 
*
 0.23
0.9 0.9 0.9
Nos indica que el 44% del impacto total de un
cambio unitario en X sobre Y se siente
inmediatamente, el 77% se siente después de un
año (0.44+0.33) y el 100% al finalizar el segundo
año.
 RAZONES PARA LOS REZAGOS
• Razones sicológicas.-La gente no cambia sus
hábitos de consumo inmediatamente.
• Razones tecnológicas.- Una empresa adapta su
tecnología y en algunos casos no lo hará
inmediatamente.
• Razones institucionales.- Las obligaciones
contractuales.
Al incorporar rezagos, la elasticidad precio ingreso
de C-P (PMg C de C-P) son generalmente menores
(en valores absolutos) que las elasticidades de L-P
(PMg C de L-P).
 ESTIMACION DE MODELOS DE REZAGOS
DISTRIBUIDOS
Sea el modelo de rezagos infinito distribuidos en una
variable explicativa:
Yt     0 X t  1 X t 1   2 X t 2  ......  ut …(2’’)

¿Cómo estimar  y ?

1.- Estimación Ad-hoc

Dos enfoques:
2.- Restricción a priori sobre los 
suponiendo que las () siguen un
patron sistematico.
 1.- ESTIMACION AD-HOC DE LOS
MODELOS DE REZAGOS DISTRIBUIDOS
Alt y Timbergen adoptan el método de MCO para estimar.
Si X t , X t 1 , X t 2 ...., son no estocásticas (o por lo menos no
correlacionada con el termino de perturbación), se puede aplicar
el método de MCO. Ellos sugieren estimar secuencialmente:
Yt sobre Xt  Yt     0 X t
Yt sobre Xt y Xt 1  Yt     0 Xt  1Xt 1 …(4)
Yt sobre Xt , Xt 1 , Xt 2  Yt    0 Xt  1Xt 1   2 Xt 2

Y así sucesivamente.
Este procedimiento se detiene cuando los coeficientes de
regresión de las variables rezagadas empiezan a hacerse
estadísticamente insignificante y/o el coeficiente de por lo
menos una de las variables cambia de signo de positivo a
negativo o viceversa
 Ejemplo
• Sean los modelos estimados:
(1)Yˆt  8.37  0.171X t
(2)Yˆt  8.27  0.111X t  0.064 X t 1
(3)Yˆt  8.27  0.109 X t  0.071X t 1  0.055 X t  2
(4)Yˆt  8.32  0.108 X t  0.063 X t 1  0.022 X t  2  0.020 X t 3
• Donde: Y=consumo de gasolina, X=nuevos
pedidos de gasolina.
• ¿Cuál es modelo a elegir?
• ¿Cuáles serian los impactos de largo y corto
plazo?
 ESTIMACION AD-HOC: DESVENTAJAS
• No existe una guía a priori sobre la longitud
máxima de los rezagos.
• Existe perdidas de grados de libertad, a mayor
numero de rezagos.
• Los rezagos tienden a estar altamente
correlacionados (Multicolinealidad sale a relucir).
• Datamining, el nivel de significancia nominal y
verdadero para probar hipótesis estadísticas es
importante para la búsqueda de soluciones.
 2.-ESTIMACION MEDIANTE EL
ENFOQUE DE KOYCK
Es útil, para estimar modelos de rezagos distribuido infinito.
Yt     0 X t  1 X t 1   2 X t 2  ....  ut

Suponiendo que todas las  tienen el mismo signo, estos

se reducen geometricamente de la siguiente forma:
 k   0 k 0< λ <1
Donde: λ = tasa de descenso o de caída del rezago distribuido.
1-λ = velocidad de ajuste
Si λ~1 más lento sera la tasa de descenso en  k

Si λ~0 más rápido sera el descenso en  k

• λ~1: los valores del pasado distante de X
ejerceran un impacto considerable sobre Y
• λ~0: la influencia sobre Y desaparecerá
rapidamente.
 0 1 2 3 4 5 … 10
0.75 0 0.750 0.560 0.420 0.320 0.240 … 0.060

0.25 0 0.250 0.060 0.020 0.0040 0.0010 … 0.00

 2.-ESTIMACION MEDIANTE EL
ENFOQUE DE KOYCK
Características del esquema de KOYCK
1.- Si λ >0 , se elimina la probabilidad de que los  cambien de signo.
2.- Si λ<1 da un menor pero a los  en el pasado distante qué a los actuales;
3.- Asegura que la suma de los  (multiplicador de largo plazo)es finita.

