E

L
E
C
CI
O

Contenido
INTRODUCCIN:.......................................................................................................... 2
RESUMEN EJECUTIVO:...............................................................................................3
Supuestos del Modelo de Regresin Lineal:.........................................................3
RESUMEN EJECUTIVO CASO 1:.............................................................................3
Caso 1:.......................................................................................................................... 5
Modelo 1: MCO, usando las observaciones 1-173.................................................5
Contraste de Heterocedasticidad de White -..........................................................6
Contraste de normalidad de los residuos -............................................................6
Grfico de normalidad de residuos........................................................................6
PRUEBA DE HIPOTESIS: AUTOCORRELACIN....................................................6
I.

Estimacin del modelo de regresin lineal mediante MCO...........................7

II.

Interpretacin de parmetros:..........................................................................7

III.
Afectan los gastos del candidato A a los resultados? Qu se puede
decir de los gastos del candidato B?.....................................................................7
IV.
Al ver los resultados el presidente del partido A, le realiza la consulta
es posible utilizar el modelo para obtener conclusiones? .Realice todas las
pruebas estadsticas que sean necesarias para poder responder.......................8
Prueba de hiptesis: significancia global..............................................................8
Prueba de hiptesis: significancia individual:......................................................8
Caso N2....................................................................................................................... 9
Modelo 2: MCO, usando las observaciones 1-15...................................................9
Contraste de Heterocedasticidad de White -........................................................10
Contraste de normalidad de los residuos -..........................................................10
Grfico de normalidad de residuos......................................................................10
PRUEBA DE HIPOTESIS: AUTOCORRELACIN..................................................10
I.

Estimacin del modelo de regresin lineal mediante MCO.........................11

II.

Interpretar los Coeficientes............................................................................11

Prueba de hiptesis: significancia global............................................................11

Prueba de hiptesis: significancia individual:.....................................................12
Conclusiones del modelo estimado.....................................................................13
Conclusiones:............................................................................................................ 13
Caso N1:................................................................................................................13
Caso N2:................................................................................................................14
Bibliografa:................................................................................................................ 16

INTRODUCCIN:
En el presente trabajo se realiza un extenso anlisis acerca de las variables y/o
factores determinantes de dos fenmenos econmicos: Primero, analizaremos
la influencia de los gastos en campaas publicitarias en las elecciones
electorales y segundo se analizara el aporte del trabajo y del capital al PIB
regional.
Para lograr el objetivo de este estudio, este artculo se ha dividido en cuatro
partes:
En la primera parte se presentara y se discutirn los principales determinantes
de ambos fenmenos, la conceptualizacin y presentacin de los modelos a
estimar.
Segundo: Se llevara a cabo los anlisis de regresin correspondiente, as como
las tablas de correlacin y algunas pruebas estadsticas para verificar los
supuestos que permiten usar el Mnimo Cuadrados Ordinarios (MCO).
Tercero: Se detallara los principales resultados del anlisis emprico y la
discusin de estos.
Cuarto: Finalmente, se enumeraran algunas conclusiones y reflexiones finales.

RESUMEN EJECUTIVO:
Supuestos del Modelo de Regresin Lineal:
Los supuestos de un modelo estadstico se refieren a una serie de condiciones
que deben darse para garantizar la validez del modelo. Al efectuar aplicaciones
del modelo de regresin, nos veremos en la necesidad de examinar mucho de
estos supuestos.

1- Linealidad: La ecuacin de regresin adopta una forma particular, en

concreto, la variable dependiente es la suma de un conjunto de
elementos: el origen de la recta, una combinacin lineal de variables
independientes o predictoras y los residuos. El incumplimiento del
supuesto de linealidad suele denominarse Error de Especificacin.
Algunos ejemplos son: Omisin de variables independientes
importantes, inclusin de variables independientes irrelevantes, no
linealidad (Relacin entre variables independientes y y la dependiente no
es lineal), parmetros cambiantes, no aditividad, etc.
2- Independencia: Los residuos son independientes entre si, es decir, los
residuos constituyen una variable aleatoria (recordemos que los residuos
son las diferencias entre los valores observados y los pronosticados). Es
frecuente encontrarse con residuos autocorrelacionados cuando se
trabaja con series de tiempo .
3- Homocedasticidad: Para cada valor de la variable independiente (o
combinacin de valores de las variables independientes), la varianza de
los residuos es constante.
4- Normalidad: Para cada valor de la variable independiente (o
combinacin de variables independientes), los residuos se distribuyen
normalmente con media cero.
5- No Colinealidad: No existe relacin lineal exacta entre ninguna de las
variables independientes. El incumplimiento de este supuesto da origen
a Colinealidad o Multicolinealidad.