 1 

k 0
 k   0 (1      .....)   0 
2

1  
…(5)

Si  k   0 k el modelo de resagos infinitos puede escribirse como :

Yt     0 X t   0 X t 1   0 2 X t  2  .....  ut …(6)

 
Yt     0 X t  X t 1  2 X t  2  .....  ut
  k 
Yt     0    X t k   ut 0< λ <1
 k 0 
 TRANSFORMACION DE KOYCK
Rezagando un periodo
Yt 1     0 X t 1   0 X t  2   0 2 X t 3  .....  ut 1 …(7)
Multiplicando por λ
Yt 1     0 X t 1   02 X t  2   03 X t 3  .....  ut 1 …(8)
Restando (8) de (6), se obtiene:
Yt  Yt 1   (1   )  0 X t  (ut  ut 1 )
Reordenando
Yt   (1   )   0 X t  Yt 1  Vt …(9)
Donde Vt  ut  ut 1 , es un promedio movil de ut y ut 1
Características de la transformación de Koyck
1.- Se empezó con un modelo de rezagos distribuidos y se termina con modelo auto
regresivo.
2.- Es probable que la aparición de Yt 1 cree algunos problemas estadísticos. Yt-1
y Yt son estocásticas. En MCO se basa en el supuesto de que las variables
explicativas no son estocásticas. En caso de serlo, están distribuidas
independientemente del termino de perturbación estocástico.
 CARACTERÍSTICAS DE LA
TRANSFORMACIÓN DE KOYCK
3.- Las propiedades estadísticas de Vt dependen de lo que se
suponga sobre las propiedades estadísticas de ut , ya que si las ut
originales no están serialmente correlacionados, los Vt están
serialmente correlacionadas.
4.- No es aplicable el D.W. por lo tanto, se debe usar la prueba h de
Durbin.
MEDIDAS RESUMEN DE LA VELOCIDAD CON LA CUAL Y
RESPONDE A X
1.- MEDIANA DE REZAGOS
Es el tiempo requerido para la primera mitad, o el 50% del cambio total
en Y ocurrido como consecuencia de un cambio unitario sostenido en X.
log 2 
Modelo de Koyck; mediana de rezagos  
log  
λ mediana Interpretación Velocidad
0.2 0.4306 El 50% de cambio total en Y se logra en Mayor velocidad de
menos de la mitad de un periodo ajuste
0.8 3.1063 Requiere de tres periodos para alcanzar el Menor velocidad de
cambio del 50% ajuste
2.- REZAGO MEDIO
Si las k son positivos, el rezago promedio es :


 k k

Rezago promedio  i 0


 i 0
k


Modelo de Koyck: rezago medio 
1 
 EJEMPLO 17.3: LINK BETWEEN MONEY AND PRICES
Según los monetaristas, la inflación (P)es esencialmente un fenómeno
monetario(M). Of course, this link between inflation and changes in money supply
is not instantaneous. El siguiente modelo muestra un modelo con 20 rezagos:

M1B = currency + checkable

deposits at financial institutions

a) Interpretar el impacto de corto plazo. ¿es estadísticamente significativo o es

estadísticamente diferente de cero?
b) Interpretar y calcular el impacto de largo plazo.
 RACIONALIZACION DEL MODELO DE KOYCK: EL
MODELO DE EXPECTATIVAS ADAPTATIVAS
Sea el modelo:
…….(1)
Donde:
Y=Demanda de dinero
X*= Tasa interés esperada
U=termino de erros
La variable de expectativa X*, se conforma de la siguiente manera:

…….(2)

Sust. (2) en (1):