RESUMEN EJECUTIVO CASO 1:

Actualmente los partidos polticos en todo el mundo centran sus estrategias
poltico-electorales en los consejos de mltiples y costosos de asesores de
mercadotecnia poltica. Difcilmente un partido o un candidato escapan a esta
tendencia mundial y al uso de diferentes herramientas de mercadotecnia para
apoyar sus campaas. Como consecuencia de este hecho, la mercadotecnia
poltica utiliza una gran cantidad de instrumentos y tcnicas para desempear
su labor; dichas herramientas tericas o prcticas implican un enorme gasto
que los partidos y candidatos deben cubrir: los gastos de campaa.

Aplicadas las pruebas y test estadsticos correspondientes, se puede concluir

que el modelo si es estadsticamente significativo en su conjunto con un 95%
de confianza y las variables individualmente tambin lo son. Tambin se
comprueba que el modelo cumple con 4 de los supuestos de Regresin Lineal
Mltiple: No hay Heterocedasticidad, los errores se distribuyen normalmente, si
hay linealidad, no hay Multicolinealidad, pero si se presenta autocorrelacion
entre los errores.

RESUMEN EJECUTIVO CASO 2:

Lo que se acostumbra a mencionar o citar como PIB corresponde a una sigla
que resume la expresin Producto Interno Bruto. Se trata de una nocin que
engloba a la produccin total de bienes y servicios de una nacin o regin
durante un determinado periodo de tiempo, expresada en un monto o precio
monetario.
Es importante tener en cuenta que el PIB (no es produccin ??) est
vinculado a la produccin dentro de un determinado territorio, ms all del
origen de las empresas.
Aplicadas las pruebas y test estadsticos correspondientes, se puede concluir
que el modelo si es estadsticamente significativo en su conjunto con un 95%
de confianza, las variables de forma individual tambin lo son. Tambin se
demuestra que el modelo cumple con algunos de los supuestos de Regresin
Lineal Mltiple: No hay heterocedasticidad, los errores se distribuyen
normalmente, si hay linealidad, no hay Multicolinealidad y

Caso 1:
El siguiente modelo puede servir para estudiar si los gastos de campaa
afectan a los resultados electorales:
= 0+ 1 log ()+ 2 log ()+ 3 fuerza_partidoA+
Donde:
VoteA: Es el porcentaje de votos dado al candidato A.
GastosA: Gastos de campaa del candidato A.
GastosB: Gastos de campaa del candidato B.
Fuerza_partidoA: es una medida de la fuerza del partido del candidato A
(medida por el porcentaje de votos en las elecciones presidenciales ms
recientes que fueron al partido del candidato A)
Modelo 1: MCO, usando las observaciones 1-173
Variable dependiente: VotoA
const
l_gastosA
l_gastosB
fuerza_partidoA

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)

Coeficiente Desv. tpica Estadstico t

45.0879
3.9268
11.4821
6.08136
0.382114
15.9150
-6.61563
0.378889
-17.4606
0.152014
0.0620259
2.4508

0.792501
0.788818
7.713367
10054.83
-596.8841
215.1539
0.000000

Mean dependent var

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

Contraste de Heterocedasticidad de White Hiptesis nula: No hay Heterocedasticidad

Estadstico de contraste: LM = 23.3334
Con valor p = P (Chi-cuadrado (9) > 23.3334) = 0.00548948
1,833 > 23,3334

Valor p
<0.0001
<0.0001
<0.0001
0.0153

***
***
***
**

50.50289
16.78476
6.946637
7.019545
6.976215
1.604129

Contraste de normalidad de los residuos Hiptesis nula: el error se distribuye normalmente

Estadstico de contraste: Chi-cuadrado (2) = 6.87135
2,9 = 6,87
Con valor p = 0.0322036
Grfico de normalidad de residuos

PRUEBA DE HIPOTESIS: AUTOCORRELACIN

H0: NO HAY AUTOCORRELACIN
H1: SI HAY AUTOCORRELACIN
Datos:
du:1,809
dl: 1,728
4-du: 2,191
4-dl: 2,272

Se rechaza H0 por lo cual si hay Autocorrelacin entre los errores.