…….(3)
Rezagando (1) un periodo, multiplíquese por (1-) y réstese el producto de (3)
 EJEMPLO (MODELO DE KOYCK): CONSUMO PERSONAL PER CAPITA
Se desea analizar el gasto de consumo per cápita (CONS) en relación con el
ingreso disponible per cápita (ING) en un periodo de 1970 a 1999; en soles de
1996
GENR cons1=cons(-1)
obs CONS CONS1 ING obs CONS CONS1 ING
1970 11300 NA 12823 1985 16020 15401 18229
1971 11581 11300 13218 1986 16541 16020 18641
1972 12149 11581 13692 1987 16398 16541 18870
1973 12626 12149 14496 1988 17463 16398 19522
1974 12407 12626 14268 1989 17760 17463 19833
1975 12551 12407 14393 1990 17899 17760 20058
1976 13155 12551 14873 1991 17677 17899 19919
1977 13583 13155 15256 1992 17989 17677 20318
1978 14035 13583 15845 1993 18399 17989 20384
1979 14230 14035 16120 1994 18910 18399 20709
1980 14021 14230 16063 1995 19294 18910 21055
1981 14069 14021 16265 1996 19727 19294 21385
1982 14105 14069 16328 1997 20232 19727 21838
1983 14741 14105 16673 1998 20989 20232 22672
1984 15401 14741 17799 1999 21901 20989 23191
Estimar el modelo Koyck: CONSt   (1   )   0 INGt  CONSt 1  V
Luego calcule la mediana de los rezagos y la media de los rezagos.
Calcule el estadístico h de Durwin.
Considere que el modelo es estimado con expectativas adaptativas (i.e. CONS como función de ING
esperado). Obtenga el coeficiente de expectativas. Interprete.
 EJEMPLO (MODELO DE KOYCK): RESULTADOS
LS CONS C ING
Dependent Variable: CONS
Method: Least Squares
Date: 07/01/10 Time: 13:05
Sample: 1970 1999
Included observations: 30
Variable Coefficient Std. Error t-Statistic Prob.
C -1778.748 324.5986 -5.479838 0.0000
ING 0.992107 0.017967 55.21962 0.0000
R-squared 0.990901 Mean dependent var 15905.10
Adjusted R-squared 0.990576 S.D. dependent var 2989.216
S.E. of regression 290.1870 Akaike info criterion 14.24327
Sum squared resid 2357838. Schwarz criterion 14.33668
Log likelihood -211.6490 F-statistic 3049.207
Durbin-Watson stat 0.519695 Prob(F-statistic) 0.000000
LS CONS C ING CONS(-1)
Dependent Variable: CONS
Method: Least Squares
Date: 07/01/10 Time: 12:29
Sample(adjusted): 1971 1999
Included observations: 29 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C -1242.169 402.5785 -3.085533 0.0048
ING 0.603376 0.150261 4.015516 0.0004
CONS1=CONS(-1) 0.410687 0.154618 2.656138 0.0133
R-squared 0.992666 Mean dependent var 16063.90
Adjusted R-squared 0.992102 S.D. dependent var 2910.503
S.E. of regression 258.6577 Akaike info criterion 14.04659
Sum squared resid 1739499. Schwarz criterion 14.18803
Log likelihood -200.6755 F-statistic 1759.610
 Test de Durbin Watson
Supuestos:
• El modelo de regresion incluye intercepto
• Las variables explicativas X son fijas en muestreo repetido.
• El test de DW verifica la existencia de autocorrelación de primer
orden:
et =  et-1 + t
• La regresión no incluye valores rezagados de la variable
dependiente como una de las variables explicativas.
• No hay observaciones faltantes en los datos.
tN

 (e t  et 1 ) 2
Estadistico DW: D t 2
tN
.....
e
2

 e t 2   e 2 t 1  2 e t e t 1
t
t 2

Si replanteamos el estadístico de la forma: D   e 2t

Si el número de observaciones es suficientemente grande, et 2 y et 12
son aproximadamente iguales por lo que el estadístico DW es:
D  2(1   )
 Test de Durbin Watson
Donde:

   e t e t 1 Es el estimador del coeficiente de correlación
serial de los errores
 te 2

Dado que el parámetro  fluctúa entre 1 y -1, el DW registrará valores entre 0 y 4.

Si DW  0, cuando exista autocorrelación serial positiva de primer orden.
Si DW 4, cuando exista autocorrelación serial negativa de primer orden.
Si DW2, No hay autocorrelación y el valor del coeficiente  será cero.

H0: =0 No existe autocorrelación de primer orden

 Contraste H de Durbin(1970)
Cuando se incluyen dentro del modelo rezagos de la
variable endógena, no es aplicable el DW, sin embargo
Durbin sugirió un contraste asintótico y más general.
Para modelos de la forma:
Yt  1   2Yt 1  ...   rYt r   r 1 X1t   r 2 X 2t  ...   s X st  et
Pasos:

 Formulacion de la hipotesis:(contraste de una sola cola)

H0: =0 No existe autocorrelación de primer orden

H1: 0<||<1 Existe autocorrelación de primer orden:AR(1)

 Calcular el estadístico H:
n
H  ˆ
1  nVar ( ˆ 2)
De no existir acutocorrelación, tiene una distribución que se aproxima a
N(0,1) cuando n
 Contraste H de Durbin
Donde:
n

e e t t 1
ˆ  t 2
n
 Coeficient e de autocorrel ación muestral
e
t 2
2
t 1

También puede obtenerse estimando el modelo:

et =  et-1 + t
Otra forma de obtener es a partir del estadistico DW :
DW
ˆ  1 
2
 El valor Ht: al 95% de confianza el valor de Ht en una sola cola es:
Ht= 1.645
 Regla de decisión: Si Ht >H, No se rechaza la H0
 Contraste H de Durbin
• Problema del contraste de H de Durbin:
Si var(2)>1/n, entones el término dentro del radical
sería negativo.
Para estos casos, Durbin demostró que cuando la
muestra tiende a infinito, un modo equivalente de llevar
a cabo esta prueba consiste en:
Estimar una regresión de los residuos MCO de la
regresión original sobre un rezago del mismo, todos los
rezagos de la variable endógena incluidos en el modelo
y las demás variables explicativas. En este caso, la
hipótesis nula se rechaza si el coeficiente de et-1
resulta significativamente distinto de cero.
 Test de Breusch Godfrey(1978) o test de
Multiplicadores de Lagrange: LM
• Es una de las pruebas mas potentes: Es indispensable su utilización.
• Realiza contrastes donde la hipótesis alternativa incluya especificaciones más
generales que la del modelo autorregresivo de primer orden.
• Tambien sirve cuando se incluye Yt-1.
• Busca el orden p de un proceso auterregresivo y el orden q de un proceso de
medias moviles:
 t   1  t 1   2  t  2  .....................   p  t  p   t
t   t  1 t 1   2 t  2  ..........   q t  q
Pasos:
 Estimar el modelo por MCO y obtener la serie de los residuos.
 Estimar una regresión auxiliar de los residuos sobre p retardos y sobre las
variables explicativas X del modelo, pudiendo incluir retardos de la variable
endógena sin que cambien las propiedades del contraste.

et   1et 1   2et 2  ...   p et  p  1Yt 1   2Yt 2  ...

....   rYt r   r 1 X 1t .   r  2 X 2t  ......   s X st 32
f) Test de Multiplicadores de Lagrange: LM
 Obtener el coeficiente de determinación R2 de la regresión
auxiliar estimada en el punto interior,.
 Prueba de hipótesis:
H0 : No existe autocorrelación 1   2  ....   p  0
H1 : Existe autocorrelación de orden p.
 Calcular el estadístico experimental: n* R2
 Calcular el valor t tabla para una distribución chi-cuadrado
con p grados de libertad: X2
 Regla de decisión:
Si n* R2 > X2 se rechaza la hipótesis nula de no
autocorrelación.
Si R20, entonces n* R2 0, por tanto se acepta la H0 de
ausencia de autocorrelación(Los residuos no se podrían
explicar a partir de sus rezagos) 33
 Ejemplo:
• El estadístico es:
n* R2 =55.23254
• La probabilidad asociada a
al estadístico(0.00) indica el
rechazo de la Ho.