I. Estimacin del modelo de regresin lineal mediante MCO.

Vote A i=45,0879+6,08136 16,61563 2+ 0,152014 3

II. Interpretacin de parmetros:

Esto quiere decir que, por cada 1% que aumenten los votos del
candidato A, los gastos de campaas electorales del candidato A se
incrementan en un 6,1%. Manteniendo las dems variables constantes
(Ceteris Paribus).
Esto quiere decir que, por cada 1% que aumenten los votos del
candidato A, los gastos de campaas electorales del candidato B
disminuyen en un 6,61%. Manteniendo las dems variables constantes
(Ceteris Paribus).
Esto quiere decir que, la representatividad que respalda al candidato A
influye en un 0,15% en la cantidad de votos que recibe el candidato A.
Manteniendo las dems variables constantes (Ceteris Paribus).
III. Afectan los gastos del candidato A a los resultados? Qu se puede
decir de los gastos del candidato B?
Como se puede ver en el modelo mientras ms se gaste en la campaa
del candidato A lo favorece para que obtenga ms votos debido a que el
parmetro X1 es positivo (es una relacin directamente proporcional, si
una sube la otra igual y viceversa) y aumenta la variable dependiente (Y)
que es porcentaje de votos obtenidos por el candidato A, mientras que el
candidato B si aumenta sus gastos de campaa hace que el candidato A
obtenga menos votos debido a que el parmetro X 2 es negativo (lo que
su relacin es inversamente proporcional, si una sube la otra baja y
viceversa) en relacin al porcentaje de votos obtenidos por el candidato
A.
IV. Al ver los resultados el presidente del partido A, le realiza la consulta es
posible utilizar el modelo para obtener conclusiones? .Realice todas las
pruebas estadsticas que sean necesarias para poder responder.
Prueba de hiptesis: significancia global.

0: 1=
2=
3=0

1: 1
2
30

F tabla = 3,79
F estadstico: 215.1539
Regla de rechazo: Fest.>Ftabla

Prueba de hiptesis: significancia individual:

Como se puede observar en el cuadro de gretl, las variables son significativas
ya que tienen un "*" que me indica que son significativas para el modelo, pero
aun as realizaremos las pruebas individuales.
Prueba de hiptesis: significancia individual
0: 1=0

H0: 2=0

HO: 3=0

1: 10

H1: 20

H1: 30

F tabla = 1,96

F tabla =1,96

F tabla =1,96

F obs = 15,91

F obs = -17,5

F obs =2,45

Sr. Presidente el modelo en su conjunto es significativo como tambin

individualmente, pero al realizar las pruebas de los Supuestos este ha
salido que es lineal en sus parmetros, el modelo es homocedastico, y
hay distribucin normal en los errores, pero si hay Autocorrelacion en los
residuos, lo que hace que el modelo no sea eficiente y no se puedan
inferir Conclusiones con este.

Caso N2
Realizar una estimacin del aporte del trabajo y capital al PIB regional, a partir
de la funcin de Cobb-Douglas de la teora de produccin.
Donde:
Y = Produccin
X1 = Insumo trabajo
X2 = Insumo Capital
U = error estocstico
e = base del logaritmo natural.

Y A* X1

Y A* X1

* X2

* X2

/ Ln

LnY LnA 1 * LnX 1

LnY 1 LnX 1

LnX 2

LnX 2

Modelo 2: MCO, usando las observaciones 1-15

Variable dependiente: l_Y

C
X(2)
X(3)

Coefficient

Std. Error

t-Statistic

Prob.

-3.338455
1.498767
0.489858

2.449508
0.539803
0.102043

-1.362908
2.776509
4.800487

0.1979
0.0168
0.0004

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)

0.889030
0.870535
0.074810
0.067158
19.28156
48.06885
0.000002

Mean dependent var

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

Contraste de Heterocedasticidad de White Hiptesis nula: No hay Heterocedasticidad

Estadstico de contraste: LM = 10.6552
Con valor p = P (Chi-cuadrado(5) > 10.6552) = 0.058662
2,015 > 10,6552
Contraste de normalidad de los residuos Hiptesis nula: el error se distribuye normalmente
Estadstico de contraste: Chi-cuadrado (2) = 2.57639
2,920 = 2,57639
Con valor p = 0.275768
Grfico de normalidad de residuos
7

uhat4
N(-1.6579e-015,0.07481)

Estadstico para el contraste de normalidad:

Chi-cuadrado(2) = 2.576 [0.2758]
6

Densidad

0
-0.2

-0.1

0.1

uhat4

PRUEBA DE HIPOTESIS: AUTOCORRELACIN

H0: NO HAY AUTOCORRELACIN
H1: SI HAY AUTOCORRELACIN
Datos:
du:1,750
dl: 0,814
4-du: 2,25

0.2

10.09653
0.207914
-2.170875
-2.029265
-2.172383
0.891083

4-dl: 3,186
DW: 0,8910
Se acepta H0,
por lo cual no
hay
Autocorrelacion
entre los
errores.

I.

Estimacin del
modelo de regresin lineal mediante MCO.
Y i=3,338+1,498 ln X 1 +0,489 ln X 2

II. Interpretar los Coeficientes.

Por cada un (un que?, un % un $?) incremento en el insumo de trabajo
(X1), la produccin aumenta en 1,49%, manteniendo las dems
variables constantes (Ceteris Paribus).
Por cada un incremento en el insumo de capital B(X2), la produccin
aumenta en 0,48%, manteniendo las dems variables constantes Ceteris
Paribus).
Prueba de hiptesis: significancia global
0: 1=
2
=0
1: 1
2
0
F tabla = 6,70
F estadstico: 48,06885
Regla de rechazo:
Fest.>Ftabla
Se rechaza H0, el modelo es estadsticamente significativo con un 95% de
confianza. Lo cual significa que el modelo en su conjunto funciona.

Prueba de hiptesis: significancia individual:

Como se puede observar en el cuadro de gretl, las variables son significativas
ya que tienen un "*" que me indica que son significativas para el modelo. Pero
aun as realizaremos las pruebas individuales.
0: 1=0

H0: 2=0

1: 10

H1: 20

F tabla = 1,96

F tabla =1,96

F obs = 2,777

F obs = 4,800

Se rechaza H0, por lo cual las variables son Significativas en el modelo.

Conclusiones del modelo estimado.

Realizando las pruebas correspondientes, la variable X1(Insumo del trabajo) y
X2(Insumo de capital) me aportan informacin para predecir el comportamiento
de la variable dependiente (Produccin), por lo tanto se trabajara con las 2
variables X1(Insumo del trabajo) y X2(Insumo de capital).

Conclusiones:
Caso N1:
Realizando las pruebas de cumplimiento de los supuestos mencionados y las
pruebas de significancia global e individual, podemos concluir lo siguiente:

Es un modelo homocedastico, prueba realizada mediante la prueba de

White, los que nos dice que las perturbaciones de los represores X son
constantes.
Hay normalidad en los residuos.
Hay autocorrelacion, prueba realizada mediante Durbin Watson lo que
nos dice que si hay autocorrelacion entre los residuos , esto puede
deberse a que el modelo omite variables relevantes o no da el tiempo
necesario para que los agente econmicos tomen su tiempo para
procesar informacin.

En la significancia global, el modelo es estadsticamente significativo en

su conjunto con un nivel de confianza del 95%.
En la significancia individual, cada variable es estadsticamente
significativa en el modelo por lo cual no hay que eliminar ninguna
variable con un nivel de confianza del 95%.
Las Variables Independientes (gastos A, gastos B, fuerza del partido)
explican en un 78% a la variable Dependiente (voteA).
En general el modelo en si funciona pero al haber autocorrelacion el
modelo y sus estimadores dejan de ser eficientes por lo cual imposibilita
verificar la validez de las estimaciones, pero los estimadores siguen
siendo insesgados y consistente pero pierden su propiedad de varianza
mnima. Los estimadores obtenidos con MCO dejaron de ser Meli, ahora
son estimadores poco eficientes.
No es posible utilizar el modelo para hacer predicciones futuras ni
obtener conclusiones.

Caso N2:
Realizando las pruebas de cumplimiento de los supuestos mencionados y las
pruebas de significancia global e individual, podemos concluir lo siguiente:

Es un modelo homocedastico, prueba realizada mediante la prueba de

White, los que nos dice que las perturbaciones de los represores X son
constantes.
Hay normalidad en los residuos.
No hay autocorrelacion, prueba realizada mediante Durbin Watson lo
que nos dice que no hay autocorrelacion entre los residuos , esto se
deberse a que el modelo no omite variables relevantes.
En la significancia global, el modelo es estadsticamente significativo en
su conjunto con un nivel de confianza del 95%.
En la significancia individual, cada variable es estadsticamente
significativa en el modelo por lo cual no hay que eliminar ninguna
variable con un nivel de confianza del 95%.

Las Variables Independientes (Trabajo y Capital) explican en un 87% a

la variable Dependiente (Produccin).
En general el modelo en su conjunto funciona lo que esto significa que
de este se pueden sacar conclusiones y predicciones futuras.
Como se puede observar si se aumenta el trabajo y/o capital la
produccin subir.

Bibliografa:
http://148.202.18.157/sitios/publicacionesite/pperiod/espiral/espiralpdf/espiral29/81.pdf
(Podran revisarlo para tener una idea de cmo redactar las respuestas)

http://www.mintra.gob.pe/archivos/file/estadisticas/peel/iem/IEM_122.pdf

http://www.hacienda.cl/glosario/pib.html

http://www.elmercuriomediacenter.cl/la-importancia-del-marketing-durante-lascampanas-politicas/