Si queremos tener una idea de

cuál es el patrón autorregresivo
del error debemos fijarnos en la
ecuación auxiliar que se utiliza
para construir la prueba

En nuestro caso, observamos que sólo el parámetro asociado al primer rezago es significativo. Esto
sugiere la presencia de autocorrelación de primer orden. Una estrategia válida es ir reduciendo el
número de rezagos incluidos en la medida que no sean significativos. Cuando lleguemos a un modelo
auxiliar que presente todos los parámetros asociados a los rezagos incluidos significativos, nos indicará
con un alto grado de certeza el patrón de autocorrelación. Un procedimiento que nos permite mejorar lo
anterior es incluir el menor número de rezagos de tal manera que el error de la ecuación auxiliar sea
ruido blanco.
34
EJEMPLO: LA DEMANDA DE DINERO

Donde:
M1 es la oferta monetaria
nominal (oferta monetaria en
dólares, millones).
P es el deflactor de precios
implícito 1981=100.
R es la tasa de interés preferencial
a 90 días (%)
PIB es el Producto Interno Bruto
a precios constantes de 1981.
• PAUTAS Y RESPUESTAS A LA
SOLUCION.
• Solución a) TRANSFORMANDO
VARIABLES:
• GENR RM1=M1/P
• GENR LRM1=LOG(RM1)
• GENR LRM1R=LRM1(-1)
• GENR LR=LOG(R)
• GENR LPIB=LOG(PIB)
obs M1 P RM1 LRM1 LRM1R R LR PIB LPIB
1979:01:00 22175 0.77947 28448.82 10.25586 NA 11.13333 2.409943 334800 12.72129
1979:02:00 22841 0.80861 28247.24 10.24875 10.25586 11.16667 2.412933 336708 12.72697
1979:03:00 23461 0.82649 28386.31 10.25366 10.24875 11.8 2.4681 340096 12.73698
1979:04:00 23427 0.84863 27605.67 10.22578 10.25366 14.18333 2.652067 341844 12.74211
1980:01:00 23811 0.86693 27465.89 10.2207 10.22578 14.38333 2.66607 342776 12.74483
1980:02:00 23612.33 0.8895 26545.62 10.18662 10.2207 12.9833 2.563664 342264 12.74334
1980:03:00 24543 0.91553 26807.42 10.19643 10.18662 10.71667 2.3718 340716 12.7388
1980:04:00 25638.66 0.93743 27349.95 10.21647 10.19643 14.53333 2.676445 347780 12.75933
1981:01:00 25316 0.96523 26227.95 10.17458 10.21647 17.13333 2.841026 354836 12.77941
1981:02:00 25501.33 0.98774 25817.86 10.15882 10.17458 18.56667 2.921368 359352 12.79206
1981:03:00 25382.33 1.01314 25053.13 10.12875 10.15882 21.01666 3.045315 356152 12.78311
1981:04:00 24753 1.0341 23936.76 10.08317 10.12875 16.61665 2.810405 353636 12.77602
1982:01:00 25094.33 1.05743 23731.43 10.07456 10.08317 15.35 2.731115 349568 12.76445
1982:02:00 25253.66 1.07748 23437.71 10.0621 10.07456 16.04999 2.775708 345284 12.75212
1982:03:00 24936.66 1.09666 22738.73 10.03183 10.0621 14.31667 2.661425 343028 12.74557
1982:04:00 25553 1.11641 22888.54 10.03839 10.03183 10.88333 2.387232 340292 12.73756
1983:01:00 26755.33 1.12303 23824.23 10.07846 10.03839 9.61667 2.263498 346072 12.7544
1983:02:00 27412 1.13395 24173.91 10.09303 10.07846 9.31667 2.231805 353860 12.77666
1983:03:00 28403.33 1.14721 24758.61 10.11693 10.09303 9.33333 2.233592 359544 12.79259
1983:04:00 28402.33 1.16059 24472.32 10.1053 10.11693 9.55 2.256541 362304 12.80024
1984:01:00 28715.66 1.17117 24518.78 10.10719 10.1053 10.08333 2.310884 368280 12.8166
obs M1 P RM1
1984:02:00 28996.33
1984:03:00 28479.33
1984:04:00 28669
1985:01:00 29018.66
1985:02:00 29398.66
1985:03:00 30203.66
1985:04:00 31059.33
1986:01:00 30745.33
1986:02:00 30477.66
1986:03:00 31563.66
1986:04:00 32800.66
1987:01:00 33958.33
1987:02:00 35795.66
1987:03:00 35878.66
1987:04:00 36336
1988:01:00 36480.33
1988:02:00 37108.66
1988:03:00 38423
1988:04:00 38480.66
LRM1 LRM1R R LR PIB LPIB
1.17406 24697.49 10.11446 10.10719 11.45 2.43799 376768 12.83938
1.17795 24177.03 10.09316 10.11446 12.45 2.521721 381016 12.8506
1.18438 24205.91 10.09435 10.09316 10.76667 2.376455 385396 12.86203
1.1899 24387.48 10.10183 10.09435 10.51667 2.352962 390240 12.87452
1.20625 24371.95 10.10119 10.10183 9.66667 2.268684 391580 12.87795
1.21492 24860.62 10.12104 10.10119 9.03333 2.200921 396384 12.89014
1.21805 25499.22 10.1464 10.12104 9.01667 2.199075 405308 12.9124
1.22408 25117.09 10.1313 10.1464 11.03333 2.400921 405680 12.91332
1.22856 24807.63 10.11891 10.1313 8.73333 2.167147 408116 12.91931
1.23916 25471.82 10.14533 10.11891 8.46667 2.136137 409160 12.92186
1.25368 26163.5 10.17212 10.14533 8.4 2.128232 409616 12.92298
1.27117 26714.23 10.19295 10.17212 7.25 1.981001 416484 12.9396
1.28429 27871.94 10.23538 10.19295 8.3 2.116256 422916 12.95493
1.29599 27684.36 10.22862 10.23538 9.3 2.230014 429980 12.97149
1.31001 27737.19 10.23053 10.22862 8.7 2.163323 436264 12.986
1.32325 27568.74 10.22444 10.23053 8.61667 2.153699 440592 12.99587
1.33219 27855.38 10.23478 10.22444 9.13333 2.21193 446680 13.0096
1.35065 28447.78 10.25583 10.23478 10.05 2.307573 450328 13.01773
1.36648 28160.43 10.24567 10.25583 10.83333 2.382627 453516 13.02479
 Solución a)

TABLA 03: MODELO ESTIMADO

Dependent Variable: LOG(M1/P)
Method: Least Squares
Date: 07/14/10 Time: 16:42
Sample: 1979:1 1988:4
Included observations: 40
Variable Coefficient Std. Error t-Statistic Prob.
C 7.205008 1.835677 3.924986 0.0004
LOG(R) 0.004040 0.052267 0.077304 0.9388
LOG(PIB) 0.229050 0.136829 1.673987 0.1026
R-squared 0.100961 Mean dependent var 10.15614
Adjusted R-squared 0.052364 S.D. dependent var 0.067451
S.E. of regression 0.065661 Akaike info criterion -2.536587
Sum squared resid 0.159520 Schwarz criterion -2.409921
Log likelihood 53.73173 F-statistic 2.077524
Durbin-Watson stat 0.102776 Prob(F-statistic) 0.139606
 Solución c)
Dependent Variable: LRM1
Method: Least Squares
Date: 07/14/10 Time: 16:32
Sample(adjusted): 1979:2 1988:4
Included observations: 39 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C 0.856169 0.510157 1.678246 0.1022
LR -0.063472 0.013186 -4.813438 0.0000
LPIB -0.023721 0.036685 -0.646622 0.5221
LRM1R 0.960732 0.041416 23.19721 0.0000
R-squared 0.948238 Mean dependent var 10.15358
Adjusted R-squared 0.943801 S.D. dependent var 0.066339
S.E. of regression 0.015727 Akaike info criterion -5.370008
Sum squared resid 0.008656 Schwarz criterion -5.199386
Log likelihood 108.7152 F-statistic 213.7234
Durbin-Watson stat 2.458241 Prob(F-statistic) 0.000000
Solución e)